Stockholm Exergi har under flera år arbetat aktivt med prediktiv analys för att identifiera avvikelser och problem i deras processer. Det har identifierats att övervakningen av organisationens ångturbiner kan utvecklas för att få en bättre bild gällande den övergripande statusen för turbinerna. Detta omfattar att arbeta prediktivt genom att stärka Stockholm Exergis övervakningsförmåga. Att stärka övervakningsförmågan kan resultera i ekonomiska fördelar då både drift samt underhållsarbete kan effektiviseras. Detta examensarbete syftar till att ta fram en modell för att beräkna verkningsgraden med målet att kunna detektera förändringar i en ångturbins prestanda över tid. Till examensarbetet har ångturbin G2, placerad i Brista, valts ut för att utföra en fallstudie på samt undersöka implementeringsmöjligheter. För att etablera val av beräkningsmetod, har relevant termodynamisk litteratur undersökts samt två prestandarapporter från väletablerade företag analyserats. Den isentropiska metoden valdes för att beräkna verkningsgraden då stabiliteten denna metod erbjuder, minimerar felkällor samt genererar korrekt trend i förhållande till den verkliga effektiviteten. Data från acceptanstestet av G2, från 2014, har jämförts med data från Stockholm Exergis övervakningssystem under samma tidsperiod. Detta utfördes för att etablera differensen i data, som mäts enligt standarder för ett acceptanstest, samt med vad Stockholm Exergis egna system mäter. Totalt utfördes fyra tester, vid olika laster, där den isentropiska verkningsgraden jämfördes och den kunde bestämmas med en differens på 0,3-2% mot acceptanstestet. En modell skapades, baserat på etablerad beräkningsmetodik, samt kopplad till Stockholm Exergis övervakningssystem. Modellen gör det möjligt för användaren att beräkna den isentropiska verkningsgraden för turbin G2 givet ett specificerat tidsintervall. För att utvärdera hur prestandan förändrats sen turbinen först togs i bruk, utfördes tre tester; 2017, 2018 och 2019. Testet för år 2017 uppfyllde samtliga normer för att vara jämförbart mot acceptanstestet år 2014. Därav kan en minskning i den isentropiska verkningsgraden på 2% påvisas under denna period.

Digitaliseringen innebär att stålindustrin idag står inför stora utmaningar, där krav på minskad miljöpåverkan i kombination med hög konkurrens ställer höga förväntningar på stålindustrins tillverkningsmetoder. För att erhålla en mer hållbar tillverkningsprocess och höja sin konkurrenskraft väljer många industrier att försöka digitalisera sin verksamhet i allt större utsträckning. Som ett steg i sin digitaliseringsprocess har Sandvik SMT Strip utökat ett befintligt styrsystem med en CMS-modul och givare för vibrationsmätning. Detta examensarbete ämnar presentera ett proof of concept för lagring och visning av data från vibrationsmätning i ett kallvalsverk vid Sandvik SMT Strip. Arbetet har bedrivits som en del av ett pilotprojekt hos Sandvik SMT Strip. Målsättningen med pilotprojektet är att uppnå en välfungerande implementering av vibrationsmätning för att kunna börja arbeta mer prediktivt med underhåll som idag sker helst proaktivt, men också reaktivt. Om en omställning kan göras där mer underhåll kan ske prediktivt är förväntningarna att kunna spara tid och resurser. Metoden för arbetet har varit av experimentell utvecklings-karaktär där det önskade resultatet varit styrande. Resultatet som presenteras i detta examensarbete är ett lösningsförslag på hur datalagring och presentation av vibrationsmätning med tillhörande frekvensanalys kan komma att se ut. Vidare har vissa delar av lösningsförslaget påbörjats med målet att visa upp ett proof of concept. Den slutsats som kan dras av arbetet är att en implementation för lagring och presentation av data med efterfrågad hård- och mjukvara är möjlig, men vidare arbete behövs för att erhålla ett proof of concept. / The fourth industrial revolution means that the steel manufacturing industry are faced with great challenges, where less environmental impact combined with high competition sets high expectations for the manufacturing method of steel. To achieve improvements in manufacturing and raise competitiveness, many manufacturers choose to digitalize their businesses to a greater extent. As a step in the digitalization process, Sandvik SMT Strip has chosen to extend one of their existing control systems with a CMS-module and sensors for vibration measurement. This bachelor thesis intends to present a proof of concept for presenting and storing data collected through vibration measurement in a cold rolling mill at Sandvik SMT Strip. The thesis work will be part of a pilot project at Sandvik SMT Strip. The goal of the pilot project is to achieve a well implemented vibration measurement solution to be able to use more predictive maintenance instead of the proactive and reactive maintenance used today. If an adaptation can be achieved where predictive maintenance is used to a larger extent the prospects are to save resources and time. The method for this thesis work has been experimental work in which the desired results have been governing. The result of this thesis work is a solution proposal for storing and presenting the data of vibration measurement in both time and frequency domain. Some parts of the solution proposal have been started with the goal to achieve a proof of concept. The conclusion presented in this thesis work is that an implementation for storing and presenting collected data with the desired soft- and hardware is possible, but more time is needed to obtain a proof of concept.

