Antureiden hyödyntäminen valettujen kulutusosien huoltoketjun suunnittelussa

Abstract

Opinnäytetyössä tarkasteltiin anturiteknologian ja data-analytiikan hyödyntämistä valettujen kulutusosien huoltoketjun suunnittelussa ennakoivan kunnossapidon näkökulmasta. Tavoitteena oli selvittää, miten antureilla kerättyä dataa voidaan käyttää huoltojen ajoittamisen tukena ja miten data-analytiikka auttaa tunnistamaan kulumisen varhaisia merkkejä. Työ lähti teollisuuden tarpeesta vähentää yllättäviä seisokkeja ja parantaa kunnossapidon tehokkuutta.

Työ toteutettiin tutkimuksellisena opinnäytetyönä, jossa yhdistettiin kirjallisuuskatsaus, konseptuaalinen mallinnus ja simuloitu data. Esimerkkitapauksena käytettiin murskaimen leukaa, johon sijoitettujen kiihtyvyys- ja lämpötila-antureiden dataa simuloitiin kulumisen ja huoltovaikutusten mallintamiseksi. Aineisto analysoitiin CRISP-DM-prosessin mukaisesti datan käsittelystä mallinnukseen ja tulosten tulkintaan.

Tulokset osoittivat, että kiihtyvyys- ja lämpötila-antureilla voidaan tunnistaa kulumisen etenemistä ja ajoittaa huollot oikea-aikaisesti. Anturidatan hyödyntäminen tukee tuotannon jatkuvuutta ja resurssien tehokasta käyttöä. Jatkossa tarvitaan todellista mittausdataa mallien validointiin sekä dataperusteisen kunnossapidon liiketoimintamallien kehittämistä.

This Master's thesis examined how sensor technologies and data analytics can support the planning of maintenance chains for cast wear parts. The objective was to explore how sensor data could be used for predictive maintenance and how data-driven methods can improve maintenance scheduling and reduce downtime in industrial environments.

The study combined a literature review, conceptual modelling, and simulated data analysis. A crusher jaw was used as a case example, where simulated acceleration and temperature data represented wear progression and maintenance effects. The data were analysed according to the CRISP-DM methodology, following the stages of data preparation, modelling, and interpretation.

The results showed that acceleration and temperature sensors can effectively reveal wear patterns and indicate when maintenance should be performed. Sensor data help to maintain production continuity and optimise resource use. Future work should focus on validating models with real sensor data and developing business models for data-driven maintenance.