Predictive maintenance for Valmet's breast roll shaker

Abstract

Digitalization and the Industrial Internet of Things (IIoT) enables the collection and analysis of vast amounts of data. Big data is often not utilized optimally, especially when regarding the condition and maintenance of different equipment. Unnecessary maintenance increases costs, and lack of maintenance may cause significant damage to the equipment and production loss. The goal of this thesis is to utilize the acquired data to create a predictive maintenance model to prevent unplanned shutdowns and decrease unnecessary maintenance costs.

A predictive maintenance model is created for the case company’s equipment. A successful predictive maintenance model requires knowledge of the equipment, the underlying process, and appropriate analytical methods. This thesis researches the equipment in question thoroughly to identify key issues in the current maintenance plan and to understand how the equipment behaves. An exhaustive literature research is performed to review the current industrial applications, models, and algorithms of predictive maintenance and prediction of remaining useful life (RUL). The most suitable approaches are selected for the equipment in question and predictive maintenance models are created.

Models are developed to solve both time series regression and classification tasks. To predict the time series data efficiently, multiple models are compared such as linear regression, ARMA, and VAR. For the classification task, modern machine learning methods are applied, and the most accurate model is selected. In this case, different variations of a decision tree classifier are used. The predictive maintenance models are deployed to AWS Lambda to run serverless and real-time, and the results are visualized using the Business Intelligence (BI) tool Tableau. Different models are used for different key issues and confident predictions are made of the equipment’s condition to prevent unplanned shutdowns.

Digitalisaatio ja teollinen internet mahdollistavat suuren datamäärän keräyksen ja analysoinnin. Tätä suurta dataa ei yleensä hyödynnetä optimaalisesti, etenkään kunnonvalvonnan ja huoltotoiminnan näkökulmasta. Tarpeeton huoltotoiminta lisää kustannuksia, mutta toisaalta huoltamisen laiminlyönti voi aiheuttaa merkittävää vahinkoa laitteeseen tai koneeseen. Tämän diplomityön tavoitteena on luoda ennakoivaa huoltoa tukevia malleja hyödyntämällä laitteistosta kerättyä dataa. Mallit mahdollistavat tarpeettomien huoltojen minimoinnin sekä yllättävien vikatilanteiden ehkäisyn.

Ennakoivan huollon mallit luotiin kohdeyrityksen laitteistolle. Onnistuneen mallin luonti vaatii laitteiston syvää tuntemusta, prosessiosaamista sekä sopivien analyyttisten mallien sovittamista. Tässä diplomityössä tutkitaan laitteiston toimintaperiaatteita ja pyritään tunnistamaan ongelmakohdat sekä prosessissa että huoltotoiminnassa. Työ sisältää kattavan kirjallisuuskatsauksen ennakoivan kunnossapidon menetelmiin, algoritmeihin ja ennustusmenetelmiin teollisuudessa. Sopivimmat menetelmät valittiin kirjallisuuskatsaukseen perustuen ja ennakoivan kunnossapidon mahdollistavat mallit luodaan.

Malleja kehitetään sekä aikasarjadatan ennustamiseen että moniulotteisen luokitteluongelman ratkaisemiseen. Aikasarjadatan ennustamisessa useita menetelmiä testataan kuten lineaariregressio, ARMA ja VAR. Luokittelu-ongelmaan hyödynnetään koneoppimisen menetelmiä ja valittu menetelmä perustuu erialisiin variaatioihin päätöspuu algoritmeista. Ennakoivat mallit sijoitettiin serverless AWS-ympäristöön ja analyysien tulokset lasketaan reaaliajassa. Tulokset visualisoidaan Tableau-työkalulla. Erityyppisiä malleja käytetään löydettyihin ongelmakohtiin ja luotettavia ennustuksia luodaan laitteiston kunnon mallintamiseksi sekä yllättävien vikatilanteiden ehkäisemiseen.