Digitaliseringen inom industrin medför ett antal utmaningar där manuella tillståndskontroller övergår till digitaliserade mätningar. Utmaningarna som uppstår med det nya arbetssättet är vilken data som ska samlas in samt hur den genererade data ska analyseras. Syftet med detta examensarbete är att förslå åtgärder för att effektivisera och implementera Industri 4.0 (Smart Maintenance) genom prediktivt underhåll på Scania. Således uppnås en mer kostnadseffektiv verksamhet samtidigt som det bidrar till att skapa ett hållbarare företag. Detta genom att utnyttja komponenters fulla livslängd och inte utföra onödigt underhåll. Det prediktiva underhållet kommer medföra en högre tillgänglighet och tillförlitlighet inom maskinparken på Scanias cylinderhuvudlinje. För att implementera underhållsstrategin i examensarbetet så används en mjukvara som skapats av styrsystems leverantör FANUC. Mjukvaran är ett mätverktyg som heter Servo Viewer och kan mäta maskinens status genom att avläsa procentsatsen utav den totala mängden vridmoment som bildas samt positionsfel under maskinens körning. Ett arbetssätt för att automatisera analysering av data som hämtas ifrån Servo Viewer är att mätningarna samlas i databasen MT-LINKi för att sedan kunna analyseras av ett program FANUC AI Servo Monitor. Den slutsats som kan dras av arbetet är att det går att använda FANUC Servo Viewer till att avläsa maskinens kondition och därmed prediktera när underhåll behöver utföras eftersom det går att avläsa avvikande faktorer under mätningarna. Vid dessa faktorer går det att sätta triggers som kommer larma i systemet när maskinen överstiger dem. De komponenter som mjukvaran kommer varna systemet för är alla komponenter som har en påverkande faktor på fleroperationsmaskinen. Dessa komponenter kan vara allt från kulskruvar, linjärstyrning, pulsgivare, remmar, servomotorer och servokort. Men arbetet är inte ett färdigt koncept i sig, det behövs fler mätningar över tid för att kunna skapa ett tydligare normalläge samt identifiera felutvecklingskurvor för att ställa in triggers i mjukvaran. Eftersom analys och insamling av mätdata blev mer tidkrävande än planerat så har ej utvärderingen av MT-LINKi samt AI Servo Monitor utförts och en vidare beskrivning av arbetet har lämnats. / Digitalization in the manufacturing industry involves many challenges due to moving from manual controls towards digitalized condition monitoring. The challenges that occur with the new way of working is what data should be collected and how it should be analyzed. This thesis aims to streamline the industry and implement Industry 4.0 and Smart Maintenance through predictive maintenance in Scania. In this way a more cost-effective business is achieved at the same time as it contributes to creating a more sustainable company. The predictive maintenance will lead to a higher availability and reliability within the machine park at Scania´s cylinder head line. To be able to implement the maintenance strategy a software created by FANUC, the system supplier, is used. The software is a measuring tool called Servo Viewer and it can analyze the status of the machine by measuring the percentage of the total amount of torque that is available and the position error while the machine is running. The thesis also aims to investigate how to automatize the measurements within a database called MT-LINKi and later be analyzed by a software called AI Servo Monitor. The conclusion that can be drawn from the thesis is that it is possible to use FANUC Servo Viewer to measure the condition of the machine and therefore being able to predict when the maintenance needs to be performed as it is possible to read deviating factors during the measurements. With these factors it is possible to set triggers that will alarm the system when the machine exceeds them. Some of the components that will be possible to monitor condition for, are ball screws, linear control, encoders, belts, servomotors and servo cards. However the work isn’t not a complete concept in itself, more measurements are needed to be performed over time to create a normal situation and identify error development graphs to set the triggers in the software. As analysis and collection of measurement data became more time consuming than planned, the evaluation of MT-LINKi and AI Servo Monitor has not been performed and a further description of the work has been provided.

Den nya generationens digitalisering har slagit rot i samhället. Algoritmer och datamodeller styr nyhetsflödet i social media, röststyr mobilen genom att tolka rösten och självstyr bilen, helt och hållet i autonoma fordon. Inom industrierna finns det också en pågående process där machine learning kan appliceras för att öka drifttillgänglighet och minska kostnader. Det nuvarande paradigmet för att underhålla icke-säkerhetsklassade maskiner i kärnkraftindustrin är en kombination av Avhjälpande Underhåll och Förebyggande Underhåll. Avhjälpande underhåll innebär att underhålla maskinen när fel inträffar, förebyggande underhåll innebär att underhålla med periodiska intervall. Båda sätten är kostsamma för att de riskerar att under- respektive över-underhålla maskinen och blir därmed resurskrävande. Ett paradigmskifte är på väg, det stavas Prediktivt Underhåll - att kunna förutspå fel innan de inträffar och  planera underhåll därefter. Den här rapporten utforskar möjligheten att använda sig av de neurala nätverken LSTM och GRU för att kunna prognostisera eventuella skador på maskiner. Det här baseras på mätdata och historiska fel på maskinen. / The new generation of digitalization has been ingrained into society. Algorithms and data models are controlling the news feed of social media, controlling the phone by interpreting voices and controlling the car, altogether with automonous vehicles. In the industries there is also an ongoing process where machine learning is applied to increase availability and reduce costs. The current paradigm for maintaining non-critical machines in the nuclear power industry is a combination of corrective maintenance and preventive maintenance. Corrective maintenance means doing repairs on the machine upon faults, preventive maintenance means doing repairs periodically. Both ways are costly because they run the risk of under- and over-maintaining the machine and therefore becoming resource-intensive. A paradigm shift is on it's way, and it's spelled Predictive Maintenance - being able to predict faults before they happen and plan maintenance thence. This report explores the possibilities of using LSTM and GRU to forecast potential damage on machines. This is based on data from measurements and historical issues on the machine.

Rapporten behandlar problemen med drift- och underhåll på vindkraftverk och hur man kan minska behovet av dessa genom övervakning av vindkraftverkens tillstånd. Målet med rapporten är att undersöka om det går att förutse när och hur ett vindkraftverk kommer behöva underhållas, samt beskriva de metoder som används för att förhindra slitage av turbinbladen. Forskningsfrågor som behandlas inkluderar tillståndsövervakning av vindturbiner och vilka metoder som används för att undvika slitage på turbinbladen. Arbetet kommer att utföras som en litteraturstudie eftersom det inte är möjligt med fältstudier av vindkraftverk. Viktiga frågor som besvaras är vilka faktorer som orsakar erosion och hur det leder till minskad effektivitet och produktionskapacitet hos vindkraftsparker. Vidare tas det upp hur underhåll utförs på vindkraftverken idag och hur det kan komma att ske i framtiden, med fokus på tillståndsövervakande system och olika skyddslösningar. Även skillnaden mellan landbaserad och havsbaserad vindkraft tas upp, samt olika stadier av erosionsutbredningen på turbinbladen och hur de påverkar energiproduktionen. Slutligen diskuteras olika lösningar för att minska sannolikheten för erosion, såsom att minska maxhastigheten under otjänligt väder. För havsbaserade vindkraftverk finns det svårigheter vad gäller byggande och underhåll, men fördelar som bättre vindförhållanden och möjlighet att bygga på djupare vatten. Flytande vindkraftverk används för att möjliggöra placering på djupare vatten och längre bort från land. Framtida vindkraftverk kommer ha större turbiner och högre torn, samtidigt som minskningar av energikostnaderna för både land- och havsbaserad vindkraft är trolig. SeaTwirl har en revolutionerande design där bladet roterar genom vertikalplanet, vilket minskar effekterna av erosionsbaserade skador som regndroppar och partiklar kan påföra. Dessa flytande vindkraftverk som är tänkta att placeras på havsytan har en relativt låg kostnad, lägre underhållsbehov och lägre materialåtgång, vilket gör dem konkurrenskraftiga. Framtida utveckling finns i form av exempelvis SR Energy som börjat dela ut "vindbonus" till de som bor nära vindkraftsparker. Ytterligare ett exempel är Modvion som använder trälaminat istället för stålkonstruktioner, vilket