Data analytics for predictive maintenance in a pulp mill : case electric motors
Nykyri, Mikko (2018)
Diplomityö
Nykyri, Mikko
2018
School of Energy Systems, Sähkötekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2018102638826
https://urn.fi/URN:NBN:fi-fe2018102638826
Tiivistelmä
Industry is going through the fourth industrial revolution, as sensors and devices in industrial
sites are being connected to the Internet. The collected data can be refined with
machine learning and data analytics to create new value for businesses and industries, to
improve productivity and production efficiency. UPM, a Finnish forest industry company,
wants to create an IoT system for the electric motor predictive maintenance needs of the
pulp mills. The mill’s production efficiency increases when unplanned production halts
can be avoided by using predictions created with machine learning methods.
The capabilites of data analytics were studied by generating machine learning models.
The model detects and predicts overloads on a pump motor. Additionally, a model for
pulp production amount prediction was also generated. The models were created using
UPM Kaukas pulp mill process data gathered from automation system. The models were
able to provide predictions with accuracy scores up to 98 per cent. Models were created
both locally and on Microsoft Azure cloud service.
The technology for monitoring and predicting the functioning of a pulp mill exists, and
by connecting the data from all data sources a mill-wide IoT system can be built. The
system can be implemented in a cloud service, for example into Microsoft Azure by using
the set of tools provided by the cloud service. The development of the system requires
wide-scale knowledge about data analytics and process engineering, because the system
requires all of the parts of process equipment to be modeled and all of the data sources
to be connected. The system allows the monitoring of the mill as a whole and predicting
fault situations therefore increasing the production efficiency of the mill. The methods
presented in this thesis form a foundation for creating this mill-wide IoT system. Teollisuudessa on meneillään neljäs teollinen vallankumous, jossa anturit ja laitteet teollisuusympäristöissä yhdistetään Internetiin. Kerätystä datasta voidaan jalostaa koneoppivilla menetelmillä ja data-analytiikalla uutta arvoa yrityksille, millä voidaan parantaa teollisuuslaitosten tuotettavuutta sekä tuotantotehokkuutta. UPM, suomalainen metsä- teollisuusyhtiö, haluaa rakentaa IoT-järjestelmän sellutehtaidensa sähkömoottoreiden ennakoivaan kunnonvalvonnan tarpeisiin. Tehtaan tuotantotehokkuus kasvaa, kun tehtaan suunnittelemattomia alasajoja voidaan estää koneoppivilla menetelmillä tehtyjen ennusteiden avulla.
Data-analytiikan mahdollisuuksia tutkittiin luomalla koneoppivilla menetelmillä malli. Malli tunnistaa ja ennustaa sähkömoottorin ylikuormatilanteita. Lisäksi luotiin malli sellun tuotantomäärän ennustamiseen. Mallit luotiin käyttämällä automaatiojärjestelmästä saatua prosessidataa UPM:n Kaukaan sellutehtaalta. Mallit saavuttivat ennusteissaan jopa 98 prosentin tarkkuuden. Mallintaminen tehtiin sekä lokaalisti että Microsoft Azure -pilvipalvelussa.
Tekniikka sellutehtaan toiminnan seuraamiseen ja ennustamiseen on olemassa, ja yhdistä- mällä datat eri tietolähteistä voidaan rakentaa koko sellutehtaan laajuinen IoT-järjestelmä esimerkiksi Microsoft Azure -pilvipalveluun käyttämällä pilvialustan tarjoamia työkaluja. Sovelluksen kehittäminen vaatii monialaista osaamista data-analytiikasta ja prosessista, sillä järjestelmän toiminta vaatii tehtaan kaikkien prosessilaitteiden mallintamisen ja eri järjestelmien datojen yhdistämisen. Järjestelmän avulla sellutehtaan toimintaa voidaan tarkkailla, ja ennustamalla vikatilanteita, tehtaan toimintaa voidaan tehostaa. Tässä työssä esitellyt menetelmät luovat pohjan koko tehtaanlaajuisen IoT-järjestelmän kehittämiselle.
sites are being connected to the Internet. The collected data can be refined with
machine learning and data analytics to create new value for businesses and industries, to
improve productivity and production efficiency. UPM, a Finnish forest industry company,
wants to create an IoT system for the electric motor predictive maintenance needs of the
pulp mills. The mill’s production efficiency increases when unplanned production halts
can be avoided by using predictions created with machine learning methods.
The capabilites of data analytics were studied by generating machine learning models.
The model detects and predicts overloads on a pump motor. Additionally, a model for
pulp production amount prediction was also generated. The models were created using
UPM Kaukas pulp mill process data gathered from automation system. The models were
able to provide predictions with accuracy scores up to 98 per cent. Models were created
both locally and on Microsoft Azure cloud service.
The technology for monitoring and predicting the functioning of a pulp mill exists, and
by connecting the data from all data sources a mill-wide IoT system can be built. The
system can be implemented in a cloud service, for example into Microsoft Azure by using
the set of tools provided by the cloud service. The development of the system requires
wide-scale knowledge about data analytics and process engineering, because the system
requires all of the parts of process equipment to be modeled and all of the data sources
to be connected. The system allows the monitoring of the mill as a whole and predicting
fault situations therefore increasing the production efficiency of the mill. The methods
presented in this thesis form a foundation for creating this mill-wide IoT system.
Data-analytiikan mahdollisuuksia tutkittiin luomalla koneoppivilla menetelmillä malli. Malli tunnistaa ja ennustaa sähkömoottorin ylikuormatilanteita. Lisäksi luotiin malli sellun tuotantomäärän ennustamiseen. Mallit luotiin käyttämällä automaatiojärjestelmästä saatua prosessidataa UPM:n Kaukaan sellutehtaalta. Mallit saavuttivat ennusteissaan jopa 98 prosentin tarkkuuden. Mallintaminen tehtiin sekä lokaalisti että Microsoft Azure -pilvipalvelussa.
Tekniikka sellutehtaan toiminnan seuraamiseen ja ennustamiseen on olemassa, ja yhdistä- mällä datat eri tietolähteistä voidaan rakentaa koko sellutehtaan laajuinen IoT-järjestelmä esimerkiksi Microsoft Azure -pilvipalveluun käyttämällä pilvialustan tarjoamia työkaluja. Sovelluksen kehittäminen vaatii monialaista osaamista data-analytiikasta ja prosessista, sillä järjestelmän toiminta vaatii tehtaan kaikkien prosessilaitteiden mallintamisen ja eri järjestelmien datojen yhdistämisen. Järjestelmän avulla sellutehtaan toimintaa voidaan tarkkailla, ja ennustamalla vikatilanteita, tehtaan toimintaa voidaan tehostaa. Tässä työssä esitellyt menetelmät luovat pohjan koko tehtaanlaajuisen IoT-järjestelmän kehittämiselle.