Modern Heavy Duty Vehicles consist of a multitude of components and operate in various conditions. As there is value in goods transported, there is an incentive to avoid unplanned breakdowns. For this, condition based maintenance can be applied.\newline This thesis presents a study comparing the applicability of the data-driven Consensus SelfOrganizing Models (COSMO) method and the model-driven patent series introduced by Fogelstrom, applied on the air processing system for leakage detection on Scania Heavy Duty Vehicles. The comparison of the two methods is done using the Area Under Curve value given by the Receiver Operating Characteristics curves for features in order to reach a verdict.\newline For this purpose, three criteria were investigated. First, the effects of the hyper-parameters were explored to conclude a necessary vehicle fleet size and time period required for COSMO to function. The second experiment regarded whether environmental factors impact the predictability of the method, and finally the effect on the predictability for the case of nonidentical vehicles was determined.\newline The results indicate that the number of representations ought to be at least 60, rather with a larger set of vehicles in the fleet than with a larger window size, and that the vehicles should be close to identical on a component level and be in use in comparable ambient conditions.\newline In cases where the vehicle fleet is heterogeneous, a physical model of each system is preferable as this produces more stable results compared to the COSMO method. / Moderna tunga fordon består av ett stort antal komponenter och används i många olika miljöer. Då värdet för tunga fordon ofta består i hur mycket gods som transporteras uppstår ett incitament till att förebygga oplanerade stopp. Detta görs med fördel med hjälp av tillståndsbaserat underhåll. Denna avhandling undersöker användbarheten av den data-drivna metoden Consensus SelfOrganizing Models (COSMO) kontra en modellbaserad patentserie för att upptäcka läckage på luftsystem i tunga fordon. Metoderna ställs mot varandra med hjälp av Area Under Curve-värdet som kommer från Receiver Operating Characteristics-kurvor från beskrivande signaler. Detta gjordes genom att utvärdera tre kriterier. Dels hur hyperparametrar influerar COSMOmetoden för att avgöra en rimlig storlek på fordonsflottan, dels huruvida omgivningsförhållanden påverkar resultatet och slutligen till vilken grad metoden påverkas av att fordonsflottan inte är identisk. Slutsatsen är att COSMO-metoden med fördel kan användas sålänge antalet representationer överstiger 60 och att fordonen inom flottan är likvärdiga och har använts inom liknande omgivningsförhållanden. Om fordonsflottan är heterogen så föredras en fysisk modell av systemet då detta ger ett mer stabilt resultat jämfört med COSMO-metoden.

Switches, which are critical components of the Swedish railway, have a neglected maintenance cost that is three times as high as their current annual maintenance cost. Between 2017 and 2018, switches’ reported faults increased by 38 % and about one-third of them caused delays on the regular railway traffic. The purpose of this master thesis is to present recommendations of how condition-based maintenance could reduce the occurrence of faults in railway switches that affects the regular railway traffic. Condition-based maintenance is a cost-effective strategy designed to monitor and plan maintenance according to the condition of a device and is suitable for remote-controlled monitoring. To fulfill the purpose the thesis was divided into three milestones that were accomplished by applying the problem-solving method DMAIC (Define, Measure, Analyse, Improve and Control). The first milestone included the Define and Measure steps and aimed to investigate which fault caused the largest number of delay minutes per fault. Different categories of causes that affects the railway traffic were analysed. Among them, Material-weakening/Aging and Broken component resulted in many faults and delay minutes. The faults were sorted into groups at component level. Faults caused by Gearbox were identified as those causing the largest delays in the railway traffic. The result from the first milestone with the Define and Measure steps were then used for the second milestone. The second milestone included the Analyse step where it was investigated if the identified faults in Gearbox could be foreseen. This investigation was first conducted through the analysis of alarms recorded in one of Trafikverket’s databases. A graphical analysis of the data showed that no relationship could be identified between the faults in Gearbox and the recorded alarms