Ennustavan vikadiagnostiikan kehitys ja etäkunnonvalvonnan hyödyntäminen NRMM-liiketoimintasegmentissä

Abstract

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.

Purpose of the thesis was to study feasibility of predictive fault diagnostics for AGCO Power Inc. by using machine learning technology. Thesis was also supposed to give evidence to company’s top management about benefits of remote condition monitoring, so that development work would continue later on. Purpose in the future is to combine both predictive fault diagnostics and remote condition monitoring thus they were studied together.

AGCO Power Inc. produces totally about 50,000 diesel engines annually for AGCO Corporation and third party customers who operate in the NRMM (Non-Road Mobile Machinery) business segment. Since engine volumes are so high, it would be favorable to have an automatic fault diagnostics system.

Work focused on reviewing machine learning technology and developing smart algorithms for fault monitoring. Furthermore benefits of new technology were studied for internal and external stakeholders.

Research work was carried out as a case type where feasibility of fault predictability was examined for one engine problem example. Predictability was tested by using Microsoft Azure Machine Learning tool. Work included lots of different kind of defining work and creative thinking when considering new business model ideas.

Machine learning tool results showed that changes in data can be anticipated by using smart algorithms. Despite of promising results, further research work is required to optimize algorithms’ operation before they can be implemented in remote condition monitoring. New ideas for service business were studied and they can be used when developing business models.

Knowledge of remote condition monitoring benefits has been increased at AGCO Power as a result of this study. Concrete action will be to acquire data loggers that will remotely collect information of Stage V prototype engines. Data will be used for validating new components and developing predictive fault diagnosis. Machine learning has aroused interest also in other functions such as quality and production. Its usage for daily work will be studied.