Optimerad pressgjuteriprocess med stöd av avancerad digitalisering

(1)

Rapport nr 2019-001

Optimerad pressgjuteriprocess med

stöd av avancerad digitalisering

Andreas Thore, Swerea SWECAST

Conny Gustavsson, Swerea SWECAST

Mats Tallfors, RISE SICS

(2)

(3)

digitalisering

Författare Rapport nr

Utgåva

Datum

Andreas Thore, Conny Gustavsson, Mats Tallfors 2019-001 2019-06-27

Sammanfattning

Projektets syfte var att öka tillgängligheten i äldre pressgjutmaskiner och pressgjutceller med minst 10 % genom att identifiera och analysera data som redan idag loggas digitalt, och genom att identifiera vilket slags data som eventuellt ytterligare behöver loggas och hur detta i sådana fall skall ske. En analysmetod som gavs särskilt fokus baserades på maskininlärning, och syftade till att utveckla en modell för tillståndsbaserat, det vill säga prediktivt, underhåll.

Projektet kunde slå fast att de deltagande gjuterierna loggar driftstoppdata som endast genom visualisering sannolikt skulle kunna hjälpa dem att fatta beslut som markant kan höja tillgängligheten. För att kunna utveckla mjukvara för tillståndsbaserat underhåll krävs däremot loggning av fler maskinrelaterade processparametrar än vad de i projektet eftermonterade sensorerna klarade av att logga, och dessutom behöver denna loggning ske under mycket längre tid, eftersom driftstoppen visade sig ske med så långa tidsmässiga mellanrum att mängden träningsdata inte hann bli stor nog. Tre olika maskininlärningsbaserade modeller utvecklades och testades, inklusive ett djupt faltningsnätverk, där den bästa av dem uppnådde ett resultat där 11,3 % av alla predikterade maskinstopp var falska positiva, vilket visserligen är bättre än slumpen men inte tillräckligt bra för praktisk implementering.

Projektet har resulterat i kunskap och praktisk erfarenhet kring sensorer samt insamling och bearbetning av mätdata som kommer att ligga till grund för vidare arbete mot digitalisering av svenska pressgjuterier, ett arbete som är absolut nödvändigt för att kunna stå sig i den internationella konkurrensen.

Summary

The purpose of the project was to increase the availability of older die-casting machines and die-casting cells by at least 10% by identifying and analyzing data that is already being digitally logged, and by identifying what kind of data may need to be further logged and how this should be done in such cases. An analysis method that was given particular focus was based on machine learning, and aimed at developing a model for state-based, ie predictive, maintenance.

The project was able to establish that the participating foundries log downtime data that could only help them make decisions that can significantly increase accessibility through visualization. In order to be able to develop software for state-based maintenance, however, logging of more machine-related process parameters is required than what the retrofitted sensors in the project managed to log, and furthermore, this logging needs to take place for much longer, since the downtime appeared to occur with such long time intervals that the amount Exercise data cannot be big enough. Three different machine-learning models were developed and tested, including a deep convolution network, where the best of them achieved a result where 11.3% of all predicted machine stops were false positives, although better than random but not good enough for practical implementation.

(4)

Swerea SWECAST AB 2019-001

The project has resulted in knowledge and practical experience of sensors as well as the collection and processing of measurement data that will form the basis for further work on the digitization of Swedish die casting foundries, a work that is absolutely necessary for them to stay competitive with respect to international foundries.

