Data driven predictive maintenance : case aggregates equipment internet of things data

Abstract

Predictive maintenance is one of the key concepts of the fourth industrial revolution. It is enabled mainly by the Internet of Things (IoT) and machine learning. It can offer great benefits to companies, such as lowered maintenance costs, increased product availability and increased product safety. These advantages are locked behind substantial financial investment and skilled experts in multiple disciplines. Predictive maintenance includes aspects such as anomaly detection and remaining useful life (RUL) prognosis.

This study mainly utilizes qualitative research methods. This study utilizes a narrative literature review research method to gain understanding on the successful implementation of predictive maintenance. In the empirical portion of the study, case study research method is used to evaluate the current possibilities for predictive maintenance implementation of a case company. The case study utilized semi-structured interviews.

Two factors affect successful data-driven predictive maintenance implementation the most, which are suitable machine learning algorithm selection and data quality. One of the key pain points currently in RUL prognosis is the lack of sufficient failure data in the real world. Most research is conducted on open-source run-to-failure data that is rarely obtainable in the real world. This pain point was seen in the case company as well. Since no failure data is obtainable, the RUL prognosis is hard to implement with only data-driven methods. Lack of failure data also limits the suitable algorithms. This study provides a data quality framework on evaluating the suitability of data for data-driven predictive maintenance implementation.

Ennakoiva kunnossapito on yksi neljännen teollisen vallankumouksen avainkäsitteistä. Sen mahdollistavat pääasiassa esineiden internet (IoT) ja koneoppiminen. Se voi tarjota yrityksille suuria etuja, kuten pienemmät kunnossapitokustannukset, paremman koneiden käytettävyyden ja turvallisuuden. Näiden etujen takana ovat huomattavat taloudelliset investoinnit ja useiden eri alojen ammattitaitoiset asiantuntijat. Ennakoivaan kunnossapitoon kuuluu esimerkiksi poikkeamien havaitseminen ja jäljellä olevan käyttöiän (RUL) ennustaminen.

Tässä tutkimuksessa käytetään pääasiassa laadullisia tutkimusmenetelmiä. Tässä tutkimuksessa hyödynnetään narratiivista kirjallisuuskatsausta, jolla pyritään keräämään tietoa ennakoivan kunnossapidon toteutuksen onnistumiseen vaikuttavista tekijöistä. Empiirisessä osiossa käytetään tapaustutkimusmenetelmää arvioitaessa ennakoivan kunnossapidon toteuttamisen mahdollisuuksia yrityksessä. Tapaustutkimuksessa käytettiin teemahaastatteluja.

Dataan pohjautuvaan ennakoivan kunnossapidon toteuttamiseen vaikuttavat kaksi tekijää, jotka ovat sopivan koneoppimisalgoritmin valinta ja datan laatu. Yksi RUL ennustamisen keskeisistä ongelmakohdista on tällä hetkellä se, että reaalimaailmassa ei ole riittävästi dataa saatavilla rikkoutumisista. Tutkimukset yleensä tehdään avoimen datan avulla, jonka vertaista on harvoin saatavilla yrityksissä. Tämä huomattiin myös case-yrityksessä, jossa rikkoutumistietoja ei ole saatavilla tarpeeksi. Sen takia RUL ennustamista on vaikea toteuttaa pelkästään dataan perustuvilla menetelmillä. Tämä rajoittaa myös sopivien algoritmien määrää. Tässä tutkimuksessa esitetään datan laadun viitekehys, jonka avulla voidaan arvioida dataan perustuvan ennakoivan kunnossapidon toteuttamismahdollisuuksia.