Teollinen internet ja simulointi tuotannon kehityksessä
Hissa, Jukka (2020)
Hissa, Jukka
2020
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202005046908
https://urn.fi/URN:NBN:fi:amk-202005046908
Tiivistelmä
Opinnäytetyössä tutkittiin kahden teknologian, simuloinnin ja teollisen internetin hyödynnettävyyttä kohdeyrityksessä. Molemmista aiheista tehtiin lyhyet pilottitoteutukset, jonka jälkeen näistä valittiin kohdeyritykselle hyödyllisempi aihe syvemmäksi tutkimisen aiheeksi. Syventäväksi aiheeksi valittiin teollinen internet ja kohteeksi valikoitui laatuongelmista kärsivä tuotantolaite, joka modernisoitiin dataohjatun päätöksenteon piiriin.
Opinnäytetyössä tutkittavat teknologiat ovat tämän hetken kuumia puheenaiheita tuotannon kehittämisessä, mutta niiden hyödyntäminen teollisuudessa voisi olla suurempaakin. Työssä haluttiin käytännön toteutuksen avulla tuoda esiin näiden teknologioiden hyödyntämiseen liittyviä ongelmia tekniseltä kantilta; onko niiden kehittäminen vielä liian kallista, millaista osaamista se vaatii, ovatko teknologiat vielä liian raakileita vai puuttuuko toimiva alusta kaikkien osien integroimiseksi toimivaksi kokonaisuudeksi. Lisäksi tuotantokoneelle tehtiin laadunparannusprojekti Lean Six Sigma-periaatteiden pohjalta.
Tutkimusmenetelmänä käytettiin Design science research-metodia, jota hyödyntämällä ensin tutustuttiin molempiin teemoihin tekemällä nopea (ns. fail fast -tyylinen) pilottikokeilu, jonka jälkeen valittiin teollinen internet syvällisemmäksi aiheeksi. Lisäksi toteuttamisessa hyödynnettiin Porterin ja Heppelmannin älykkäiden laitteiden porrasmallia.
Työssä modernisoitiin tuotantolaite teollisen internetin aikakauteen asentamalla siihen konenäkökamera sekä suunnittelemalla ja toteuttamalla sen toiminnallisuuteen liittyvät mekaaniset-, automaatio- ja IT-järjestelmämuutokset. Konenäköjärjestelmältä saadut mittaustulokset tallennettiin tietokantaan ja niille rakennettiin visualisointi- ja lisäinformaation syöttösivu. Lisäksi tuotantolaitteelle tehtiin laadunparannusprojekti dataa hyödyntämällä. Lopuksi tehtiin paikallisen kehitysorganisaation kanssa yhteistyönä toteutettu koneoppimispilotti oikeaa mittausdataa hyödyntämällä, mutta kuitenkaan integroimatta sitä kohdeyrityksen tietojärjestelmiin. Tuotantokoneen laatua saatiin nostettua tavoitteen mukaisesti osille tuotteista ja koneoppimispilotista saatiin varovaisen rohkaisevia tuloksia, mutta ennen kaikkea arvokkaita havaintoja tuleville kehitysprojekteille. This thesis explored usability of two technologies, simulation and industrial internet in the target company. Both topics were briefly piloted, after which a more useful topic was selected for a deeper exploration. The industrial internet was chosen as an in-depth topic and a production device with quality problems was selected as target machine, which was modernized for data-driven decision-making.
The technologies being studied in this thesis are currently hot topics in the production development, but their utilization in industry could be even greater. The aim of the thesis was to bring out, from a technical point of view, the problems related to the utilization of these technologies; is it still too expensive to develop them, what kind of expertise does it require, are the technologies still too unfinished or does markets lack a working platform for integrating all components into a functional whole. In addition, a quality improvement project for the production machine was made based on Lean Six Sigma principles.
The research method used was Design science research, which first explored both themes by conducting a fail-fast pilot experiment, followed by choosing industrial internet as a deeper topic. In addition, the implementation utilized the Porter and Heppelmann’s four-step model for smart products.
