Spelling suggestions: "subject:"avunderhåll."" "subject:"elunderhåll.""
261 |
From Traditional to Explainable AI-Driven Predictive Maintenance : Transforming Maintenance Strategies at Glada Hudikhem with AI and Explainable AIRajta, Amarildo January 2024 (has links)
Detta arbete undersöker integreringen av artificiell intelligens (AI) och maskininlärning (ML) teknologier i prediktivt underhåll (PdM) vid Glada Hudikhem. De primära målen är att utvärdera effektiviteten hos olika AI/ML-modeller för att förutsäga fel på hushållsapparater och att förbättra transparensen och tillförlitligheten i dessa förutsägelser genom förklarbar AI (XAI) teknik. Studien jämför olika grundläggande och djupa inlärningsmodeller och avslöjar att medan djupa modeller kräver mer beräkningsresurser och kan ta 98% mer tid att träna jämfört med grundläggande modeller, presterar de ungefär 1, 4% sämre i F-1 poäng. F-1-poäng är ett mått som kombinerar precision (andelen av sanna positiva bland förväntade positiva) och recall/återkallelse (andelen av sanna positiva bland faktiska positiva). Dessutom betonar studien vikten av XAI för att göra AI-drivna underhållsbeslut mer transparenta och pålitliga, vilket därmed adresserar den "svarta lådan" naturen hos traditionella AI-modeller. Resultaten tyder på att integrationen av AI och XAI i PdM kan förbättra underhållsarbetsflöden och minska driftkostnaderna, med rekommendationer för branschpartners att utforska AI/ML-lösningar som balanserar resurseffektivitet och prestanda. Studien diskuterar också de etiska och samhälleliga konsekvenserna av AI-antagande och prediktivt underhåll, med betoning av ansvarsfull implementering. Vidare beskriver potentialen för AI att automatisera rutinunderhållsuppgifter, vilket frigör mänskliga resurser för mer komplexa frågor och förbättrar den övergripande drifteffektiviteten. Genom en omfattande analys, ger det här arbetet ett ramverk för framtida forskning och praktiska tillämpningar inom AI-drivet prediktivt underhåll. / This thesis investigates the integration of artificial intelligence (AI) and machine learning (ML) technologies into predictive maintenance (PdM) operations at Glada Hudikhem. The primary objectives are to evaluate the effectiveness of different AI/ML models for predicting household appliance failures and to enhance the transparency and reliability of these predictions through explainable AI (XAI) techniques. The study compares various shallow and deep learning models, revealing that while deep models require more computational resources and can take 98% more time to train compared to shallow models, they score about 1.4% worse in F-1 scores. F-1 scores are a metric that combines precision (the fraction of true positives among predicted positives) and recall (the fraction of true positives among actual positives). Additionally, the research highlights the importance of XAI in making AI-driven maintenance decisions more transparent and trustworthy, thus addressing the "black box" nature of traditional AI models. The findings suggest that integrating AI and XAI into PdM can improve maintenance workflows and reduce operational costs, with recommendations for industry partners to explore AI/ML solutions that balance resource efficiency and performance. The study also discusses the ethical and societal implications of AI adoption in predictive maintenance, emphasizing the need for responsible implementation. Furthermore, it outlines the potential for AI to automate routine maintenance tasks, thereby freeing up human resources for more complex issues and enhancing overall operational efficiency. Through a rigorous discussion and in-depth analysis, this thesis offers a robust framework for future research and practical applications in the field of AI-driven predictive maintenance.