of the database. Then, it was investigated if faults in Gearbox could be foreseen using statistical process control charts based on switching time. Statistical process control monitors a process using real time data. However, in this thesis we used historical data from 2018 to perform our analysis. The available data had deficiencies in quality due to truncation of the switching time. The truncation meant that the decimals were removed. The control charts issued out-of-control situations where the existing database did not record any alarm. Moreover, data on the switching time of several switches showed significant autocorrelation that affects the calculation of the control limits. However, the results appeared complex to interpret most likely because of the truncation and the autocorrelation of the data. A further graphical analysis of the switching time and the mean of the switching time indicated that 69 % of the switches had a probable relationship between faults in Gearbox and switching time. The third milestone included the Improve and Control steps and provided recommendations of how to reduce the occurrence of faults in switches. The analysis conducted in the previous milestones led to the following recommendations: Increase measurement accuracy when measuring switching time, Establish control charts for the switching time based on statistical process control and explain potential causes of the observed autocorrelation, and Improve reporting procedures of faults in the database. / Spårväxlar, som är en kritisk komponent på den svenska järnvägen, har ett eftersatt underhållsbehov som motsvarar en kostnad som är tre gånger större än den årliga underhållskostnaden. Från 2017 till 2018 ökade rapporteringen av funktionsfel i spårväxlar med 38 % och ungefär en tredjedel av funktionsfelen var tågstörande fel som orsakar merförseningar i tågtrafiken. Syftet med examensarbetet är att presentera rekommendationer för hur uppkomsten av tågstörande fel i spårväxlar kan reduceras genom tillståndsbaserat underhåll. Tillståndsbaserat underhåll är en kostnadseffektiv strategi som ämnar att övervaka och planera underhållsåtgärder efter tillståndet i enheten och är lämplig vid fjärrstyrd övervakning. För att uppfylla examensarbetets syfte delades projektet upp i tre delmål som besvarades genom tillämpning av problemlösningsmetoden DMAIC (Define, Measure, Analyse, Improve och Control). Det första delmålet innefattade stegen Define och Measure och ämnade undersöka vilket funktionsfel som orsakat flest antal merförseningsminuter per fel. Orsakskategorier till tågstörande fel analyserades där Materialutmattning/Åldrande samt Komponent trasig hade ett stort antal tågstörande fel och merförseningsminuter. Orsakskategorierna bröts ner till komponentnivå varav funktionsfel i Växellåda identifierades att orsaka flest antal merförseningsminuter per fel. Resultatet från Delmål 1 samt de två stegen Define och Measure användes därefter till Delmål 2. Det andra delmålet innefattade steget Analyse och ämnade att undersöka om det identifierade funktionsfelet i Växellåda kunde förutspås. Detta undersöktes genom larm från en av Trafikverkets befintliga databaser. Utifrån en grafisk analys av larmen kunde inget samband identifieras mellan funktionsfelet i Växellåda och larm från databasen. Därför undersöktes istället om funktionsfel i Växellåda kunde förutspås genom styrdiagram baserat på omläggningstid. Statistisk processtyrning är lämpligt vid övervakning av processer i realtid, men i detta examensarbetes analys användes historisk data från 2018. Den tillgängliga data hade brister i kvalitet till följd av trunkering av omläggningstiden. Trunkeringen innebar att decimalerna har avlägsnats. I styrdiagrammen påvisades larm där den befintliga databasen inte innehöll larm. Dessutom påvisade data på omläggningstiden från flera spårväxlar signifikant autokorrelation vilket påverkar beräkning av styrgränserna. Resultatet var således svårt att tolka på grund av trunkering och autokorrelerade data. Grafisk analys av omläggningstider och medelvärdet av omläggningstiderna indikerade att 69 % av spårväxlarna hade ett troligt samband mellan funktionsfel i Växellåda och omläggningstiden. Det tredje delmålet innefattade stegen Improve och Control och ämnade att upprätta rekommendationer för hur uppkomsten av funktionsfel i spårväxlar kan reduceras. Analysen i föregående delmål resulterade i följande rekommendationer:       • Öka mätnoggrannheten vid mätning av omläggningstid,       • Upprätta styrdiagram för omläggningstiden utifrån statistisk processtyrning och identifiera orsaken till autokorrelerade data, och       • Förbättra inrapportering av funktionsfel.