The work involved modernizing the production device into the era of the industrial internet by installing a machine vision camera and designing and implementing mechanical, automation, and IT system changes related to its functionality. The measurement results obtained from the machine vision system were stored in a database and a visualization and additional information input page was built. In addition, a quality improvement project was made for the production equipment by utilizing data. Finally, a machine learning pilot was carried out in collaboration with the local development organization, utilizing the real measurement data, but without integrating it into the target company's information systems. The quality of the production machine was improved for certain products in line with the objectives and the machine learning pilot provided cautiously encouraging results, but above all it provided valuable insights into future development projects.
Opinnäytetyössä tutkittavat teknologiat ovat tämän hetken kuumia puheenaiheita tuotannon kehittämisessä, mutta niiden hyödyntäminen teollisuudessa voisi olla suurempaakin. Työssä haluttiin käytännön toteutuksen avulla tuoda esiin näiden teknologioiden hyödyntämiseen liittyviä ongelmia tekniseltä kantilta; onko niiden kehittäminen vielä liian kallista, millaista osaamista se vaatii, ovatko teknologiat vielä liian raakileita vai puuttuuko toimiva alusta kaikkien osien integroimiseksi toimivaksi kokonaisuudeksi. Lisäksi tuotantokoneelle tehtiin laadunparannusprojekti Lean Six Sigma-periaatteiden pohjalta.
Tutkimusmenetelmänä käytettiin Design science research-metodia, jota hyödyntämällä ensin tutustuttiin molempiin teemoihin tekemällä nopea (ns. fail fast -tyylinen) pilottikokeilu, jonka jälkeen valittiin teollinen internet syvällisemmäksi aiheeksi. Lisäksi toteuttamisessa hyödynnettiin Porterin ja Heppelmannin älykkäiden laitteiden porrasmallia.
Työssä modernisoitiin tuotantolaite teollisen internetin aikakauteen asentamalla siihen konenäkökamera sekä suunnittelemalla ja toteuttamalla sen toiminnallisuuteen liittyvät mekaaniset-, automaatio- ja IT-järjestelmämuutokset. Konenäköjärjestelmältä saadut mittaustulokset tallennettiin tietokantaan ja niille rakennettiin visualisointi- ja lisäinformaation syöttösivu. Lisäksi tuotantolaitteelle tehtiin laadunparannusprojekti dataa hyödyntämällä. Lopuksi tehtiin paikallisen kehitysorganisaation kanssa yhteistyönä toteutettu koneoppimispilotti oikeaa mittausdataa hyödyntämällä, mutta kuitenkaan integroimatta sitä kohdeyrityksen tietojärjestelmiin. Tuotantokoneen laatua saatiin nostettua tavoitteen mukaisesti osille tuotteista ja koneoppimispilotista saatiin varovaisen rohkaisevia tuloksia, mutta ennen kaikkea arvokkaita havaintoja tuleville kehitysprojekteille.
The technologies being studied in this thesis are currently hot topics in the production development, but their utilization in industry could be even greater. The aim of the thesis was to bring out, from a technical point of view, the problems related to the utilization of these technologies; is it still too expensive to develop them, what kind of expertise does it require, are the technologies still too unfinished or does markets lack a working platform for integrating all components into a functional whole. In addition, a quality improvement project for the production machine was made based on Lean Six Sigma principles.
The research method used was Design science research, which first explored both themes by conducting a fail-fast pilot experiment, followed by choosing industrial internet as a deeper topic. In addition, the implementation utilized the Porter and Heppelmann’s four-step model for smart products.
The work involved modernizing the production device into the era of the industrial internet by installing a machine vision camera and designing and implementing mechanical, automation, and IT system changes related to its functionality. The measurement results obtained from the machine vision system were stored in a database and a visualization and additional information input page was built. In addition, a quality improvement project was made for the production equipment by utilizing data. Finally, a machine learning pilot was carried out in collaboration with the local development organization, utilizing the real measurement data, but without integrating it into the target company's information systems. The quality of the production machine was improved for certain products in line with the objectives and the machine learning pilot provided cautiously encouraging results, but above all it provided valuable insights into future development projects.