Billerudkorsnäs is a good example of an industry that associated with a 24/7 production and where faults lead to downtime in the production process which in its turn generates substantial losses. Sustainability is essential for a prosperous future for Billerudkorsnäs, and with the growth of technologies and digitalization with big data that are in line with the coming Industry 4.0 standard, the company will have the possibility to ensure a sustainable production system. However, to be able to achieve this, it is necessary to implement an intelligent maintenance system into the traditional manufacturing process. This study will, therefore focus on how online monitoring can be applied to estimate error prediction on Nash vacuum pumps by using Bluetooth low energy sensors. At Billerudkorsnäs, 6 Nash vacuum pumps have from time-to-time had a problem of bearing faults resulting in unreliable production. Even though time-based maintenance has been implemented, it has proven to be an insufficient method to uphold an efficient production and to in-time detect faults in the production process. As a response to this, first, the study has deployed a digitalized online monitoring application for fault prediction. By utilizes of Bluetooth low energy (BLE) Beacon, communication gateway (BLuFi) and a web-based platform Bluzone with cloud server services that work parallel with machine learning technology. The faults discovered by implemented application are observed via Bluzone. In addition, automatic generated e-mail sent to a vacuum pump inspector when such faults have occurred. Second, as an effect of this implementation, a classical theoretical framework based on an AutoRegressive (AR) and AR with exogenous input (ARX) for prediction modelling has been studied. The method applies historical data from the vacuum pump, and the problem with input and output data from two different applications is discussed. The results of the study gave at hand- in comparison with the technology used to-day – that the implemented new system has a more efficient in providing reliable information as to prevent unnecessary downtime in the Nash vacuum pumps. This implies a lower production cost. Although interesting results in practice it is difficult to use theoretically. In correspondence, AR prediction model results verify the model fit compared to the measured response. Also, the ARX model was tested. / BillerudKorsnäs är ett bra exempel på ett företag i en bransch som kan associeras med en 24/7-produktion och där fel i produktionsutrustningen leder till nedtid i produktionen vilken i sin tur genererar stora förluster. Hållbarhet är därmed en förutsättning för en framtidsäkrad verksamhet i Billerudkorsnäs. Med den teknikutveckling och digitalisering som blir följden av den kommande Industry 4.0-standarden, kommer företag generellt att kunna ha ett mer hållbart produktionssystem. För att kunna uppnå detta är det dock nödvändigt att implementera ett intelligent underhållssystem inom den traditionella tillverkningsprocessen. Denna studie ämnar därmed att fokusera på hur löpande online-monitorering kan tillämpas för att ge bra underlag för felsökning på Nash-vakuumpumpar med hjälp av digitaliserad Bluetooth låg energi - sensorer. Hos Billerudkorsnäs har 6 Nash-vakuumpumpar haft problem genom åren som givit upphov till otillförlitlig produktion. Trots att underhåll baserat på tidsaspekter kontinuerligt har genomförts, så har det visat sig vara en otillräcklig metod för att upprätthålla en effektiv produktion och att upptäcka fel över tid i produktionsprocessen. Som svar på detta, först har denna rapports ambition varit att studera vad en implementering av en digitaliserad (online) övervakningsapplikation för felprognoser kan påverka tillförlitligheten i produktionen. Metoden som använts har varit att implementera BLE Beacon, kommunikationsgateway (BLuFi) in i webbplattformen Bluzone som är servermiljön och ha det som en molntjänst. BLE Beacon arbetar med maskininlärningsteknik. De fel som upptäckts genom användandet av denna metod dokumenteras via Bluzone. Vidare har automatgenererade epostmeddelanden skickats till en vakuumpumpinspektör när fel uppträtt. Som en effekt av metodens implementation har en teoretisk modell baserad på AutoRegressive (AR) och AR med exogenous input (ARX) för prediktionsmetoder etablerats. Resultaten av studien visade, i jämförelse med dagens teknik, att den nya metoden har en högre effektivitet när det gäller att tillhandahålla de ansvariga med tillförlitlig information för att förhindra onödiga driftstopp i Nashvakuumpumparna. Detta har i sin tur medfört en lägre produktionskostnad. Det är intressanta resultat i praktiken men, det är svårt att använda teoretiskt. I korrespondens, verifierar AR-prediktionsmodell resultaten ”model fit” i jämförelse med det uppmättadata. Dessutom testades ARX-modellen.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:hig-28826 |
| Date | January 2018 |
| Creators | Daniel Muzito, Kim |
| Publisher | Högskolan i Gävle, Avdelningen för elektronik, matematik och naturvetenskap |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0016 seconds