(5)

(6)

Innehållsförteckning

1 TILLKOMST ... 1 2 INLEDNING ... 2 3 SYFTE OCH MÅL... 2

4 RESULTAT OCH DISKUSSION ... 2

4.1 BEHOVSINVENTERING OCH DATAINSAMLING ... 2

4.2 ROTORSAKSANALYS ... 4

4.2.1 MASKININLÄRNING BASERAD PÅ HISTORISK DATA ... 6

4.2.2 MASKININLÄRNING BASERAD DATALOGGERDATA ... 6

4.3 WORKSHOPS, STUDIEBESÖK OCH INFORMATIONSSPRIDNING ... 9

4.3.1 BESÖK PÅ EMBALLATOR LAGAN PLAST ... 9

4.3.2 PRESENTATIONER PÅ ELMIA ... 9

4.3.3 PLANERAT BESÖK TILL FRAUNHOFER INSTITUTE ... 9

4.3.4 FÖRELÄSNING OM TAK AV RONNY ALMQVIST... 9

5 SLUTSATSER ... 10

(7)

(8)

Swerea SWECAST AB

1

1 Tillkomst

Optipress syftade till att genom datainsamling och beräkningar undersöka möjligheten att skapa modeller för tillståndsbaserat underhåll av äldre pressgjutmaskiner, för att på så sätt öka deras tillgänglighet. Projektet drevs och finansierades inom ramarna för SIP PiiA (Strategiska innovationsprogrammet Processindustriell IT och Automation), ett program som skapats och drivs av Vinnova, Formas och Energimyndigheten. Projektet, som klassificerades som ett litet FUI-projekt (forskning, utveckling, innovation), löpte mellan 2017-06-15 och 2018-06-15 och hade en total budget på 2,4 MSEK, där 1,2 MSEK utgjordes av stöd från Vinnova och resten finansierades av de deltagande företagen.

Projektet leddes av Swerea SWECAST1, ett forskningsinstitut inriktat mot forskning och utveckling för svensk gjutindustris räkning. Swerea SWECAST besitter expertis på området pressgjutning och håller återkommande kurser i pressgjutprocessen som sådan, simulering av pressgjutgods, samt gjutfelsanalys av pressgjutgods.

RISE SICS, ett forskningsinstitut som fokuserar på lagring och analys av stora datamängder, utförde analysarbetet. Dataninsamlingen under projektet utfördes gemensamt av Swerea SWECAST och RISE SICS.

Deltagande pressgjuterier var Ankarsrum Die Casting, Nyströms Pressgjuteri och Comptech i Skillingaryd. Dessa pressgjuterier är alla SME:s med flera äldre pressgjutmaskiner (>10 år) som i omodifierat utförande endast har begränsad möjlighet att ge information om sitt fysiska tillstånd.

Som referensföretag deltog pressgjutmaskintillverkaren Frech, samt AXXOS, som utvecklar och säljer digitala EAM-system (Enterprise Asset Management), d.v.s. system för produktionsövervakning och –uppföljning.

2 Inledning

Många svenska pressgjuterier har idag en förhållandevis gammal maskinpark. Maskinerna är ofta äldre än tio år och saknar därför funktionalitet som finns hos nyare maskiner, särskilt vad gäller monitorering och styrning av gjutprocessen. Denna avsaknad innebär att den del av TAK-värdet (tillgänglighet, anläggningsutnyttjande, kvalitet) som kan kopplas till pressgjutmaskinen själv är lägre för äldre pressgjutmaskiner. Varje investering i en ny maskin ger således en tydlig konkurrensfördel, men eftersom svenska pressgjuteriers lönsamhet ofta är ganska låg och investeringsutrymmet därför är begränsat finns det ett intresse av att istället försöka hitta sätt att uppgradera befintliga maskiner, då detta sannolikt skulle vara betydligt billigare. Huruvida äldre pressgjutmaskiner kan förses med ny, värdeskapande funktionalitet och hur detta i sådana fall praktiskt skall åstadkommas var därför de övergripande frågeställningarna i Optipress.

1_{I skrivande stund har Swereakoncernens bolag (med vissa undantag) köpts upp av RISE Research}

Institutes of Sweden, och SWECAST är därför numera bara RISE. Under den tid som projektet pågick hette institutet dock fortfarande Swerea SWECAST och kommer således att benämnas på detta sätt överallt i denna rapport.