|
262 |
IoT användning inom kommunal verksamhet : – i Östergötland / IoT use in municipal operation : in ÖstergötlandWinnberg, Lise-Lott, Jackléus, Mimmi January 2018 (has links)
Internet of Things blir allt mer vanligt och inkluderas redan på vissa ställen i till exempel stadsplaner förnybyggnationer men finns även i smarta kontor och infrastruktur. Det finns en uppsjö med privatägdaföretag som specialiserat sig på IoT-lösningar och tillämpningar av detta på olika delar i samhället. Det ärredan på tal att installera IoT sensorer i vattenledningar till exempel så att underhåll kan förutses och därmedminska avvikelser av tillförsel samt minska eventuella förlust.I den här kvalitativa undersökning har vi studerat hur IoT används i kommuner, vad de tror IoT har förframtid i Sveriges kommuner samt hur de ser att IoT kan användas för att skapa nytta i kommunalaverksamheter, men också vad som kan tänkas vara ett hinder som står i vägen för att realisera detta.Efter att ha intervjuat ett antal kommuner över hela Östergötlands län har vi funnit att det i nuläget intefinns så mycket IoT i kommunerna och att det beror på flera orsaker. En av dem är att det råder brist påregelverk som behandlar IoT men även standardisering av IoT och vad införande av IoT lösningar faktisktinnebär i kommun eller stadssammanhang. Vad ska man satsa på? Om detta råder det osäkerhet, däremotom det fanns konkreta exempel med direkt verksamhetsnytta skulle det nog vara skillnad. Detta kanDigitaliseringsmyndigheten som kommer till hösten eventuellt råda bot på, men det verkar som att derasroll inte är så väldefinierad, och det märktes när vi pratade med respondenterna. De hade olikaförhoppningar av vad myndigheten kan bistå med eller vad deras arbete kommer att mynna ut i.Vi har även upptäckt att det inte finns några krav på statens sida på att kommunerna tar fram en strategisom behandlar IoT men även digitaliseringsstrategi. Trots detta har ett par respondenter redan endigitaliseringsstrategi eller jobbade på det.En annan orsak är att de finansiella medel kommunerna har i nuläget inte räcker till för en digital satsning,medlen behövs för att underhålla verksamheten. En kommuns fokus är alltid verksamheten ochmedborgarna. Om begränsade medel tvingar till ett val mellan investering i tekniska möjligheter, även omde kan generera större vinst i längden, och verksamhetsutveckling av annan form eller underhåll, kommeralltid verksamheten först. Som en av respondenterna förklarade, att om valet står mellan att bygga en nyförskola eller att investera i ett nytt teknikprojekt är det ganska självklart vart pengarna slutligen går. / The Internet of Things is becoming more common and more common and is already included in someplaces such as city plans for new buildings, in smart offices and infrastructure. There is a wealth ofprivately-owned companies specializing in IoT solutions and application of this to different parts of society.A great example is installing IoT sensors in water pipes so that maintenance can be foreseen, thus reducingsupply deviations and reducing any losses.In this qualitative bachelor thesis, we have investigated how IoT is used in municipalities, what they thinkIoT has to offer the future of Sweden's municipalities and how they see IoT can be used to create utility inmunicipal activities, but also what may be an obstacle in the process of realizing this.After interviewing a few of the municipalities across Östergötland County we have found that currentlythere are few IoT solutions in the municipalities and that it is due to several reasons. One of them is thelack of regulations that deal with IoT, but also the lack of standardisation of IoT, and what the introductionof IoT solutions would entail in municipalities or towns. What to invest in? There is some uncertainty there.If there were concrete examples of direct municipial operation benefit that would probably be a difference.This might possibly be resolved by the Digitaliseringsmyndigheten which will be established in the autumnhowever it seems that their role is not so well-defined, which we noticed when we spoke to respondents.They had different hopes of what the government can assist with or what their work would result in.We have discovered that there is no requirement for the state to provide municipalities with a strategy thataddresses the IoT or a digitization strategy. Nevertheless, a couple of respondents already have a digitizationstrategy or were working on it.Another reason is that the funds the municipalities currently have is not enough for such a venture, thosefunds are necessary to maintain and keep the municipal operation running. A municipality's focus is alwaysthe business and the citizens. If limited funds force a choice between investment in technical capabilities,although they can generate greater profit in the long run, and operational development of other forms ormaintenance, the operation will always come first. As one of the respondents explained, if the choice isbetween building a new preschool or investing in a new technology project, it is obvious where the moneyends up.
