Älykäs datan käyttö teollisuuden kunnossapidon ja käyttövarmuuden parantamisessa

Abstract

Paperitehtailla ja teollisuudessa yleisesti kerätään valtava määrä prosessien tuotanto- ja kunnossapitodataa. Tämän datan analysointi on perinteisin menetelmin sekä muuttujien- että datapisteiden määrän vuoksi erittäin hankalaa, ellei jopa mahdotonta. Eri yritykset ovat luoneet ratkaisuja tämän ns. Big datan käsittelyyn. Dataa voidaan käsitellä sekä tilastollisilla että oppivilla menetelmillä. Ratkaisut vaativat suurien datamäärien kanssa usein hajautetun järjestelmän.

Tässä diplomityössä tutkitaan data-analytiikan soveltamista teollisuuden tuotannon ja kunnossapidon ongelmien ratkaisemiseen. Kirjallisuusselvitys kattaa dataanalytiikkamenetelmiä, -käyttötapauksia ja -ohjelmistoja sekä kunnossapidon ja prosessiautomaation suppeat esittelyt.

Käytännön osassa vertaillaan eri ohjelmistoja koekäytön perusteella. Vertailussa on mukana neljä eri ohjelmistoa. Parhaaksi ohjelmistoksi valittiin pisteytyksien perusteella KNIME, joka on työnkulkuihin perustuva analytiikkaohjelmisto. KNIMEn ja visualisointityökaluna toimineen TIBCO Spotfiren avulla löydettiin juurisyy teollisen prosessin tuotannon ongelmalle. KNIMEllä testattiin lisäksi erilaisia keinoja havaita poikkeuksia vikaantuneen prosessipumpun historia-värähtelydatasta. Älykkäillä menetelmillä pumpun poikkeava toiminta olisi ollut mahdollista havaita jo noin viikkoa ennen todellista ongelmatilannetta.

Huge amount of process and maintenance data is collected in paper mills and other industrial facilities. Analyzing this data by traditional means is difficult due to its volume and dimensionality. Companies have created different solutions to handling this so called “Big Data”. Due to the volume of the data, distributed systems are often necessary when handling it.

This thesis explores data analysis in the context of solving industrial production and maintenance problems. The literature study covers several data analysis methods, use cases and software, as well as concise introductions to process automation and maintenance.

In the practical part, four different analytics software were compared and scored with different criteria. A workflow based software called KNIME was selected as the best option based on the scoring. With KNIME for analysis and TIBCO Spotfire for visualization, the root cause of an industrial production problem was found. In addition, different anomaly detection methods were used to detect problems from a faulty process pump’s historical vibration data. Intelligent methods could have detected anomalous behavior of the pump approximately a week before the actual problem in the pump was detected visually.