(9)

2

Optipress upplägg baserades till viss del på ”MUSIC” (Smart control and cognitive

system applied to HPDC foundry 4.0),2_{ett stort italienskt forskningsprojekt där}

befintliga och eftermonterade sensorer på en pressgjutmaskin genererade data som användes som input till ett neuralt nätverk (en algoritm tillhörande klassen maskininlärningsalgoritmer) för att skapa en modell för automatisk monitorering och styrning av gjutprocessen. På grund av en mindre budget användes i Optipress dock endast befintliga sensorer.

3 Syfte och mål

Projektets huvudsyfte var att undersöka i vilken utsträckning de deltagande pressgjuteriernas äldre pressgjutmaskiner loggar processdata och om denna data i sådana fall är tillräcklig för att kunna utföra en maskininlärningsbaserad rotorsaksanalys med maskinstopp som beroende variabel. Om den inledande analysen inte gav tillfredställande resultat var planen att samlas in mer data och utföra en ny rotorsaksanalys.

Projektets mål var att öka tillgängligheten (T:et i TAK-värdet) i äldre pressgjutmaskiner och gjutceller med minst 10 %, för att på så sätt öka pressgjuteriernas konkurrenskraft och lönsamhet.

4 Resultat och diskussion

Projektet utgjordes i huvudsak av tre olika faser: behovsinventering, datainsamling och rotorsaksanalys. Under projektet utfördes även informationsspridning, studiebesök och worskhops i syfte att sprida projektets resultat samt utbilda deltagarna i framförallt industriellt underhållsarbete.

4.1 Beshovsinventering och datainsamling

I ett första skede undersöktes huruvida de deltagande pressgjuteriernas för projektet utvalda pressgjutmaskiner redan loggar sensordata.

CompTech loggade vid projektets början inte någon data alls, och fick därför hjälp av ett av referensföretagen, AXXOS, att installera en datalogger som de sedermera bestämde sig för att investera i efter en positiv utvärdering.

Ankarsrums och Nyströms maskiner visade sig logga data, men bara [?] Nyströms hade som rutin att även ange stopporsaker som kan matchas mot sensordatan, något som är nödvändigt för att kunna utföra en maskininlärningsbaserad rotorsaksanalys. Det bestämdes därför att projektet primärt skulle fokusera på deras maskiner. Nyströms hade valt två kallkammarmaskiner från pressgjutmaskintillverkaren Bühler av modell H-630 SC, med tillverkningsår uppskattat till 1996 (se Fig. 4.1). Maskinerna har ett flertal olika fabriksmonterade sensorer från vilka data loggas med hjälp av dataloggningssystemet Balthzar från Delacroy IT-Konsult (Fig. 4.2). Denna data användes för en första rotorsaksanalys, men som kommer att diskuteras mer i sektion 4.2 visade den sig vara otillräcklig då den så gott som uteslutande utgjordes av parametervärden med mycket små avvikelser från respektive

2_{N. Gramegna, F. Bonollo, MUSIC, Smart control and cognitive system applied to HPDC foundry}

(10)

3

parameters börvärde. Detta eftersom maskinerna snabbt kompenserar för eventuella störningar som t.ex. ökad friktion mellan gjutkolv och fyllkammarvägg genom att öka strömstyrkan. Beslut togs därför om att välja ut de parametrar som av projektets sakkunniga inom pressgjutning bedömdes ha störst inverkan på maskinernas funktion och sedan koppla in sig direkt mot strömförsörjningen till relevanta maskindelar, för att på så sätt kunna få okompenserade parametervärden. Sex olika parametrar valdes: • Primärtrycket i fyllkammaren • Sekundärtrycket i fyllkammaren • Hydraulvätsketrycket i gasackumulatorn • Hydraulvätsketemperaturen i gasackumulatorn • Gastrycket i gasackumulatorn • Låshenhetens tryck/stängningskraft

Figur 4.3 visar maskindelar där några av parametrarna i listan ovan mättes.

Loggning av parametervärden från de sex utvalda maskindelarna gjordes i en av Nyströms två utvalda maskiner via en datalogger som installerades speciellt för projektet. Detta arrangemang möjliggjorde fjärråtkomst till datan.

