| dc.description.abstract | Det er forventet at prediktivt vedlikehold basert på maskinlæring vil redusere kostnader relatert til maskinhavari og vedlikehold med opptil 10%. Mange studier forsøker å definere metoder og algoritmer for å beregne gjenstående levetid på ulike maskindeler eller systemer. Dette er svært utfordrende og ofte baserer slike systemer seg på ideelle datasett. Disse datasettene har gjerne målinger fra systemet i god tilstand, havari og alt i mellom.
I prosessindustrien som er avhengig av høy oppetid, forsøker man derimot å unngå uplanlagt vedlikehold så godt man kan. Derfor mangler det ofte målinger fra systemer i dårligere tilstand. Det finnes da store mengder målinger fra systemet i god eller tilnærmet god tilstand. Dette gjør det vanskelig å beregne gjenstående levetid på utstyret, men åpner for å trene maskinlæringsmodeller til å predikere normaltilstanden for et utstyr slik at man kan oppdage avvik.
Dermed undersøker denne masteroppgaven hvordan man kan bruke svikthistorikk og sensormålinger som allerede samles inn for maskinbeskyttelse og vibrasjonsanalyse til å oppdage sviktmønstre tidligere enn man kan i dag. Dette forsøkes i et case-studie som undersøker dataene fra ti væskeringskompressorer som er i kontinuerlig drift hos Glencore Nikkelverk.
Oppgaven presenterer og forklarer behovet for å undersøke sviktmodene og tilhørende symptomer før man kan lage maskinlæringsmodeller. Basert på undersøkelsene velges det to sviktmoder, som det ønskes å lage avviksmodeller for. En enklere modell for å oppdage behov for vedlikehold i en platekjøler er laget, og det vises til sensoranalyse for å finne ut hvilke målinger som kan gi informasjon om hva som fører til lekkasje i mekaniske tetninger. Til slutt presenteres en teoretisk mulighet for rotårsaksanalyse.
Det diskuteres også hvordan erfaringene som er gjort i denne case-studien kan overføres til annet utstyr og gi et startpunkt for videre utvikling av prediktivt vedlikehold. | |
| dc.description.abstract | Predictive maintenance (PdM) is expected to reduce the maintenance cost by up to 10\% and reduce the frequency of unplanned production disturbances. However, these figures are not verified yet and the industry faces many challenges in implementing PdM. Especially, the availability of labeled data sets, which are necessary for predicting the remaining useful lifetime of equipment, is low. Still, long-short-term-memory (LSTM) neural networks allow early fault detection and root cause analysis based on unlabeled condition monitoring data, which is readily available in the chemical process industry.
PdM requires the integration of IoT networks, databases, software, historical data and knowledge of day-to-day operations of the equipment under study. In addition, the lack of labeled condition monitoring data increases the need for system knowledge to create and evaluate early fault detection models. Thus, the thesis discusses the need for, and presents, a failure mode and symptoms analysis to understand the equipment, possible degradation indicators and how to evaluate the model while also assessing the data quality of the sources of information used.
A case-study that focuses on ten liquid ring compressors, sensor data analysis and model development for fault detection for two different failure modes are then presented. The thesis also theoretically discusses how these models can be used to find a failure's root cause with feature importance analysis.
Lastly, the thesis shows how the experience gained in the case-study can be used when assessing which equipment is likely to be successfully modeled with long-short-term-memory neural networks to detect early fault development and future research necessary in more difficult modeling situations. | |