möjliggör enklare konstruktion, kräver färre inspektioner och material kan vid avveckling återanvändas vid husbyggen. / The report addresses the issues of operation and maintenance of wind turbines and how their need can be reduced through monitoring the condition of wind turbines. The aim of the report is to investigate whether it is possible to predict when and how a wind turbine will need to be maintained, as well as describe the methods used to prevent wear of the turbine blades. Research questions that are addressed include condition monitoring of wind turbines and the methods used to avoid wear on turbine blades. The work will be carried out as a literature study since it is not possible to do field studies of wind turbines. Important questions that are answered include what factors cause erosion and how it leads to reduced efficiency and production capacity of wind farms. Furthermore, it is discussed how maintenance is currently carried out on wind turbines and how it may be done in the future, with a focus on condition monitoring systems and various protective solutions. Also, the difference between land-based and offshore wind power is discussed, as well as different stages of blade erosion and how they affect energy production. Finally, different solutions to reduce the likelihood of erosion are discussed, such as reducing the maximum speed during inclement weather. For offshore wind turbines, there are difficulties with construction and maintenance, but advantages such as better wind conditions and the ability to build in deeper water. Floating wind turbines are used to enable placement in deeper water and farther from shore. Future wind turbines will have larger turbines and higher towers, while reducing energy costs for both land and offshore wind power is likely. SeaTwirl has a revolutionary design where the blade rotates through the vertical plane, which reduces the effects of erosion-based damage that raindrops and particles can cause. These floating wind turbines that are intended to be placed on the ocean surface have a relatively low cost, lower maintenance needs, and lower material consumption, making them competitive. Future developments include, for example, SR Energy, which has started to distribute "wind bonuses" to those who live near wind farms. Another example is Modvion, which uses wooden laminate instead of steel structures, enabling simpler construction, requiring fewer inspections, and allowing material reuse in building construction.

Arbetet beskriver möjligheten att kunna utföra prediktivt underhåll med hjälp av information frånCOMTRADE störningsfiler. En mjukvarualgoritm som hämtar tidsförlopp för händelser som uppstårvid störningar och kan ge indikationer på ifall reläer eller strömbrytare faller utanför optimalaarbetsförhållanden har utvecklats. På detta sett kan underhållsarbete utföras vid behov vilket kanspara tid och pengar för att inte göras efter schemalagda tider.Tillsammans med uppdragsgivare från Megger och Ellevio utfördes arbetet med syfte att utvecklaen programvara som stöd för prediktivt underhåll. Programvaran kunde ta ut tidshändelser förregistrerade störningar och kunde hantera flertalet scenarion för vilka typer av information somfunnits tillgängligt ur filen. En användare har tillgång till en automatisk algoritm som gör analysav filen och ett manuellt verktyg där vidare analyser kan göras ifall utfallet från algoritmen inte ärgodtyckligt.Trender över tid är något som finns möjlighet att få ut ur algoritmen, men det kräver en större mängddataset än som varit tillgänglig under arbetet. / The work describes the opportunities to perform preventive maintenance with the help of informationfrom COMTRADE disturbance files. A software algorithm was developed which collects disturbancedata and gives indications if equipment are not working within optimal conditions.Using thisinformation preventive maintenance can be performed based on need instead of scheduling to savetime and money.Together with supervisors from involved companies a software was developed to be used as a supportfor preventive maintenance. The software can extract disturbance times and handle multiple scenariosbased on information collected from disturbance files. A user has access to a algoritm that createsautomatical analysis of the COMTRADE file and a manual tool for extensive analysis when the algoritmdoes not give proper results.Trends over time can be analysed with the algortim, this do require a larger amount of data than whatwas available during the work.