Figur 4.1. Bühler H-630 SC installerad på Nyströms Pressgjuteri.

(11)

4

Figur 4.3. Pressgjutmaskin av kallkammartyp, där fyllkammaren sitter monterad i det fasta maskinbordet. Bildkälla: Gjuterihandboken.

4.2 Rotorsaksanalys

Som diskuterats i tidigare sektioner var syftet med att samla in data från pressgjutmaskinerna och utföra maskininlärning på datan för att undersöka om det går att upptäcka att ett fel kommer att inträffa på maskinen, innan felet manifesterar sig i att maskinen stannar. Ett tänkt scenario var att en trend skulle utvecklas i processdatan och att maskininlärningen skulle kunna upptäcka sådana trender. Flera olika artiklar tillverkades i Nyströms pressgjutsmaskiner, men data från endast en artikel användes för att undersöka om det går att upptäcka sådana trender, eftersom det inte på förhand gick att veta om stopp vid produktion av olika artiklar beror på samma fel eller om olika artiklar

Fem gjutcykler, d.v.s. sampel i följd, användes som träningsdata till maskininlärningsalgoritmerna. Minst 15 sampel måste komma i följd innan ett stopp för att något av dessa sampel ska användas som träningsdata. De sampel som samlas in med minst 15 gjutcykler innan ett stopp användes för att träna på fall med normal produktion. I de sampel som samlades in direkt innan ett stopp valdes sampel 5 t.o.m. 9 innan stoppet ut för detektering av att stopp var på gång. Sampel 0 t.o.m. 4 innan stopp kastades för att ge en viss framförhållning inför ett eventuellt stopp. Sampel 0 t.o.m. 14 innan stopp kastades därför att det skulle bli enklare för maskininlärningen att skilja mellan vanlig produktion och kommande stopp. Tabell 1 illustrerar ovanstående text.

Tabell 1. Illustration av hur data innan stopp användes för träning av maskininlärningsalgoritmer för att skilja mellan produktion och stopp. Sampel 15 t.o.m. 17 markeras med P (grönt) för att markera att de användes för klassificeringen ordinarie produktion. Sampel 5 t.o.m.9 markeras med S (rött) för att markera att de användes för klassificeringen Stopp. Sampel 0 t.o.m.4, samt 10 t.o.m. 14 markeras med T (grått) för att markera att de kastades.

Sampel 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1 0 P P P T T T T T S S S S S T T T T T

Pressgjutingsmaskinen genererar processdata som lagras i en fil. Processdatan innehåller ett sampel för varje signal per gjutcykel. Error! Reference source not found. innehåller signalnamnen i som sparas efter varje gjutcykel.

(12)

5

Operatören väljer en i förhand definierad klassificering av orsaken till stopp i de fall då pressgjutningen lett till ett stopp. Error! Reference source not found. innehåller de registrerade felorsakerna. Det enda felorsaken som registrerades och som kom från pressgjutmaskinen var ”Verktyg”, varför det var det enda felet som användes vid maskininlärningen.

Tabell 2. Processdata från mjukvaran i pressgjutmaskinen.

Signal Enhet

Datum och tid

Stängningskraft kN

Tablettjocklek mm

max. metalltryck ND-fas bar Metalltryck: eft. t R0 bar Metalltryck (s KP) bar MF-sensor S2: eft. t R0 bar MF-sensor S2: eft. t R1 bar MF-sensor S2: eft. t R2 bar

Slut formfyllning mm

Slut gjutväg mm

Metall vid inlopp mm

Komprimeringsväg mm

MF-S1 till slut formfylln mm MF-S1 till slut gjutväg mm MF-S2 till slut formfylln mm MF-S2 till slut gjutväg mm

Cykeltid s

Formfylltid s

Totaltryck-uppbyggnadstid s

Gjutkolv (s KP) m/s

Inbromsning uppnådd mm Tid till slut formfylln. s

Gjuttid s

Metall vid inlopp (s KP) m/s Sista omkopplingskriterium

Omkoppling v>p mm

Metall vid MF-sensor S1 mm Metall vid MF-Sensor S2 mm

(13)