|
263 |
Production 4.0 of Ring Mill 4 Ovako ABHassan, Muhammad January 2020 (has links)
Cyber-Physical System (CPS) or Digital-Twin approach are becoming popular in industry 4.0 revolution. CPS not only allow to view the online status of equipment, but also allow to predict the health of tool. Based on the real time sensor data, it aims to detect anomalies in the industrial operation and prefigure future failure, which lead it towards smart maintenance. CPS can contribute to sustainable environment as well as sustainable production, due to its real-time analysis on production. In this thesis, we analyzed the behavior of a tool of Ringvalsverk 4, at Ovako with its twin model (known as Digital-Twin) over a series of data. Initially, the data contained unwanted signals which is then cleaned in the data processing phase, and only before production signal is used to identify the tool’s model. Matlab’s system identification toolbox is used for identifying the system model, the identified model is also validated and analyzed in term of stability, which is then used in CPS. The Digital-Twin model is then used and its output being analyzed together with tool’s output to detect when its start deviate from normal behavior.
|
264 |
Data analysis for predictive maintenance and potential challenges associated with the technology integration of steel industry machines.Nath, Pradip January 2024 (has links)
The recharge is the focus of data analysis of the different situations with the integration of the system and development of the two-stage 2/2 proportional cartridge valve for the steel industry machine. Using the statistical analysis technique to visualize the valve signal data behavior identify the accuracy of the machine data and apply the statistical feature extracting model using classification and clustering algorithms of real-time data analysis for the manufacturing. The fundamental principles of data analysis with a particular emphasis on its key function in the collection, cleansing, and analysis of substantial amounts of data to develop significant insights. Moreover, we explore the importance of data visualization in effectively presenting intricate research outcomes. We get the data accuracy of 76 percent for train and test set data in the statistical analysis feature indicating the best accuracy in the early stage. Our model gives high accuracy of the recommendation data automation system of the steel industry. Analysis of the valve data in multiple ways for the predictive maintenance of conditional monitoring of the tubes mail production machine. PdM is used for data processing of predictive manufacturing, behavior patterns of machines data, and correlation of statistical model for decision making for the maintenance activity avoiding downtime. The data consists of different channels in the steel industry machine. Some automation process is used for the feature combination of the analysis of valve data in industry between each feature and signals. Using a dataset comprised of sensor data, operation logs, and maintenance records industrial control data of machines and use of this predictive model has the potential to yield significant cost savings for the steel industry through the prevention of unplanned maintenance, while also enhancing operational safety manufacturing of machine in the industry.
|
265 |
Exploring Integration of Predictive Maintenance using Anomaly Detection : Enhancing Productivity in Manufacturing / Utforska integration av prediktivt underhåll med hjälp av avvikelsedetektering : Förbättra produktiviteten inom tillverkningBülund, Malin January 2024 (has links)
In the manufacturing industry, predictive maintenance (PdM) stands out by leveraging data analytics and IoT technologies to predict machine failures, offering a significant advancement over traditional reactive and scheduled maintenance practices. The aim of this thesis was to examine how anomaly detection algorithms could be utilized to anticipate potential breakdowns in manufacturing operations, while also investigating the feasibility and potential benefits of integrating PdM strategies into a production line. The methodology of this projectconsisted of a literature review, application of machine learning (ML) algorithms, and conducting interviews. Firstly, the literature review provided a foundational basis to explore the benefits of PdM and its impact on production line productivity, thereby shaping the development of interview questions. Secondly, ML algorithms were employed to analyze data and predict equipment failures. The algorithms used in this project were: Isolation Forest (IF), Local Outlier Factor (LOF), Logistic Regression (LR), One-Class Support Vector Machine(OC-SVM) and Random Forest (RF). Lastly, interviews with production line personnel provided qualitative insights into the current maintenance practices and perceptions of PdM. The findings from this project underscore the efficacy of the IF model in identifying potential equipment failures, emphasizing its key role in improving future PdM strategies to enhance maintenance schedules and boost operational efficiency. Insights gained from both literature and interviews underscore the transformative potential of PdM in refining maintenance strategies, enhancing operational efficiency, and minimizing unplanned downtime. More broadly, the successful implementation of these technologies is