Industriellt underhåll har upplevt en utveckling från det ursprungliga akuta avhjälpande underhållet till dagens möjligheter till underhåll baserat på data, så kallat tillståndsbaserat underhåll (CBM). För CBM genomförs endast underhåll vid behov och detta bestäms av aktuell data från den studerade utrustningen. Onödigt underhåll minimeras och antalet plötsliga haverier minskar. Utvecklingen mot Internet of Things (IoT) ger upphov till en stor mängd data som potentiellt kan användas vid CBM-underhåll. En utmaning uppstår dock i att identifiera sådan data och hur denna data kan användas. Denna studie har syftat till att undersöka hur sådan data kan identifieras och hur den kan tänkas användas vid CBM-underhåll. Studien har utförts tillsammans med Quant i Karlskrona där Quant genomför alla underhållsrelaterade aktiviteter åt ABB High Voltage Cables, ett industriföretag som tillverkar högspänningskablar. Arbetet har utgått från tre frågeställningar som har syftat till att: Identifiera datavariabler som kan tänkas ha relevans för CBM-underhåll. Tolka de identifierade datavariablerna för att bedöma hur de kan användas i CBM. Bedöma lämpligheten av en potentiell CBM-implementation baserat på identifierad data jämfört med existerande underhållsmetod. Arbetet har avgränsats genom att fokusera på ett enskilt företag och en enskild fabrik. Utöver detta har en avgränsning gjorts där fokus lagts på några få enskilda maskiner och komponenter. Sekretess har även behövt beaktas vid hantering av känslig information. Studien har huvudsakligen utförts kvalitativt, genom att på djupet fokusera på ett fåtal maskiner och komponenter. Arbetet har genomförts i nära samarbete med några av Quants anställda. Processdata har samlats in direkt från maskinerna och analyserats genom att identifiera och studera avvikelser i data. Intervjuer av olika slag, kompletterade med dokument, har varit en viktig metod för att inhämta information från anställda på Quant, både kring hur data kan tolkas men även kring hur olika processer fungerar. Analytic hierarchy process (AHP) genomfördes i fokusgrupp med anställda för att bedöma lämplig underhållsstrategi. Ett potentiellt tillvägagångssätt har identifierats som tillåter användning av processdata för CBM hos en särskild komponenttyp på företaget. Metoden behöver implementeras och testas men potential finns att minska underhållskostnaderna. Intressanta avvikelser i processdata har identifierats hos en annan komponent som bör studeras vidare för att förstå om processdata och avvikelserna kan användas i en CBM-kontext eller inte. Förbättringsområden hos företaget har identifierats i tillämpningen av vibrationsmätning, vilket är en metod med god potential att användas för CBM-underhåll och därmed minska underhållskostnaderna. Oljeanalys tillämpas redan men en intressant fundering är hur företagets oljefiltrering påverkar möjligheterna att implementera ett prediktivt underhåll i framtiden. Detta är ett område som framtida studier behöver titta på och bedöma hur det ska tacklas. AHP har även bekräftats vara en användbar metod för att bedöma lämpligaste underhållspolicyn. / Industrial maintenance has experienced an evolution from the initial corrective maintenance to the possibility of using data based maintenance techniques, so called condition-based maintenance (CBM). Maintenance is only performed when needed under CBM and this is decided based on the data retrieved from the studied equipment. Unnecessary maintenance is minimized and the number of sudden breakdowns decreases. The trend towards Internet of Things (IoT) gives rise to a large amount of data that can potentially be used in CBM maintenance. 'A challenge arises in identifying and using such data. This study has aimed to investigate how such data can be identified and how it might be used in CBM maintenance. This study has been carried out together with Quant in Karlskrona, Sweden, where Quant performs all maintenance related activities for ABB High Voltage Cables, an industrial manufacturing company. The study has been based on three questions that have aimed to: Identify data variables that might be relevant for CBM maintenance. Interpret the identified data variables to assess how they can be used in CBM. Assess the suitability of a potential CBM implementation based on the identified data compared to the existing maintenance method. The study has been delimited by focusing on a single company and a single factory. In addition, a delimitation has been made to focus on a few individual machines and components. A nondisclosure agreement also had to be considered when dealing with sensitive information. This study has mainly been conducted qualitatively, by focusing in-depth on a few machines and components. The work has been done in close collaboration with Quant’s employees. Process data has been collected from the machines and analyzed by identifying and studying data anomalies. Interviews, complemented with documents, has been an important method in obtaining information from Quant employees, both regarding how data can be interpreted but also on how the various processes work. Analytic hierarchy process (AHP) was conducted in a focus group with employees to determine the most appropriate maintenance strategy. One potential approach has been identified that allows the use of process data for CBM on a particular type of component at the company. The method needs to be implemented and tested but the potential exists to reduce maintenance costs. Interesting anomalies in the process data have been identified in another component which should be studied further to understand if the process data and the anomalies can be used in a CBM context or not. Areas for improvement at the company have been identified in the application of vibration measurements, which is a method with good potential to be used in CBM maintenance, thereby reducing maintenance costs. Oil analysis is already used but an interesting question is how the company’s oil filtration affects its ability to implement a predictive maintenance scheme in the future. This is an area that future studies need to look at and assess how it should be tackled. AHP has also been confirmed to be a useful method to determine the most appropriate maintenance policy.