6 Tabell 3. Registrerade felorsaker.

Felorsak Gjutmaskin Kvalitet No stop reason Personalbrist Skäggpress Smörjrobot Plockrobot Städning Ställ Ugn/Påfyllare Underhåll Verktyg

4.2.1. Maskininlärning baserad på historisk data

Både processdata och stopporsaker lagrades i separata filer med tidstämpel. Det visade sig att tidstämplarna för felloggarna varierade i förhållande till tiderna då maskinen gick, varför stopptiderna fick justeras för att stämma i förhållande till tiderna då gjutmaskinen producerade.

Medelvärde, standardavvikelse, korrelation mot trend och genomsnittlig derivata beräknades på de fem sampel som användes för respektive exempel. Dessa fyra mått användes som indata till maskininlärningen.

Maskininlärningsalgoritmerna hittade i stort sett inget samband mellan processdata och stopp. Slutsatsen som drogs var att avsaknaden av orsakssamband berodde på att det var referensvärden och inte aktuella värden som lagrats i processdatafilerna. Antaganden om att variationer i processignalerna skulle kunna avslöja trender som till slut skulle manifesteras i form maskinstopp uteblev, då reglerloopar i maskinen kompenserar bort avvikelser i ärvärden under gjutcyklerna.

4.2.. Maskininlärning baserad på dataloggerdata

För att komma åt ärvärdena i pressgjutmaskinen installerades en datalogger. Dataloggern mätte 6 signaler från gjutmaskinen kontinuerligt med 50 ms konstant tidsintervall, tillsammans med datum och tid. Signalerna är de som redan presenteras i sektion 4.1, men maskinens mjukvara benämnde dessa som i Tabell 4. Signalernas ursprungliga enhet och storhet saknades, men det ansågs inte ha någon betydelse för maskininlärningen. Figur 4.4 visar signalerna i grafisk form.

Tabell 4. Signaler från dataloggern. Alla signaler saknade ursprunglig enhet och storhet, men sparade i miliampere.

Signal Datum och tid

(14)

Swerea SWECAST AB 2019-001 7 Primärtryck Sekundärtryck P verstellpump P lockmat T Oltank P Gasseitig

Figur 4.4. De signaler som kunde extraheras från pressgjutmaskinen. Cykeltiden är väldigt kort, varför enskilda toppar och dalar i strömstyrkan inte lätt kan urskiljas på den valda tidsskalan. De stora avbrotten är dock maskinstopp.

Varje gjutsekvens delads in i tre delsekvenser. En algoritm beräknar var dessa delsekvenser finns i datan för respektive gjutcykel. Fyra tal beräknas på varje delsekvens, dvs medelvärde, standardavvikelse, medelvärde på derivata, samt standardavvikelse på. Dessa värden utgör inparametrar till modelleringen. Varje insignalvektor som utgör inparametrar till maskininlärningen kommer alltså att innehålla 5 sampel. Varje sampel innehåller 3 delsekvens. Ur varje delsekvens beräknas 4 tal. Det finns 6 kanaler i dataloggern. Det totala antalet inparametrar blir alltså 5*3*4*6=340.

Följande tre olika typer av maskininlärningsalgoritmer användes: 1. RUSBoosted tree3

3_{Seiffert, C., Khoshgoftaar, T. M., Van Hulse, J., & Napolitano, A. (2010). RUSBoost: A hybrid}

approach to alleviating class imbalance. IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 40(1), 185-197.

(15)

8

2. Anomalidetektering med Least Squares Anomaly Detection4 och One Class Support Vector Machine5

3. Autoencoder med 4 + 4 lagers convolutional neural network

Resultaten från anomalidetekteringen gav de bästa resultaten. Dessa resultat redovisas i Tab. 5.

Tabell 5. Förmåga att prediktera huruvida pressgjutmaskinen kommer att stanna.