expected to revolutionize manufacturing processes, driving towards more sustainable and efficient industrial operations. / I tillverkningsindustrin utmärker sig prediktivt underhåll (PdM) genom att använda dataanalys och IoT-teknologier för att förutse maskinfel, vilket erbjuder ett betydande framsteg jämfört med traditionella reaktiva och schemalagda underhållsstrategier. Syftet med denna avhandling var att undersöka hur algoritmer för avvikelsedetektering kunde användas för att förutse potentiella haverier i tillverkningsoperationer, samtidigt som genomförbarheten och de potentiella fördelarna med att integrera PdM-strategier i en produktionslinje undersöktes. Metodologin för detta projekt bestod av en litteraturöversikt, tillämpning av maskininlärningsalgoritmer (ML) och genomförande av intervjuer. Först och främst gav litteraturöversikten en grundläggande bas för att utforska fördelarna med PdM och dess inverkan på produktionslinjens produktivitet, vilket därmed påverkade utformningen av intervjufrågorna. För det andra användes ML-algoritmer för att analysera data och förutsäga utrustningsfel. Algoritmerna som användes i detta projekt var: Isolation Forest (IF), Local Outlier Factor (LOF), Logistic Regression (LR), One-Class Support Vector Machine (OCSVM) och Random Forest (RF). Slutligen gav intervjuer med produktionslinjepersonal kvalitativa insikter i de nuvarande underhållsstrategierna och uppfattningarna om PdM.Resultaten från detta projekt understryker effektiviteten hos IF-modellen för att identifiera potentiella utrustningsfel, vilket betonar dess centrala roll i att förbättra framtida PdM-strategier för att förbättra underhållsscheman och öka den operativa effektiviteten. Insikter vunna från både litteratur och intervjuer understryker PdM:s transformativa potential att finslipa underhållsstrategier, öka operativ effektivitet och minimera oplanerade driftstopp. Mer generellt förväntas den framgångsrika implementeringen av dessa teknologier revolutionera tillverkningsprocesser och driva mot mer hållbara och effektiva industriella operationer.
|
266 |
A deep learning based anomaly detection pipeline for battery fleetsKhongbantabam, Nabakumar Singh January 2021 (has links)
This thesis proposes a deep learning anomaly detection pipeline to detect possible anomalies during the operation of a fleet of batteries and presents its development and evaluation. The pipeline employs sensors that connect to each battery in the fleet to remotely collect real-time measurements of their operating characteristics, such as voltage, current, and temperature. The deep learning based time-series anomaly detection model was developed using Variational Autoencoder (VAE) architecture that utilizes either Long Short-Term Memory (LSTM) or, its cousin, Gated Recurrent Unit (GRU) as the encoder and the decoder networks (LSTMVAE and GRUVAE). Both variants were evaluated against three well-known conventional anomaly detection algorithms Isolation Nearest Neighbour (iNNE), Isolation Forest (iForest), and kth Nearest Neighbour (k-NN) algorithms. All five models were trained using two variations in the training dataset (full-year dataset and partial recent dataset), producing a total of 10 different model variants. The models were trained using the unsupervised method and the results were evaluated using a test dataset consisting of a few known anomaly days in the past operation of the customer’s battery fleet. The results demonstrated that k-NN and GRUVAE performed close to each other, outperforming the rest of the models with a notable margin. LSTMVAE and iForest performed moderately, while the iNNE and iForest variant trained with the full dataset, performed the worst in the evaluation. A general observation also reveals that limiting the training dataset to only a recent period produces better results nearly consistently across all models. / Detta examensarbete föreslår en pipeline för djupinlärning av avvikelser för att upptäcka möjliga anomalier under driften av en flotta av batterier och presenterar dess utveckling och utvärdering. Rörledningen använder sensorer som ansluter till varje batteri i flottan för att på distans samla in realtidsmätningar av deras driftsegenskaper, såsom spänning, ström och temperatur. Den djupinlärningsbaserade tidsserieanomalidetekteringsmodellen utvecklades med VAE-arkitektur som använder antingen LSTM eller, dess kusin, GRU som kodare och avkodarnätverk (LSTMVAE och GRU) VAE). Båda varianterna utvärderades mot tre välkända konventionella anomalidetekteringsalgoritmer -iNNE, iForest och k-NN algoritmer. Alla fem modellerna tränades med hjälp av två varianter av träningsdatauppsättningen (helårsdatauppsättning och delvis färsk datauppsättning), vilket producerade totalt 10 olika modellvarianter. Modellerna tränades med den oövervakade metoden och resultaten utvärderades med hjälp av en testdatauppsättning bestående av några kända anomalidagar under tidigare drift av kundens batteriflotta. Resultaten visade att k-NN och GRUVAE presterade nära varandra och överträffade resten av modellerna med en anmärkningsvärd marginal. LSTMVAE och iForest presterade måttligt, medan varianten iNNE och iForest tränade med hela datasetet presterade sämst i utvärderingen. En allmän observation avslöjar också att en begränsning av träningsdatauppsättningen till endast en ny period ger bättre resultat nästan konsekvent över alla modeller.