The phenomenon of digitization is transforming industries worldwide by introducing new valueproducing opportunities. In the railway industry, market liberalization has resulted in increased competition. To remain profitable in this new market environment, rail operators need to transform and acquire new digital capabilities and tools. By digitizing information-intensive processes with an information system, railway companies can reduce loss of operation time and reduce total maintenance costs. At the same time, the limited research exploring information systems in maintenance management has made it challenging for companies wanting to digitize. Significant attention has been devoted to the separate topics, however research overlapping the two areas of study has been inadequate. The thesis aims to contribute with knowledge to bridge this gap in literature by investigating the opportunities a maintenance organization potentially can capture with an information system and the success factors needed to succeed. By conducting the thesis in collaboration with the Swedish railway maintenance company MTR Tech AB the potential uses of an information system have been identified and assessed. Findings indicate that there are three main business opportunities to obtain from an information system: support of the troubleshooting process, better planning of reactive maintenance and enabling the performance of condition-based maintenance. At the same time, the profitability of an information system was found to be directly linked to its degree of utilization. Our findings have therefore allowed us to conclude that the business opportunity to pursue is the one that is most likely to be carried out fully and successfully in the prevailing circumstances. Lastly, the findings conclude that the success factors needed to capture the desired business opportunities are a dedicated project group, clear communication and information sharing, as well as adequate personnel. / Digitalisering har påverkat och transformerat företag över hela världen genom att erbjuda nya värdeproducerande möjligheter. För att bibehålla konkurrenskraft i en föränderlig omvärld måste järnvägsoperatörer transformera sina företag och förvärva nya digitala lösningar och verktyg kopplade till järnvägsteknologier. Genom att digitalisera informationsintensiva processer med hjälp av informationssystem, blir det möjligt för järnvägsföretag att minska förlust av drifttid samt minska den totala underhållskostnaden. Samtidigt har den begränsade forskningen gällande användning av informationssystem i underhållsorganisationer försvårat digitaliseringsförsöken. Litteratur och tidigare studier har behandlat de två ämnena separat, dock har överlappande forskning varit otillräcklig. Denna studie syftar till att bidra med kunskap för att överbrygga gapet i litteraturen genom att undersöka de vinningar en underhållsorganisation kan erhålla med hjälp av ett informationssystem och de framgångsfaktorer som krävs för att uppnå dem. Genom att utföra denna studie i samarbete med det svenska underhållsbolaget MTR Tech AB har de potentiella användningsområdena av ett informationssystem identifierats. De tre huvudsakliga affärsmöjligheterna som kan erhållas från ett informationssystem är: stödjande av felsökningsprocessen, bättre planering av avhjälpande underhåll, samt möjliggörandet av tillståndsbaserat underhåll. Samtidigt har det visat sig att lönsamheten av ett informationssystem är direkt kopplat till dess utnyttjandegrad. Vi har således dragit slutsatsen att den affärsmöjlighet som bör eftersträvas är den som med största sannolikhet kommer att genomföras framgångsrikt under rådande omständigheter. Slutligen visar våra resultat att de framgångsfaktorer som krävs för att uppnå affärsmöjligheterna är en dedikerad projektgrupp, tydlig kommunikation och informationsdelning, samt lämplig personal.