Ur resultaten kan man utläsa att av de 1274 träningsdata som genererats fanns det 1270 fall som inte ledde till stopp och 4 fall som ledde till stopp. Av de fyra fall som ledde till stopp hittades 2. Av de 1270 fall som inte ledde till stopp klassificerades 144 som stopp. Detta innebär att modellen predikterar falska stoppindikationer i 144/1270*100%=11.3% av varje korrekt gjutcykel, vilket innebär att den inte är praktiskt tillämpbar. Ett annat relevant prestandamått är det s.k. Cohens kappa κ, som ställer matemtiska modeller för klassificering i relation till helt slumpbaserad klassificering. I detta fall är κ=0,021, vilket bara är något bättre än slumpen (κ=0 innebär slumpmässig klassificering, medan κ>0 innebär att klassificeringen är icke-slumpmässig.)

Slutsatsen är att det för bättre resultat krävs mätningar över längre tid. Verktygsfel inträffar för sällan (1-2 ggr/dag) på en specifik artikeltyp för att kunna träna upp och validera en algoritm på så lite data. Dessutom producerades det sex olika artiklar i maskinen under mätperioden, vilket gjorde att dataloggern behöver vara aktiv under lång tid för att det ska finnas många mätningar med felorsak ”Verktyg” och för samma artikel.

Det var svårt att avgöra i mätningarna var maskinen gick från en delsekvens till en annan i gjutsekvensen. Det skulle kanske gått att ta fram tiderna för delsekvenserna ur csv-filerna från maskinen, om dessa funnits tillgängliga då dataloggern användes.

Eventuellt skulle man kunna få fram mer information ur data om man loggar snabbare än 50 ms sampeltid.

Det skulle spara diskutrymme om man sätter upp dataloggern så att den triggar på gjutcykel och sparar data för varje gjutcykel i en egen fil.

4_{Quinn, J. A., & Sugiyama, M. (2014). A least-squares approach to anomaly detection in static and}

sequential data. Pattern Recognition Letters, 40, 36-40.

5_{Schölkopf, B., Williamson, R. C., Smola, A. J., Shawe-Taylor, J., & Platt, J. C. (2000). Support}

vector method for novelty detection. In Advances in neural information processing systems (pp. 582-588).

(16)

9

4.3 Workshops, studiebesök och informationsspridning

4.3.1. Besök på Emballator Lagan Plast

Lagan Plast är ett intressant studieobjekt därför att de genom ett systematiskt och uthålligt arbete lyckats öka såväl produktiviteten som kvaliteten i produktionen. Detta har uppnåtts genom att man skapat engagemang och delaktighet hos personalen i att upptäcka och åtgärda fel i processen innan de orsakar ett oplanerat stopp. Enkla medel som att på en tavla visualisera brister och följa upp åtgärder har förlängt tiden mellan fel samtidigt som tiden mellan stopp och reparation reducerats. Vidtagna åtgärder har under en handfull år tagit företaget från en position på konkursens rand till ett företag med några hundra miljoner i omsättning, god lönsamhet och mycket högt betyg avseende medarbetarindex.

4.3.2. Presentationer på Elmia

I samband med Elmia Subcontractor hölls dels en presentation av projektets syfte, mål och framkomna delresultat för ett 30-tal deltagare. Vidare gjordes flera presentationer för företag, dels genom att dessa besökte vår monter, dels genom att vi passade på att söka upp utställande företag som vi bedömde kunde ha nytta av våra resultat. Dessa aktiviteter utmynnade i ett nytt samarbete med ett företag specialiserat på att samla stora mängder data i ”datalakes” och att extrahera ut samband mellan olika processvariablar i syfte att kunna prediktera potentiella störningar i produktionsprocessen.

4.3.3. Planerat studiebesök till Fraunhofer Institute

I samband med att Fordonskomponentgruppen arrangerade Stora Leverantörsdagen i Göteborg den 24 oktober 2018, presenterade Mr Hendrik Rentzsch från Fraunhofer i Tyskland ett system för insamling, analys och visualisering av processdata, anpassat till en äldre maskinpark. Visualiseringen sker via en combination av programvaror som Grafana, KNIME, R och Python.

