Utilization of the internet of things and machine learning in digital development of predictive maintenance at Finnish pulp mills

Abstract

The topic of this thesis is the utilization of the internet of things and machine learning in digital development of predictive maintenance at Finnish pulp mills. This thesis examines the architecture and steps needed to build a cloud-based internet of things data platform, studies the utilization of machine learning algorithms on rolling bearing fault detection and describes the future potential of the internet of things in the context of predictive maintenance at pulp mills.

An internet of things data platform was developed during this thesis project to support the storage and analysis of large quantities of vibration sensor and other data related to pulp mill predictive maintenance and other pulp mill processes. Literature relevant to cloud data platforms, cloud computing and the internet of things was examined. Strengths, weaknesses, opportunities and threats of the developed internet of things data platform were discussed. Three different machine learning algorithms were tested using various parameter values and 8 features computed from rolling bearing vibration signals to experiment with detecting rolling bearing faults. Future work and research required for developing an automated production-grade fault detection solution were discussed. The potential of further developments in internet of things technologies with regards to predictive maintenance was also discussed.

Tämän diplomityön aihe on teollisen internetin ja koneoppimisen hyödyntäminen kunnossapidon digitaalisessa kehityksessä suomalaisilla sellutehtailla. Diplomityö tarkastelee pilvipohjaisen esineiden internetin data-alustan rakentamiseen tarvittavaa arkkitehtuuria ja kehitysvaiheita, tutkii koneoppimisen hyödyntämistä vierintälaakereiden vikojen havaitsemiseen sekä kuvaa esineiden internetin tulevaisuuden potentiaalia sellutehtaiden ennakoivan kunnossapidon kontekstissa.

Diplomityöprojektin aikana kehitettiin esineiden internetin data-alusta tukemaan suurten värähtelysensoridatamäärien sekä muun sellutehtaiden ennakoivaan kunnossapitoon ja muihin prosessien liittyvän datan säilytystä ja analysointia. Pilvipohjaisiin data-alustoihin, pilvilaskentaan ja esineiden internetiin liittyvää kirjallisuutta tarkasteltiin. Kehitetyn esineiden internetin data-alustan vahvuuksia, heikkouksia, mahdollisuuksia ja uhkia käytiin läpi. Kolmea erilaista koneoppimisalgoritmia testattiin eri parametrejä käyttäen kahdeksan vierintälaakereiden värähtelysignaalista lasketun muuttujan avulla vierintälaakereiden vikojen havaitsemiseen. Automatisoidun tuotantovalmiin vikojen havaitsemisen ratkaisun kehittämiseen vaadittavaa lisätutkimusta ja lisätyötä käytiin myös läpi. Tulevien esineiden internetiin liittyvien teknologioiden kehitysten potentiaalia ennakoivaan kunnossapitoon liittyen tarkasteltiin.