Condition monitoring (CM) is widely used in industry, and there is a growing interest in applying CM on rail vehicle systems. Condition based maintenance has the possibility to increase system safety and availability while at the sametime reduce the total maintenance costs.This thesis investigates the feasibility of using condition monitoring of suspension element components, in this case dampers, in rail vehicles. There are different methods utilized to detect degradations, ranging from mathematicalmodelling of the system to pure "knowledge-based" methods, using only large amount of data to detect patterns on a larger scale. In this thesis the latter approach is explored, where acceleration signals are evaluated on severalplaces on the axleboxes, bogieframes and the carbody of a rail vehicle simulation model. These signals are picked close to the dampers that are monitored in this study, and frequency response functions (FRF) are computed between axleboxes and bogieframes as well as between bogieframes and carbody. The idea is that the FRF will change as the condition of the dampers change, and thus act as indicators of faults. The FRF are then fed to different classificationalgorithms, that are trained and tested to distinguish between the different damper faults.This thesis further investigates which classification algorithm shows promising results for the problem, and which algorithm performs best in terms of classification accuracy as well as two other measures. Another aspect explored is thepossibility to apply dimensionality reduction to the extracted indicators (features). This thesis is also looking into how the three performance measures used are affected by typical varying operational conditions for a rail vehicle,such as varying excitation and carbody mass. The Linear Support Vector Machine classifier using the whole feature space, and the Linear Discriminant Analysis classifier combined with Principal Component Analysis dimensionality reduction on the feature space both show promising results for the taskof correctly classifying upcoming damper degradations. / Tillståndsövervakning används brett inom industrin och det finns ett ökat intresse för att applicera tillståndsövervakning inom spårfordons olika system. Tillståndsbaserat underhåll kan potentiellt öka ett systems säkerhet och tillgänglighetsamtidigt som det kan minska de totala underhållskostnaderna.Detta examensarbete undersöker möjligheten att applicera tillståndsövervakning av komponenter i fjädringssystem, i detta fall dämpare, hos spårfordon. Det finns olika metoder för att upptäcka försämringar i komponenternas skick, från matematisk modellering av systemet till mer ”kunskaps-baserade” metodersom endast använder stora mängder data för att upptäcka mönster i en större skala. I detta arbete utforskas den sistnämnda metoden, där accelerationssignaler inhämtas från axelboxar, boggieramar samt vagnskorg från en simuleringsmodellav ett spårfordon. Dessa signaler är extraherade nära de dämpare som övervakas, och används för att beräkna frekvenssvarsfunktioner mellan axelboxar och boggieramar, samt mellan boggieramar och vagnskorg. Tanken är att frekvenssvarsfunktionerna förändras när dämparnas skick förändras ochpå så sätt fungera som indikatorer av dämparnas skick. Frekvenssvarsfunktionerna används sedan för att träna och testa olika klassificeringsalgoritmer för att kunna urskilja olika dämparfel.Detta arbete undersöker vidare vilka klassificeringsalgoritmer som visar lovande resultat för detta problem, och vilka av dessa som presterar bäst med avseende på noggrannheten i prediktionerna, samt två andra mått på algoritmernasprestanda. En annan aspekt som undersöks är möjligheten att applicera dimensionalitetsminskning på de extraherade indikatorerna. Detta arbete undersöker också hur de tre prestandamåtten som används påverkas av typiska förändringar i driftsförhållanden för ett spårfordon såsom varierande exciteringfrån spåret och vagnkorgsmassa. Resultaten visar lovande prestanda för klassificeringsalgoritmen ”Linear Support Vector Machine” som använder hela rymden med felindikatorer, samt algoritmen ”Linear Discriminant Analysis” i kombination med ”Principal Component Analysis” dimensionalitetsreducering.

A growing use of sensors on the electric grid has opened the door to new methods of asset management: Distribution System Operators are now looking into conditionbased maintenance, as opposed to the traditional corrective or time-based methods. As an emerging field, the methodology must be constructed from the ground, with the little data available. The focus is put on cross-linked polyethylene medium voltage overhead lines (XLPE MVOHL)asthe asset to manage, and the aim of this work is to study under which conditions the use of sensors to improve maintenance scheduling on those lines is economically profitable. Solving this problem starts with a necessary review of key ageing mechanisms of XLPE MV overhead lines, followed by the identification of sensors which can monitor the quantities behind these mechanisms. Statistical models for the lifetime of electrical assets and economic models for the analysis of investments are also described. From this preliminary study, a condition-based maintenance methodology was devised using the concept of Health Index to gather data from multiple types of sensors into one unique indicator. Using existing literature, this health index is used to dynamically estimate the failure rate of the line. This failure rate is the key to condition-based maintenance scheduling: maintenance operations are triggered when the failure rate reaches a threshold. Selecting one ageing mechanism- electrical stress-, and one type of sensorpartial discharge inductive sensors-, a Python simulation was built (and is shared at the end of this thesis) allowing to compare the cost of predictive maintenance to the cost of corrective maintenance over several decades, with the key parameters clearly identified and analysed. Beyond the methodology in itself, the main result of the work is that the use of sensors is economically profitable in most of the studied conditions. This project also reveals the strong influence of some parameters on this profitability: condition monitoring is particularly justified for short-lived assets, with a narrow distribution of failures. The failure rate threshold must be set carefully as it has a major impact on the analysis: setting it too high leads to an unprofitable scenario. / Den ökande användningen av sensorer i elnätet har öppnat dörren för nya metoder för förvaltning av tillgångar: Distributionsnätsoperatörer tittar nu på tillståndsbaserat underhåll, i motsats till de traditionella korrigerande eller tidsbaserade metoderna. Eftersom det rör sig om ett nytt område måste metoden byggas upp från grunden, med de få data som finns tillgängliga. Fokus ligger på luftledningar av tvärbanden polyeten med medelhög spänning (XLPE MV OHL) som den tillgång som ska förvaltas, och syftet med detta arbete är att undersöka under vilka förhållanden det är ekonomiskt lönsamt att använda sensorer för att förbättra underhållsplaneringen på dessa ledningar. För att lösa detta problem börjar man med en nödvändig genomgång av de viktigaste åldringsmekanismerna för XLPE MV luftledningar, följt av identifiering av sensorer som kan övervaka de kvantiteter som ligger bakom dessa mekanismer. Statistiska modeller för livslängden för elektriska tillgångar och ekonomiska modeller för analys av investeringar beskrivs också. Utifrån denna preliminära studie utarbetades en metod för tillståndsbaserat underhåll med hjälp av begreppet hälsoindex för att samla data från flera olika typer av sensorer till en unik indikator. Med hjälp av befintlig litteratur används detta hälsoindex för att dynamiskt uppskatta felfrekvensen för ledningen. Denna felfrekvens är nyckeln till en tillståndsbaserad underhållsplanering: underhålls åtgärder utlöses när felfrekvensen når ett tröskelvärde. Genom att välja en åldringsmekanism- elektrisk belastning- och en typ av sensor- induktiva sensorer med partiell urladdning- byggdes en Python-simulering (som delas i slutet av denna avhandling) som gör det möjligt att jämföra kostnaden för förebyggande underhåll med kostnaden för korrigerande underhåll under flera decennier, med de viktigaste parametrarna tydligt identifierade och analyserade. Utöver själva metoden är det viktigaste resultatet av arbetet att användningen av sensorer är ekonomiskt lönsam under de flesta av de studerade förhållandena. Projektet visar också att vissa parametrar har ett starkt inflytande på denna lönsamhet: tillståndskontroll är särskilt motiverat för tillgångar med kort livslängd och en snäv fördelning av fel. Tröskelvärdet för felfrekvensen måste sättas med omsorg eftersom det har stor inverkan på analysen: om det sätts för högt leder det till ett olönsamt scenario.

I dagsläget finns det ingen standardiserad metod för att mäta en enhets tillstånd medhjälp av dofter. Vid tillståndsövervakning av rullningslager är vibrationsmätning denmest dominanta metoden. I samband med vibrationsmätning används i vissa falltemperaturövervakning för att få en bättre insikt på rullningslagrets tillstånd. I det härarbetet undersöks de om en elektronisk näsa kan avgöra ett rullningslagers tillstånd.Innan några mätningar påbörjas monterades en elektronisk näsa ihop i ett hölje sombestår av ett kretskort, metalloxid-sensorer och en fläkt för att styra dofter med ettkonstant flöde mot sensorerna. Den elektroniska näsan styrs av en Arduino Nanomikrokontroller. Utöver e-näsan sättes en enhet ihop tillhörande två temperaturgivareoch en luftfuktighetsgivare som styrs av en Arduino UNO. Enhetens syfte är att kunnakontrollera de rådande förhållandena vid mätningar och för att leta någon form avkorrelation mot e-näsan vid eventuella utslag. Förstörande prover av kullager utfördesför att se om e-näsan reagerar innan ett lagerhaveri. Testerna gjordes i en öppen samtsluten miljö och tre stycken olika oljor används för att smörja lagret. Detta för att seom e-näsan reagerar olika beroende på vilken olja som används. En undersökningutförs ifall den elektroniska näsan kan separera på de tre oljorna som används ilagertesterna. För att utvärdera mätresultaten