Ennustavan vikadiagnostiikan kehitys ja etäkunnonvalvonnan hyödyntäminen NRMM-liiketoimintasegmentissä
Riuttala, Kimmo (2016)
Riuttala, Kimmo
Tampereen ammattikorkeakoulu
2016
All rights reserved
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2016112918168
https://urn.fi/URN:NBN:fi:amk-2016112918168
Tiivistelmä
Tämän työn tarkoituksena oli tutkia dieselmoottoreita valmistavalle AGCO Power Oy:lle koneoppimiseen perustuvaa ennakoivan vikadiagnostiikan toteutusta. Lisäksi työn piti antaa yrityksen johdolle todisteita etäkunnonvalvonnan hyödyistä, jotta kehitystyötä aiheen parissa jatkettaisiin. Tarkoituksena on tulevaisuudessa yhdistää ennustava vikadiagnostiikka ja etäkunnonvalvonta toisiinsa, minkä vuoksi molempia tutkittiin samanaikaisesti.
AGCO Power Oy valmistaa vuosittain globaalisti yhteensä noin 50,000 dieselmoottoria samaan konserniin kuuluville työkonevalmistajille ja kolmansille osapuolille, jotka toimivat NRMM (Non-Road Mobile Machinery) -liiketoimintasegmentissä. Kentällä olevan suuren moottorivolyymin vuoksi vikadiagnostiikan tulisi täten olla automatisoitua ja työkoneiden etänä seurattavia.
Työssä keskityttiin koneoppimisen teknologian tarkasteluun sekä vikadiagnostiikan kehitykseen algoritmien avulla. Lisäksi mietittiin uuden teknologian mahdollistamia hyötyjä sisäisille ja ulkoisille sidosryhmille.
Tutkimus toteutettiin case-tyyppisenä, jossa tutkittiin yhtä moottorin ongelmatapausta ja siihen liittyvää ennustettavan vikadiagnostiikan toteutusta. Ennustettavuutta testattiin Microsoft Azure Machine Learning koneoppimispalvelussa. Työ sisälsi paljon erilaista määrittely- ja selvitystyötä sekä luovaa ajattelutapaa liiketoiminnan hyötyjä pohdittaessa.
Koneoppimispalvelusta saadut tulokset osoittivat, että älykkäillä algoritmeilla voidaan ennakoida muutoksia datassa. Kehitystyötä tulee kuitenkin edelleen jatkaa, jotta ennustettavuus saadaan optimoitua ja toiminta implementoitua etäkunnonvalvontaan. Uusia teolliseen internetiin perustuvia palvelumuotoja ideoitiin, joita voidaan käyttää liiketoimintamallin kehityksessä.
Työn tuloksena AGCO Powerilla on lisääntynyt tietoisuus etäkunnonvalvonnan hyödyistä. Konkreettisena asiana hankitaan etämonitorointiin tarkoitettuja datatallentimia, joita tullaan käyttämään Stage V päästövaiheen moottoreita validoitaessa. Tietoa kerätään moottoreiden käyttäytymisestä ja sitä voidaan hyödyntää myöhemmässä vaiheessa ennakoivan vikadiagnostiikan kehitykseen. Työ on herättänyt mielenkiintoa myös muissa funktioissa, kuten laadussa ja tuotannossa, joissa aiotaan tutkia koneoppimisen soveltamista päivittäiseen toimintaan.
AGCO Power Oy valmistaa vuosittain globaalisti yhteensä noin 50,000 dieselmoottoria samaan konserniin kuuluville työkonevalmistajille ja kolmansille osapuolille, jotka toimivat NRMM (Non-Road Mobile Machinery) -liiketoimintasegmentissä. Kentällä olevan suuren moottorivolyymin vuoksi vikadiagnostiikan tulisi täten olla automatisoitua ja työkoneiden etänä seurattavia.
Työssä keskityttiin koneoppimisen teknologian tarkasteluun sekä vikadiagnostiikan kehitykseen algoritmien avulla. Lisäksi mietittiin uuden teknologian mahdollistamia hyötyjä sisäisille ja ulkoisille sidosryhmille.
Tutkimus toteutettiin case-tyyppisenä, jossa tutkittiin yhtä moottorin ongelmatapausta ja siihen liittyvää ennustettavan vikadiagnostiikan toteutusta. Ennustettavuutta testattiin Microsoft Azure Machine Learning koneoppimispalvelussa. Työ sisälsi paljon erilaista määrittely- ja selvitystyötä sekä luovaa ajattelutapaa liiketoiminnan hyötyjä pohdittaessa.
Koneoppimispalvelusta saadut tulokset osoittivat, että älykkäillä algoritmeilla voidaan ennakoida muutoksia datassa. Kehitystyötä tulee kuitenkin edelleen jatkaa, jotta ennustettavuus saadaan optimoitua ja toiminta implementoitua etäkunnonvalvontaan. Uusia teolliseen internetiin perustuvia palvelumuotoja ideoitiin, joita voidaan käyttää liiketoimintamallin kehityksessä.
Työn tuloksena AGCO Powerilla on lisääntynyt tietoisuus etäkunnonvalvonnan hyödyistä. Konkreettisena asiana hankitaan etämonitorointiin tarkoitettuja datatallentimia, joita tullaan käyttämään Stage V päästövaiheen moottoreita validoitaessa. Tietoa kerätään moottoreiden käyttäytymisestä ja sitä voidaan hyödyntää myöhemmässä vaiheessa ennakoivan vikadiagnostiikan kehitykseen. Työ on herättänyt mielenkiintoa myös muissa funktioissa, kuten laadussa ja tuotannossa, joissa aiotaan tutkia koneoppimisen soveltamista päivittäiseen toimintaan.