|
267 |
Riskanalys inom MRO-industrin / Risk Analysis in the MRO industryBrstina, Stefan, Rizkallah, Leon January 2022 (has links)
MRO-industrin är en kritisk del för underhåll inom flygindustrin och arbetsprocesserna ser olika ut från företag till företag. För att kunna utföra ett så säkert och kvalitetsmässigt arbete som möjligt så är det viktigt att riskbedöma samt minimera existerande risker i operationen för att säkerställa kvalitet till kund samt säkerhet för arbetare. Uppdragsgivaren ST Engineering Aerospace Solutions (STEAS) är det ledande företaget i Sverige när det gäller MRO arbete och med den ständiga utvecklingen av utrustning upptäcks det allt fler risker som kräver analyser och minimering. Forskning har tidigare gjorts på hur fixtur design kan förbättras ergonomiskt m h a virtuell miljöteknik. Detta för att kunna minimera design och tillverkningskostnader med hänsyn till itereringsprocessen. Detta i kombination med studier gjorda på muskuloskeletala skador med kopplingar till MRO-industrin belyser behovet av riskanalys i MRO industrin. Arbetet hos STEAS går ut på att utföra riskanalyser ur ett tekniskt, ergonomiskt och ekonomiskt perspektiv på deras rörliga fixturer samt kemiska processer som behandlar diverse komponenter av motornacellet. Detta för att STEAS sedan ska kunna kolla på eventuella kostnader och implementera de rekommenderade åtgärderna. Analysmetoderna som används är en PHL (Preliminary Hazard List), FMEA (Failure Modes and Effects Analysis) och en ACHB analys (Accidental Cost & Hypothetical Benefit) / The MRO industry is a critical part of maintenance in the aviation industry where the work processes differ from company to company. In order to be able to perform as safe and high-quality work as possible, it is important to assess risks and minimize existing risks in the operation to ensure quality for customers and safety for workers. The client ST Engineering Aerospace Solutions (STEAS) is the leading company in Sweden interms of MRO work and with the constant development of equipment, more and more risks are discovered that require analysis and minimization. Research has previously been done on how fixture design can be improved ergonomically using virtual environment technology. This is to be able to minimize design and manufacturing costs with regard to the iteration process. This in combination with studies done on musculoskeletal injuries with connections to the MRO industry highlights the need for risk analysis in the MRO industry. The work at STEAS consists of performing risk analysis from a technical, ergonomic and financial perspective on their moving fixtures and chemical processes so that STEAS can then check for possible costs and implement the recommended measures. The analysis methods used are a PHL (Preliminary Hazard List), FMEA (Failure Modes and Effects Analysis) and an ACHB analysis (Accidental Cost & Hypothetical Benefit)
|
268 |
Robustness of Machine Learning algorithms applied to gas turbines / Robusthet av maskininlärningsalgoritmer i gasturbinerCardenas Meza, Andres Felipe January 2024 (has links)
This thesis demonstrates the successful development of a software sensor for Siemens Energy's SGT-700 gas turbines using machine learning algorithms. Our goal was to enhance the robustness of measurements and redundancies, enabling early detection of sensor or turbine malfunctions and contributing to predictive maintenance methodologies. The research is based on a real-world case study, implementing the Cross Industry Standard Process for Data Mining (CRISP DM) methodology in an industrial setting. The thesis details the process from dataset preparation and data exploration to algorithm development and evaluation, providing a comprehensive view of the development process. This work is a step towards integrating machine learning into gas turbine systems. The data preparation process highlights the challenges that arise in the industrial application of data-driven methodologies due to inevitable data quality issues. It provides insight into potential future improvements, such as the constraint programming approach used for dataset construction in this thesis, which remains a valuable tool for future research. The range of algorithms proposed for the software sensor's development spans from basic to more complex methods, including shallow networks, ensemble methods and