Med övergången från Industri 3.0 till Industri 4.0 kommer stora krav på utvecklingen av Prediktiva Underhållsmetoder (PU) för att skona både miljö och ekonomi från påfrestande haverier. I detta projekt utfördes en installation av ett iba datainsamlingssystem, som är ett bra exempel på utvecklingen mot Industri 4.0. Vidare togs en prediktiv modell som skattar återstående livslängd med metoden Motor Current Signature Analysis (MCSA), som baseras på linjeströmsmätning, fram i projektet. Metoden analyserade strömmen från två olika induktionsmotorer för kylvattenpumpar där det var en ny pump och en sliten pump. Induktionsmotorer används inte enbart i kylvattentillämpningar utan integreras frekvent i kommersiellt tillgänglig utrustning, så den prediktiva modellen har ett expanderbart användningsområde. Två tillvägagångssätt testades för att hitta signaturer i linjeströmmen. Först testades spektrum-analys med 10Hz och 1000Hz som samplingsfrekvenser med slutsatsen att högre samplingsfrekvens troligen behövs för ett trovärdigt resultat. Sedan testades Analys av signalegenskaper med ANOVA som gav en klar signatur för toppvärden i ström med slutsatsen att skillnaden i ström mellan ny och sliten pump var tydlig men kunde vara av installationstekniska skäl. En förenklad skattning av Remaining Useful Life (RUL) med tillhörande rekommendation av underhållsinsats togs fram för att visualisera resultatet. Rekommenderat fortsatt arbete med modellen var klassificeringsalgoritmer, anpassad datainsamlingsutrustning och förlängd datainsamlingsperiod. / With the transition from Industry 3.0 to Industry 4.0 follows great demands on the development of predictive maintenance (PU) in order to spare both the economy and the climate from costly breakdowns. An installation of a iba data acquisition system was applied in this project, which is a good example on the advances made through Industry 4.0. The project shows the development of a predictive model, which estimates the remaining life with the method motor current signature analysis (MCSA) that is based on phase current. Data was collected on two different induction motors for cooling water pumps, one new and one worn out pump. Induction motors are not only used in cooling water applications but are frequently applied in commercially available equipment, thus the method has a expandable use. Two methods were tested for finding signatures in the phase current. First, spectrum analysis with 10 and 1000Hz as sampling frequencies with the conclusion that a higher sampling frequency likely is needed for a reliable result. Secondly an analysis of signal properties with ANOVA was preformed. This gave a clear signature for peak values in the current with the conclusion that the difference between new and worn out pump was clear but could be the result of installation related issues. A simplified version of remaining useful life (RUL) with related maintenance procedure was developed to visualize the result. For continued work with this model it is recommended to develop classification algorithms, improve the data acquisition equipment and prolong the data acquisition period.

Just like the rest of society, the use of digital technology has throughout the years become a more crucial part for train companies to improve performance, meet customer demands, improve operation and maintenance processes to increase efficiency and reliability. These solutions have through time developed to become part of a cluster named Digital Asset Management (DAM). A highly relevant segment of DAM is the maintenance and diagnostic segment (M&D) involving solutions such as diagnostic systems, and predictive maintenance. The purpose of this thesis was to investigate what the market of M&D looks like in Sweden given its complex market structure with approximately 40 private train owners. A multi-case study was conducted in which data was collected through eight semi-structured interviews with employees from different key companies in the Swedish railway industry. Based on the interviews, there are several challenges within the digitalization process in the maintenance and diagnostic segment of DAM. These are related to the following: data availability, data analysis and modelling, investments in knowledge and skills, ecosystem perspective and lastly, maintenance optimization. The role of legislation and its impact on the digitalization was studied. The transition to working with a full condition-based strategy is difficult due to the existing challenges. Instead, it is deemed optimal to implement a hybrid strategy consisting both of conventional/time-based maintenance and condition-based maintenance for applicable components given the current state of the industry. / Precis som resten av samhället har användningen av digital teknik under åren blivit en allt viktigare del för tågföretag för att förbättra prestanda, möta kundkrav, förbättra drifts- och underhållsprocesser för att öka effektivitet och tillförlitlighet. Dessa lösningar har med tiden utvecklats och blivit en del av ett kluster som kallas för Digital Asset Management (DAM) eller på svenska, digital tillgångsförvaltning. En central del av DAM är segmentet för underhåll och diagnostik (M&D) som involverar lösningar som diagnostiksystem och prediktivt underhåll. Syftet var att undersöka hur marknaden för M&D ser ut i Sverige med tanke på Sveriges komplexa marknadsstruktur. Data samlades in genom en flerfallstudie från åtta semistrukturerade intervjuer med anställda från olika nyckelföretag inom den svenska järnvägsbranschen. Baserat på intervjuerna att det finns flera utmaningar inom digitaliseringsprocessen inom segmentet för underhåll och diagnostik inom DAM. Utmaningarna är relaterade till följande områden: tillgänglighet av data, dataanalys och modellering, investeringar i kunskap och kompetens, ekosystemperspektiv och slutligen, optimering av underhåll. Lagstiftningens roll visade sig spela en viktig roll. Det konstaterades att övergången till att arbeta med en helt konditionsbaserad strategi är komplext. Med hänsyn till branschens nuvarande tillstånd är det i stället optimalt att implementera en ”hybridstrategi” som består av både konventionellt/tidsbaserat underhåll och konditionsbaserat underhåll för tillämpliga komponenter.

