Då detta skrivs (Maj 2018) står industrier på tröskeln till att genomgå sitt fjärde paradigmskifte i och med Industri 4.0. I detta paradigmskifte, som har sin grund i digitalisering av såväl befintliga som nya industrianläggningar, kommer en ny typ av underhållsarbete att möjliggöras. Den nya typen av underhållsarbete är en form av prediktivt underhåll och innebär att smarta system kommer att kunna detektera och klassificera systemavvikelser, och genom detta sålunda prediktivt varna för att något håller på att fallera hos såväl hela maskiner som dess komponenter. Vid Högskolan i Gävle bedrevs det från hösten 2017 till våren 2018 ett forskningsprojekt vid namn Flexibla modeller för smart underhåll, i vilket modeller för prediktivt underhåll togs fram. Denna examensuppsats på grundnivå har som målsättning att beskriva hur en demonstrationsutrustning framtas åt Flexibla modeller för smart underhåll för att demonstrera hur den nya typen av prediktivt underhåll kan ske. De metoder som tillgrips och utvärderas för att skapa modeller är från området systemidentifiering. Det system som modelleras består av en pump, en vattenreservoar, två vattentankar och en ventil. Både black-boxidentifiering och grey-boxidentifiering utförs på systemet. Mer specifikt ARX- och OE-modeller testas i Matlab-applikationen System Identification och fysikalisk modellering med parameterskattning via minsta kvadratmetoden utvärderas. För feldetektering och felklassificering granskas två olika typer av maskininlärningsalgoritmer från Matlab-applikationen Classification Learner. Dessa är Support Vector Machine och K-nearest neighbour. Det erhållna resultatet visar att fysikalisk modellering med parameterskattning via minsta kvadrat-metoden ger den bästa modellen, där FIT-måtten hos de två tankarna är 88,75 procent respektive 90,76 procent. Med denna modell som underlag framtas sedan detekterings- och klassificeringsalgoritmer, där den mest framgångsrika algoritmen för detektering av öppnad ventil är Fine Gaussian SVM och för öppnad ventil eller simulerad sprickbildning i botten av den undre tanken är algoritmen Fine KNN den bästa. Slutsatsen av detta examensarbete är att det är möjligt att via metoder från Systemidentifiering och maskininlärning bygga en demonstrationsutrustning som åskådliggör såväl Flexibla modeller för smart underhåll:s arbete som hur den nya typen av prediktivt underhåll kan ske. / When this is written (May 2018) industries are on the threshold to experience their fourth paradigm shift because of Industry 4.0. This paradigm shift, which has its foundation in digitalizing existing as well as new industries, will make a new sort of maintenance work possible. The new type of maintenance work is a sort of predictive maintenance and means that smart systems will be able to detect and classify system abnormalities, and thereby predictively warn that something is about to fail in machines as well as in their components. At University of Gävle there were in a period from autumn of 2017 to the spring of 2018 a research project named Flexible models for predictive maintenance, in which models which could be a part of predictive maintenance were developed. The objective in this bachelor thesis is to show how to construct an equipment for Flexible models for predictive maintenance that can be used to demonstrate how the new type of predictive maintenance can be done. The methods that are used and evaluated to generate models belong to the field of system identification. The system that modelled consists of a pump, one water reservoir, two tanks and a valve. Both black-box identification and grey-box identification are performed on the system. More specifically ARX- and OE-models are tested in the Matlab application System Identification and physical modelling with parameter estimation by the method of least squares is evaluated. To detect and classify system failures, two types of machine learning algorithms from the Matlab application Classification Learner is audited. These algorithms are Support Vector Machine and K-nearest neighbour. The results show that physical modelling with parameter estimation by the method of least squares gives the best model, where the measure of FIT for the two tanks are 88.75 percent respectively 90.76 percent. With the model as basis detection- and classification algorithms are developed, where Fine Gaussian SVM turns out to be the most successful in detecting an open valve and Fine KNN performs the best at detecting an open valve or a simulated crack in the bottom of the lower tank. The conclusion of this thesis is that it is possible to construct an equipment by using methods from system identification and machine learning that visualizes the work in Flexible models for predictive maintenance as well as how the new type of predictive maintenance can be performed.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:hig-27296 |
| Date | January 2018 |
| Creators | Rehnström, Axel |
| Publisher | Högskolan i Gävle, Avdelningen för elektronik, matematik och naturvetenskap |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds