Systemidentifiering och felklassificering av tvåtankssystem : En demonstration av smart underhåll

Sammanfattning: Då detta skrivs (Maj 2018) står industrier på tröskeln till att genomgå sitt fjärde paradigmskifte i och med Industri 4.0. I detta paradigmskifte, som har sin grund i digitalisering av såväl befintliga som nya industrianläggningar, kommer en ny typ av underhållsarbete att möjliggöras. Den nya typen av underhållsarbete är en form av prediktivt underhåll och innebär att smarta system kommer att kunna detektera och klassificera systemavvikelser, och genom detta sålunda prediktivt varna för att något håller på att fallera hos såväl hela maskiner som dess komponenter. Vid Högskolan i Gävle bedrevs det från hösten 2017 till våren 2018 ett forskningsprojekt vid namn Flexibla modeller för smart underhåll, i vilket modeller för prediktivt underhåll togs fram. Denna examensuppsats på grundnivå har som målsättning att beskriva hur en demonstrationsutrustning framtas åt Flexibla modeller för smart underhåll för att demonstrera hur den nya typen av prediktivt underhåll kan ske. De metoder som tillgrips och utvärderas för att skapa modeller är från området systemidentifiering. Det system som modelleras består av en pump, en vattenreservoar, två vattentankar och en ventil. Både black-boxidentifiering och grey-boxidentifiering utförs på systemet. Mer specifikt ARX- och OE-modeller testas i Matlab-applikationen System Identification och fysikalisk modellering med parameterskattning via minsta kvadratmetoden utvärderas.  För feldetektering och felklassificering granskas två olika typer av maskininlärningsalgoritmer från Matlab-applikationen Classification Learner. Dessa är Support Vector Machine och K-nearest neighbour. Det erhållna resultatet visar att fysikalisk modellering med parameterskattning via minsta kvadrat-metoden ger den bästa modellen, där FIT-måtten hos de två tankarna är 88,75 procent respektive 90,76 procent. Med denna modell som underlag framtas sedan detekterings- och klassificeringsalgoritmer, där den mest framgångsrika algoritmen för detektering av öppnad ventil är Fine Gaussian SVM och för öppnad ventil eller simulerad sprickbildning i botten av den undre tanken är algoritmen Fine KNN den bästa. Slutsatsen av detta examensarbete är att det är möjligt att via metoder från Systemidentifiering och maskininlärning bygga en demonstrationsutrustning som åskådliggör såväl Flexibla modeller för smart underhåll:s arbete som hur den nya typen av prediktivt underhåll kan ske.