Prediktivt underhåll : prognostisering av slitage på kulskruvar och linjärstyrningar
Sammanfattning: Digitaliseringen inom industrin medför ett antal utmaningar där manuella tillståndskontroller övergår till digitaliserade mätningar. Utmaningarna som uppstår med det nya arbetssättet är vilken data som ska samlas in samt hur den genererade data ska analyseras. Syftet med detta examensarbete är att förslå åtgärder för att effektivisera och implementera Industri 4.0 (Smart Maintenance) genom prediktivt underhåll på Scania. Således uppnås en mer kostnadseffektiv verksamhet samtidigt som det bidrar till att skapa ett hållbarare företag. Detta genom att utnyttja komponenters fulla livslängd och inte utföra onödigt underhåll. Det prediktiva underhållet kommer medföra en högre tillgänglighet och tillförlitlighet inom maskinparken på Scanias cylinderhuvudlinje. För att implementera underhållsstrategin i examensarbetet så används en mjukvara som skapats av styrsystems leverantör FANUC. Mjukvaran är ett mätverktyg som heter Servo Viewer och kan mäta maskinens status genom att avläsa procentsatsen utav den totala mängden vridmoment som bildas samt positionsfel under maskinens körning. Ett arbetssätt för att automatisera analysering av data som hämtas ifrån Servo Viewer är att mätningarna samlas i databasen MT-LINKi för att sedan kunna analyseras av ett program FANUC AI Servo Monitor. Den slutsats som kan dras av arbetet är att det går att använda FANUC Servo Viewer till att avläsa maskinens kondition och därmed prediktera när underhåll behöver utföras eftersom det går att avläsa avvikande faktorer under mätningarna. Vid dessa faktorer går det att sätta triggers som kommer larma i systemet när maskinen överstiger dem. De komponenter som mjukvaran kommer varna systemet för är alla komponenter som har en påverkande faktor på fleroperationsmaskinen. Dessa komponenter kan vara allt från kulskruvar, linjärstyrning, pulsgivare, remmar, servomotorer och servokort. Men arbetet är inte ett färdigt koncept i sig, det behövs fler mätningar över tid för att kunna skapa ett tydligare normalläge samt identifiera felutvecklingskurvor för att ställa in triggers i mjukvaran. Eftersom analys och insamling av mätdata blev mer tidkrävande än planerat så har ej utvärderingen av MT-LINKi samt AI Servo Monitor utförts och en vidare beskrivning av arbetet har lämnats.
HÄR KAN DU HÄMTA UPPSATSEN I FULLTEXT. (följ länken till nästa sida)