används Excel och Minitab, därprincipalkomponentanalyser genomförs på all mätdata. Efter att alla lagerprover harverkställts utfördes en uppföljning av rullningslagrena för att studera deras tillstånd,detta genom ett optiskt mikroskop.Det framgår i rapporten att med hjälp av analysmetoden PCA syns det att denelektroniska näsan kunde skilja på hydraulolja, motorolja och växellådsolja. Utslag iPCA för de olika mätserierna blev inte identiska men det blev tydligaklusterindelningar hos samtliga mätserier. Genomförd studie visade att med delagerhaveri samt temperaturer går det inte att avgöra ett kullagers tillstånd med hjälpav en elektronisk näsa. Eftersom att de specifika gas-sensorerna som användes till enäsaninte gav någon form av utslag vid mätningarna. Den elektroniska näsanreagerade däremot vid totalhaveri av kullager, vilket är för sent i ett förebyggandeunderhållsperspektiv. Detta medförde att den elektroniska näsan inte kan användas förtillståndsövervakning av det specifika kullagret som användes vid denna studie. / At present, there is no standardized method of measuring a device's condition with thehelp of odors. In condition monitoring of rolling bearings, vibration measurement isthe most dominant method. In case of vibration measurement, temperature monitoringis used in some cases to get a better insight into the condition of the bearing. In thiswork, it is investigated whether an electronic nose can determine the condition of arolling bearing.Before any measurements began, an electronic nose is assembled in a housingconsisting of a circuit board, metal oxide sensors and a fan for stearing odors with aconstant flow towards the sensors. The electronic nose is controlled by an ArduinoNano which is a microcontroller. In addition to the e-nose, a unit is connected to twotemperature sensors and a humidity sensor controlled by an Arduino UNO. The unit'spurpose is to monitor the status and to look for any kind of correlation with the e-nosein case of any possible findings. Destructive specimens of ball bearings are performedto see if the e-nose responds prior to a bearing failure. Tests are conducted in an openand closed environment and three different oils are used to lubricate the bearings.This to see if the e-nose acts differently depending on the oil that is used. Aninvestigation is conducted if the electronic nose can separate the three different typesof oils that is used in the destructive bearing tests. To evaluate the measurementresults, Excel and Minitab are used, where principal component analysis is performedon all measurement data. After all bearing tests have been performed, a follow-up ofthe rolling bearings condition is performed, this through an optical microscope.The report shows that using the PCA analysis method, it appears that the electronicnose could distinguish between hydraulic oil, engine oil and gear oil. In the PCA forthe different measurement series the results did not become identical, but clusterdivisions became clear in all measurement series. Completed study showed that withthese bearing failures and temperatures, it is not possible to determine the condition ofthis ball bearer using an electronic nose. Because the specific gas sensors used for thee-nose did not give any kind of impact during the measurements. On the other hand,the electronic nose responded to a total failure of a ball bearing, which is too late in apreventative maintenance perspective. Therefore, the electronic nose cannot be usedfor condition monitoring of the specific ball bearing used in this study.

Underhåll är en aktivitet som varje produktion vill undvika så mycket som möjligt på grund av kostnaderna och tiden som anknyts till den. Trots detta så är en väl fungerande underhållsverksamhet väsentlig för att främja produktionens funktionssäkerhet och tillgänglighet att tillverka. En effektiv underhållsorganisation går däremot inte ut på att genomföra mer underhåll än vad som egentligen är nödvändigt utan att genomföra underhåll i rätt tid. På traditionellt sätt så genomförs detta genom att ersätta slitage delar och serva utrustningen med fastställda mellanrum för att förebygga att haveri, vilket kallas för förebyggande underhåll. De tidsintervaller som angivits för service bestäms av leverantörerna och grundar sig i en generell uppskattning av slitagedelarnas livslängd utifrån tester och analys. Till skillnad från att köra utrustningen till den går sönder som kallas för Avhjälpande underhåll så kan underhåll genomföras vid lämpliga tider så att det inte påverkar produktion och tillgänglighet. Men de tidsintervall som leverantörerna rekommenderar till företagen garanterar inte att slitage delen håller sig till det intervallet, delarna kan exempelvis rasa tidigare än angivet eller till och med hålla längre. Av denna anledning är det naturliga steget i underhållets utveckling att kunna övervaka utrustningens hälsa i hopp om att kunna förutspå när och varför ett haveri ska uppstå. Den här typen av underhåll kallas för tillståndsbaserat och prediktivt underhåll och medför ultimat tillgänglighet av utrustning och den mest kostnadseffektiva underhållsorganisationen, då