Sensor data collection in industrial machines on remote database for data driven sustainability

Abstract

Tämän projektin tavoitteena oli tutkia viitekehystä teollisuuskoneiden anturitiedon keräämiselle ja niiden integroinnille etätietokantaan datalähtöisen kestävyyden tukemiseksi. Tutkimus keskittyy reaaliaikaiseen valvontaan ja keskitettyyn tiedontallennukseen koneiden suorituskyvyn ja ympäristövaikutusten analysoimiseksi.

Metodologia perustuu aiempaan harjoittelukokemukseen automaatiosuunnittelijana yrityksessä, joka suunnittelee ja valmistaa teollisuuskoneita biomassan käsittelyyn, vaikka tutkimusta ei tilannutkaan yritys/tietty yritys. Projektin päätavoitteena oli suunnitella tiedonsiirtoyhteys koneen ja tietokannan välille. Tiedot saatiin avoimen lähdekoodin dokumentaatiosta. Näitä tietoja käytettiin tämän tutkimuksen lähtökohtana, mutta kattavuus oli korkeampi. Yleisesti ottaen tutkimus antaa yleiskuvan mahdollisista nykyaikaisista anturitiedon keruu- ja tallennusmenetelmistä.

Käytettiin edistyneitä analytiikka- ja koneoppimismalleja toimivien näkemysten saamiseksi, mikä mahdollisti resurssien optimoinnin, energiatehokkuuden ja jätteen vähentämisen. Lisäksi tiedot hankittiin teollisuuden verkkosivuilta. Lisäksi internetistä saatuja tietoja hyödynnettiin kokonaisaineiston syventämiseksi ja parantamiseksi.

Ehdotettu järjestelmä helpottaa ennakoivaa huoltoa, parantaa käyttöluotettavuutta ja pidentää koneiden käyttöikää. Hyödyntämällä datalähtöisiä menetelmiä viitekehys edistää kestäviä teollisia käytäntöjä ja on linjassa globaalien ympäristö- ja taloustavoitteiden kanssa. Integroimalla virtuaalisia antureita ja datalähtöisiä kestävyysstrategioita teollisuudenalat voivat saavuttaa merkittäviä parannuksia prosessien tehokkuudessa, ympäristövaikutusten vähentämisessä ja yleisessä kestävyydessä. Tutkimuksessa todetaan, että nämä teknologiat ovat linjassa globaalien kestävyystavoitteiden kanssa, ja kehotetaan jatkamaan tutkimusta edistyneiden algoritmien kehittämiseksi, antureiden tarkkuuden parantamiseksi ja uusien sovellusten löytämiseksi eri teollisuudenaloilla. Anturitiedonkeruuratkaisujen jatkuva kehitys on viime kädessä ratkaisevan tärkeää kestävien teollisten käytäntöjen edistämiseksi ja ympäristötietoisen tulevaisuuden edistämiseksi.

The goal of this project was to study a framework for sensor data collection from industrial machines and their integration with a remote database to support data-driven sustainability. The study focuses on real-time monitoring and centralized data storage to analyse machine performance and environmental impact.

The methodology is based on previous internship work experience as an automation planner in a company that designs and manufactures industrial machines for biomass processing although the study was not commissioned by the company / by a specific company. The main objective of the project was to plan a data transfer link between a machine and a database. Data was obtained from open-source documentation. This data was used as a starting point for this study, but the coverage was a level higher. In general, the study gives an overview of possible modern sensor data collection and storage methods.

Advanced analytics and machine learning models were employed to derive actionable insights, enabling resource optimization, energy efficiency, and waste reduction. Additionally, the data was sourced from industrial websites. Furthermore, information from the internet was utilized to deepen and enhance the overall dataset.

The proposed system facilitates predictive maintenance, enhancing operational reliability and extending machine lifespan. By leveraging data-driven methodologies, the framework contributes to sustainable industrial practices, aligning with global environmental and economic goals. By integrating virtual sensors and data-driven sustainability strategies, industries can achieve significant improvements in process efficiency, environmental impact reduction, and overall sustainability. The study concludes that these technologies align with global sustainability goals and calls for future research to develop advanced algorithms, enhance sensor accuracy, and discover new applications in various industrial sectors. Ultimately, the continuous evolution of sensor data collection solutions is crucial for fostering sustainable industrial practices and promoting an environmentally conscious future.

Keywords: sensor data collection, industrial machines, remote database, data-driven sustainability, industrial internet of things (IIoT), predictive maintenance, biomass processing, sustainability metrics, energy efficiency, resource optimization, cloud computing, data analytics, machine monitoring, big data, environmental Impact, digital transformation, operational efficiency, real-time monitoring, sustainable Manufacturing and renewable energy.