Bruk av data fra digitale anleggsmaskiner til måling av produktivitet og kapasitet

Abstract

I løpet av de siste årene har det vært et fall av produktivitet i bygg- og anleggsbransjen sett i forhold til andre næringer. Hvorfor det er slik er et spørsmål som er av interesse å besvare da det vil være svært gunstig for de ulike aktørene i bransjen å forbedre denne. Produktivitet er kort fortalt et mål på hvordan ressurser utnyttes i forhold til hvor mye som blir produsert. Kapasitet, som sier noe om hvor mye som kan produseres basert på eksempelvis antallet anleggsmaskiner tilgjengelig, er også tatt i betraktning da dette også kam relateres til produktivitet. Begrepene er mye brukt innenfor mange forskjellige området innad et prosjekt og følgelig er det gjort noen avgrensninger i forhold til hvilke området som bør ses nærmere på. I denne rapporten har fokuset vært rettet mot hvorvidt det er mulig å ta i bruk data fra digitale anleggsmaskiner til å måle produktivitet og kapasitet, samt foreslå noen måter å gjøre dette på. Gjennom en omfattende litteraturstudie, en rekke intervjuer og analyse av data tilgjengelig i programvarer og logger, er det kartlagt en rekke eksisterende metoder å måle produktivitet og kapasitet på. Også hvilke datatyper som er mulig å hente ut fra digitale anleggsmaskiner er undersøkt i større grad. Basert på nylig og pågående forsking innenfor fagfeltet er det dannet en rekke forslag til hvordan dataen kan utnyttes til dette formålet.

Av eksisterende metoder brukt til å måle produktivitet og kapasitet på er det telematikkutstyr, manuell måling i form av klokkestudier og prestasjonsmåling ved bruk av KPI som er de mest brukte. Metodene er godt kjente og mange har god erfaring når det kommer til å bruke dem, noe som indikerer at dette er metoder som sannsynligvis også vil bli brukt i fremtiden. Via innblikk i en rekke datasystemer samt analyse av en datalogg kommer det frem at det er mange typer data det er mulig å hente ut av anleggsmaskinene. Dataene varierer i fra tekniske data som temperatur på motorolje, vibrasjoner og bruk av gir til mer relevante data for produktivitet og kapasitet som drivstofforbruk, tid tomgangskjøring og produserte mengder per time eller dag.

Når det kommer til måter å bruke data på er det en rekke forslag som er funnet. Eksempelvis kan man oppnå bedre drivstoffeffektivitet ved å redusere fyllfaktor i skuff til rundt 80%. Ved å bruke omdreiningstall er det mulig å finne en utnyttelsesfaktor som sammenlignet med en teoretisk verdi sier noe om maskinens kapasitet blir utnyttet godt. Maskinlæring er også et begrep som det er gjort mye forskning rundt i forhold til byggebransjen og produktivitet. Det er snakk om kunstig intelligens som lærer å ta egne valg basert på data, deriblant data fra anleggsmaskiner, fra tidligere prosjekter. Det foregår for tiden et pilotprosjekt som skal undersøke om det lar seg gjøre å få en kunstig intelligens til å styre en hel anleggsplass på egenhånd, og resultatene etter prosjektet er fullført vil ha mye å si for blant annet muligheter kunstig intelligens og maskinlæring gir når det kommer til måling av kapasitet og produktivitet.

Resultatene vier at det i stor grad er mulig å utnytte data fra digitale anleggsmaskiner til å måle produktivitet og kapasitet. Selv om det kun er brukt en datalogg peker informasjon fra intervjuobjektene med stor sannsynlighet mot at dette er tilfellet. Det er også gjort interessante funn som peker på andre emner som kan være relevant for videre forsking.

Over the last couple of decades there has been a significant fall in productivity in the construction industry compared to others. It is of interest to answer this question because it will be favorable to the different parties involved. In short, productivity is a term used to explain how well resources are utilised compared to the output of a production. Capacity is another term which can be connected to productivity. This term could for instance explain how much can be produced given the number of construction machinery available. Both of these terms are also used in many different areas of a project, and thus presenting a need to limit the number of areas under focus. The purpose of this report has been to determine whether data available through digital construction machinery is possible to use for measuring productivity and capacity, as well as provide examples of how the data can be used. Through a comprehensive litterature review, a number of interviews, analyses of different softwares as well as an analysis of a data log, a number of existing methods used to measure productivity and capacity were found. The types of data available from construction machinery were also found. Based on recent and ongoing research in the field, a number of suggestions have been made as to how the data can be utilised for this purpose.

The exisiting methods most commonly used to measure productivity and capacity are telematics equipment, manual measurment of time and the use of key performance indicators. These methods are widely known and used when dealing with construction machinery. This could also indicate that these methods can be used in the future as well. Through insight into different softwares, it is possible to retrive a lot of different datatypes from the construction machinery. The data varies from more technincal such as oil temperature, vibrations and gear usage, to more relevant data such as fuel usage, idle hours and production per hour or day.

A number of suggestions as to how the data could be used were presented. One suggestion was to reduce the fill factor of the bucket to around 80% in order to achieve better fuel efficiency and thus better productivity and lower costs. Revolutions per minute could be used to find an utilisation factor that, compared to a theoretical value, could indicate how well the capacity is utilised. Machine learning is another term widely researched today. It’s about feeding an artificial intellingence (A.I) a huge amount of data so that it can learn to make decisions on its own. Currently, there is an ongoing project that is trying to find out whether it is possible for an A.I to control a construction site with all the construction machinery by itself. The results will most likely have a big impact on the usage of machine learning to measure productivity and capacity.

The results show that it is possible to use the data collected for the intended purpose. There were also findings that points to other areas that could be relevant for future works.