god framförhållning och översikt uppnås för att enbart genomföra underhåll när det behövs. Det som gör tillståndsbaserat och prediktivt underhåll möjligt är den fjärde industriella revolutionen “Industri 4.0” och teknologierna som associeras med den som går ut på absolut digitalisering av produktionen och smarta fabriker. Teknologier som IoT, Big Dataanalys och Artificiell Intelligens används för att koppla upp utrustning till nätet med hjälp av givare för att samla in och lagra data som ska användas i analyser för att prognosera dess livslängd. Uppdragsgivaren AstraZeneca i Södertälje tillverkar olika typer av läkemedel som många är livsviktiga för de patienter som tar dessa mediciner. Om AstraZenecas produktion står still på grund av fel i utrustningen kommer det inte enbart medföra stora ekonomiska konsekvenser utan även påverka de människor som med livet förlitar sig på den medicin som levereras. För att försäkra produktionens tillgänglighet har AstraZeneca gjort försök att tillämpa tillståndsbaserat och prediktivt underhåll men det är fortfarande enbart i startgroparna. Eftersom ventilation är kritisk del av AstraZeneca produktion då ett fel i ventilationssystemet resulterar i totalt produktionsstopp i byggnaden förens problemet åtgärdas och anläggningen sanerats blev det även rapportens fokusområde. Arbetets uppgift går därför ut på att undersöka möjligheter för AstraZeneca att utveckla deras prediktiva och tillståndsbaserat underhåll på deras ventilationssystem, för att sedan kunna identifiera och presentera förslag på åtgärder. Dessa förslag analyserades sedan med hjälp av verktygen QFD-Matris och Pugh-Matris för att kunna uppskatta vilket förslag som är mest kostnadseffektivt, funktions effektivt samt vilket förslag som kommer tillföra mest nytta för underhållet på AstraZeneca. / Maintenance is an activity that every production wants to avoid as much as possible due to the costs and the time associated with it. Despite this, a well-functioning maintenance operation is essential to promote the production's availability to manufacture and operational reliability. Running an efficient maintenance operation is not about carrying out more maintenance than is necessary but carrying out the right amount of maintenance at the right time. Traditionally speaking this is done by replacing worn parts and servicing the equipment at set intervals to prevent breakdowns, this method is called preventive maintenance. The intervals specified for service are determined by the suppliers and are based on general estimates of the service life for the spare parts from test and analytics. Preventive maintenance allows for maintenance to be carried out at appropriate time to not affect production and availability unlike running the equipment until breakdown, which is called reactive maintenance. However, these intervals that the suppliers recommend do not guarantee that the parts adhere to the given interval, the part can for example break down earlier than expected or even outlast its prescribed lifetime. Because of this, the natural step in the development of maintenance is giving companies the ability to monitor the health of the equipment in hope of being able to predict potential breakdowns. This is what Condition-Based and predictive maintenance is and it provides the ultimate availability of equipment and the most cost-effective maintenance organization, because the good foresight and overview allows maintenance to be carried out only when needed. The fourth industrial revolution “Industry 4.0”, absolute digitalization of production, smart factories and all the technologies associated with this is what makes this type of maintenance possible. Technologies such as IoT, Big Data Analytics and Artificial Intelligence are used to connect equipment to the network using sensors so that data can be stored and collected to be analyzed to forecast the lifespan of parts and equipment. AstraZeneca in Södertälje manufactures different types of medicine, many of which are vital for the patients who take them. If their production comes to a standstill due to equipment failure, it will not only have major financial consequences but also greatly affect the people who rely on the medicine offered with their lives. To ensure the availability of production, AstraZeneca has made attempts to apply condition-based and predictive maintenance, but it is still only in its infancy. Since ventilation is a critical part of AstraZeneca's production, as a failure here will result in a total production stoppage for the building affected and will not resume before the problem is remedied and the plant is decontaminated, it also became the report's focus area. The task at hand is therefore to investigate the opportunities AstraZeneca must develop their predictive and condition-based maintenance for their ventilation systems, in order to be able to present proposals for measures. The proposals will then be analyzed using tools like the QFD-Matrix and the Pugh-Matrix in order to estimate which is more cost effective, function effective and which one will bring the most benefit to AstraZeneca.