Military systems are often part of critical operations where unplanned downtime should be avoided at all costs. Using modern machine learning algorithms it could be possible to predict when, where, and at what time a fault is likely to occur which enables time for ordering replacement parts and scheduling maintenance. This thesis is a proof of concept study for anomaly detection in monitoring data, i.e., sensor data from a ground based radar system as an initial experiment to showcase predictive maintenance. The data in this thesis was generated by a Giraffe 4A during normal operation, i.e., no anomalous data with known failures was provided. The problem setting is originally an unsupervised machine learning problem since the data is unlabeled. Speculative binary labels are introduced (start-up state and steady state) to approximate a classification accuracy. The system is functioning correctly in both phases but the monitoring data looks differently. By showing that the two phases can be distinguished, it is possible to assume that anomalous data during break down can be detected as well.  Three different machine learning classifiers, i.e., two unsupervised classifiers, K-means clustering and isolation forest and one supervised classifier, logistic regression are evaluated on their ability to detect the start-up phase each time the system is turned on. The classifiers are evaluated graphically and based on their accuracy score. All three classifiers recognize a start up phase for at least four out of seven subsystems. By only analyzing their accuracy score it appears that logistic regression outperforms the other models. The collected results manifests the possibility to distinguish between start-up and steady state both in a supervised and unsupervised setting. To select the most suitable classifier, further experiments on larger data sets are necessary. / Militära system är ofta en del av kritiska operationer där oplanerade driftstopp bör undvikas till varje pris. Med hjälp av moderna maskininlärningsalgoritmer kan det vara möjligt att förutsäga när och var ett fel kommer att inträffa. Detta möjliggör tid för beställning av reservdelar och schemaläggning av underhåll. Denna uppsats är en konceptstudie för detektion av anomalier i övervakningsdata från ett markbaserat radarsystem som ett initialt experiment för att studera prediktivt underhåll. Datat som används i detta arbete kommer från en Saab Giraffe 4A radar under normal operativ drift, dvs. ingen avvikande data med kända brister tillhandahölls. Problemställningen är ursprungligen ett oövervakat maskininlärningsproblem eftersom datat saknar etiketter. Spekulativa binära etiketter introduceras (uppstart och stabil fas) för att uppskatta klassificeringsnoggrannhet. Systemet fungerar korrekt i båda faserna men övervakningsdatat ser annorlunda ut. Genom att visa att de två faserna kan urskiljas, kan man anta att avvikande data också går att detektera när fel uppstår.  Tre olika klassificeringsmetoder dvs. två oövervakade maskininlärningmodeller, K-means klustring och isolation forest samt en övervakad modell, logistisk regression utvärderas utifrån deras förmåga att upptäcka uppstartfasen varje gång systemet slås på. Metoderna utvärderas grafiskt och baserat på deras träffsäkerhet. Alla tre metoderna känner igen en startfas för minst fyra av sju delsystem. Genom att endast analysera deras noggrannhetspoäng, överträffar logistisk regression de andra modellerna. De insamlade resultaten demonstrerar möjligheten att skilja mellan uppstartfas och stabil fas, både i en övervakad och oövervakad miljö. För att välja den bästa metoden är det nödvändigt med ytterligare experiment på större datamängder.