recurrent neural networks. Our findings explore the limitations and potential of the proposed algorithms, providing valuable insights into the practical application of machine learning in gas turbines. This includes assessing the reliability of these solutions, their role in monitoring machine health over time, and the importance of clean, usable data in driving accurate and satisfactory estimates of different variables in gas turbines. The research underscores that, while replacing a physical sensor with a software sensor is not yet feasible, integrating these solutions into gas turbine systems for health monitoring is indeed possible. This work lays the groundwork for future advancements and discoveries in the field. / Denna avhandling dokumenterar den framgångsrika utvecklingen av en mjukvarusensor för Siemens Energy's SGT-700 gasturbiner med hjälp av maskininlärningsalgoritmer. Vårt mål var att öka mätkvaliten samt införa redundans, vilket möjliggör tidig upptäckt av sensor- eller turbinfel och bidrar till utvecklingen av prediktiv underhållsmetodik. Forskningen baseras på en verklig fallstudie, implementerad enligt Cross Industry Standard Process for Data Mining-metodiken i en industriell miljö. Avhandligen beskriver processen från datamängdsförberedelse och datautforskning till utveckling och utvärdering av algoritmer, vilket ger en heltäckande bild av utvecklingsprocessen. Detta arbete är ett steg mot att integrera maskininlärning i gasturbinssystem. Dataförberedelsesprocessen belyser de utmaningar som uppstår vid industriell tillämpning av datadrivna metoder på grund av oundvikliga datakvalitetsproblem. Det ger insikt i potentiella framtida förbättringar, såsom den begränsningsprogrammeringsansats som används för datamängdskonstruktion i denna avhandling, vilket förblir ett värdefullt verktyg för framtida forskning. Utvecklingen av mjukvarusensorn sträcker sig från grundläggande till mer komplexa metoder, inklusive ytliga nätverk, ensemblemetoder och återkommande neurala nätverk. Våra resultat utforskar begränsningarna och potentialen hos de föreslagna algoritmerna och ger värdefulla insikter i den praktiska tillämpningen av maskininlärning i gasturbiner. Detta inkluderar att bedöma tillförlitligheten hos dessa lösningar, deras roll i övervakning av maskinhälsa över tid och vikten av ren, användbar data för att generera korrekta och tillfredsställande uppskattningar av olika variabler i gasturbiner. Forskningen understryker att, medan det ännu inte är genomförbart att ersätta en fysisk sensor med en mjukvarusensor, är det verkligen möjligt att integrera dessa lösningar i gasturbinssystem för tillståndsövervakning. Detta arbete lägger grunden för vidare studier och upptäckter inom området. / Esta tesis demuestra el exitoso desarrollo de un sensor basado en software para las turbinas de gas SGT-700 de Siemens Energy utilizando algoritmos de aprendizaje automático. Esto con el objetivo de contribuir a las metodologías de mantenimiento predictivo. La investigación se basa en un estudio industrial que implementa la metodología de Proceso Estándar de la Industria para la Minería de Datos, cuyo acrónimo en inglés CRISP-DM. La tesis detalla el proceso desde la preparación del 'dataset', la exploración de datos hasta el desarrollo y evaluación de algoritmos, proporcionando una visión holistica del proceso de desarrollo. Este trabajo representa un paso hacia la integración del aprendizaje automático en turbinas de gas. Nuestros hallazgos exploran las limitaciones y el potencial de los algoritmos propuestos, proporcionando un analisis sobre la aplicación práctica del aprendizaje automático en turbinas de gas. Esto incluye evaluar la confiabilidad de estas soluciones, su papel en la monitorización de la salud de la máquina a lo largo del tiempo, y la importancia de los datos limpios y utilizables para impulsar estimaciones precisas y satisfactorias de diferentes variables en las turbinas de gas. La investigación sugiere que, aunque reemplazar un sensor físico con un sensor basado en aprendizaje automatico aún no es factible, sí es posible integrar estas soluciones en los sistemas de turbinas de gas para monitorear del estado de la maquina.
|
269 |
Railway curve squeal: Statistical analysis of train speed impact on squeal noiseAsplund, Ruben January 2024 (has links)
No description available.
|
Page generated in 0.0308 seconds