For manufacturing enterprises, the potential of collecting large amounts of data from production processes has enabled the usage of machine learning for prediction-based monitoring and maintenance of machines. Yet common maintenance strategies still include reactive handling of machine failures or schedule-based maintenance conducted by experienced personnel. Both of which are time-consuming and costly for manufacturing enterprises. The incorporation of anomaly detection for production processes alleviates several problems connected to these resource-intensive maintenance strategies. Anomaly detection enables real-time maintenance alarms derived from the occurrence of anomalies and thereby a foundation for proactive maintenance during manufacturing. However, to realize this, one needs to investigate the correlation between machine failure and anomalies in the data. For the machine learning models, it is also of essence to handle the imbalance between failure and normal working condition data. In this work, we investigate the potential of anomaly detection to predict future tool failures of an active CNC-machine based on multivariate time series data collected through the standardized data collection protocol MTConnect. Two semi-supervised anomaly detection methods, DeepAnT and ROCKET OCSVM, were tested. Training and evaluation of the two models were conducted on three production part processes and the difference in anomaly distribution previous to failure and in the normal machine working condition was investigated. The results showed that both models, for all the investigated tool failures belonging to the three production part processes, found an abundance of anomalies preceding failure when compared to the normal working condition of the machines. For certain tool failures, the anomalies were found as far back as seven production cycles before failure, while other anomalies were mainly uncovered close to the failure. Furthermore, it was shown that both models performed optimally with 100 production cycles before tool failures excluded from training, indicating that more anomalies further back connected to failure or possible long-term degradation of machine tools could exist. Lastly, ROCKET OCSVM with RBF kernel showed greater reliability compared to the DeepAnT method in separating the normal working condition data of the CNC machine against the pre-failure data based on anomaly distribution. In conclusion, anomaly detection shows promising results in indicating future machine failure and could serve as a foundation for proactive maintenance strategies of machines. By incorporating proactive strategies, machine downtime, operator maintenance time, and resources and expenses resulting from machine failure could be reduced. / För produktionsföretag har potentialen att samla in stora mängder data från produktionsprocesser möjliggjort användningen av prediktionsbaserad övervakning och underhåll av maskiner genom maskininlärning. Ändå så utgörs fortfarande vanliga underhållsstrategier av reaktiv hantering av maskinfel eller schema baserat underhåll som utförs av erfaren personal. Båda dessa är tidskrävande och kostsamma för tillverkningsföretag. Införandet av anomali detektering för produktionsprocesser lindrar flera problem kopplade till dessa resursintensiva underhållsstrategier. Det möjliggör underhålls-larm i realtid härledda från förekomsten av anomalier, vilket skapar en grund för proaktivt underhåll under tillverkningen. Men för att möjliggöra detta måste man undersöka sambandet mellan maskinfel och anomalier i data utifrån definierade insamlingsmetod. Det är också viktigt att hantera obalansen mellan fel och normal arbetstillstånd data för maskininlärningsmodellerna. I det här arbetet undersöker vi potentialen för delvis övervakad anomali detektering för att förutsäga framtida verktyg fel hos en aktiv CNC-maskin baserat på multivariat tidsseriedata som samlats in genom det standardiserade datainsamling protokollet MT Connect. Två anomali detekterings metoder som endast tränats på normala arbetsförhållanden för maskiner testades, DeepAnT och ROCKET OCSVM. Träning och utvärdering av de två modellerna genomfördes på tre produktionsdelprocesser och skillnaden i anomali fördelning före fel och i det normala maskinens arbetstillstånd undersöktes. Resultaten visade att båda modellerna, för alla undersökta verktygsfel som hör till de tre produktionsdelprocesserna, fann ett överflöd av anomalier före fel i jämförelse med maskinernas normala arbetstillstånd. För vissa verktygsfel hittades anomalierna så långt tillbaka som sju produktionscykler före fel, medan andra anomalier huvudsakligen upptäcktes nära felet. Vidare visades det att båda modellerna presterar optimalt med 100 produktionscykler före verktygsfel uteslutna från träningen, vilket tyder på att fler anomalier tidigare än de åtta produktions cyklarna undersökta innan fel eller eventuell långvarig försämring av verktygsmaskiner kan förekomma. Slutligen visade ROCKET OCSVM med RBF som kärnfunktion större tillförlitlighet i jämförelse med DeepAnT metoden gällande att separera CNC-maskinens normala arbetstillstånd data från pre-failure-data baserat på anomali fördelning. Sammanfattningsvis visar avvikelse detektering lovande resultat för att indikera framtida maskinfel och kan fungera som en grund för proaktivt underhåll av maskiner. Genom att införskaffa proaktiva strategier kan maskinernas stilleståndstid, operatörens underhållstid samt resurser och kostnader till följd av maskinfel minskas.