Syftet med utrustningen var att hjälpa företag att höja sitt OEE i olika maskiner och processer. Av diskussionen framkom att utrustningen via adapter kan samla data från bl a Modbus, S7 och Bacnet. För maskiner utan PLC finns möjligheter att ansluta antingen analoga eller digitala utgångar direkt till systemet via microswitchar, ex vis Arduino/Controllino.

Vi har diskuterat ett studiebesök hos Fraunhofer utvecklingscenter i syfte att lära oss mer om detta system då vi tror att det kan vara mycket användbart i svensk tillverkningsindustrin inkl pressgjuterier, då större delen av maskinparken är av den typ som detta system primärt är utvecklat för.

I dagsläget är en äldre version i drift, medan en nyare version är under utveckling och implementering. Därmed har studieresan skjutits något på framtiden men intresset för ett besök är fortsatt stort.

4.3.4. Föreläsning om TAK av Ronny Almqvist

Ronny Brandqvist har jobbat med förbättringsarbete sedan mitten på nittiotalet och har sina rötter i fordonsindustrin efter att ha arbetat 22 år på Volvo Personvagnars motorfabrik i Skövde. Vid en föreläsning för några av projektets deltagande företag gavs ett stort antal exempel på hur systematiskt förbättringsarbete, bl a baserat på insamlade processdata, kan reducera antalet stopp i processen och samtidigt bidra till en ökad och jämn kvalitet. Utbildningen av operatörer bygger på att dessa kan

(17)

10

streama inspelade föreläsningar vid valfri tidpunkt och även se om dem så många gånger man vill. Vi fann såväl innehållet som sättet att sprida ny kunskap mycket intressant och vi har därför planer på att själva sprida vissa resultat på liknande sätt.

5 Slutsatser

Projektet utforskade möjligheten att genom datainsamling och rotorsaksanalys skapa ett smart kontrollsystem för att göra äldre pressgjutmaskiner driftsäkrare och därmed förbättra gjuteriernas TAK-värden.

Först utfördes rotorsaksanalays på befintlig data, vilket visade sig vara en återvändsgränd då datan som loggades var kompenserad och därmed inte innehöll någon information som kunde kopplas till maskinstopp. För att få okompenserad data kopplades en datalogger in direkt på sex olika maskindelars strömförsörjning. Detta gav vad som bedömdes vara relevant data, men eftersom projekttiden nästan var slut när detta skedde fanns inte tid att samla in tillräckligt mycket data för att kunna skapa ett användbar modell för maskinstoppsprediktion. Loggning under längre tid är därför nödvändig i ett eventuellt fortsättningsprojekt. Troligtvis behövs dessutom data från fler datakällor, alltså från fler olika maskindelar.

6 Fortsatt arbete

För att nå framgång i ett liknande, framtida projekt bör data börja samlas in i ett så tidigt skede som möjligt. Diskussion har förts på SWECAST huruvida det vore en bra idé att redan innan projektstart – kanske till och med redan innan en ansökan skickats in – ha börjat samla data för att vara ordentligt förberedd. Detta skulle dock kräva noggrann planering för att minimera risken att data samlas in i onödan; helst bör flera projektidéer där datan kan komma till nytta finnas.

Optipress gav dessutom upphov till en del funderingar kring vilka åtgärder pressgjuterierna främst bör prioritera. Figur 6.1. visar de två av Nyströms utvalda äldre maskinerna betydligt oftare är ur drift på grund av helt andra orsaker än sådana som kan relateras till maskinerna själva. Detta är något som bör tas i beaktande inför framtida projekt.

(18)

11

Figur 6.1. Loggad stopptid för två av Nyströms äldre maskiner. Maskin 1 och 4 har här stått stilla under 291 respektive 471 timmar totalt under samma loggade tidsintervall, och staplarna visar hur stor andel av denna stopptid de olika stopphändelserna upptar. Staplarna för ”Gjutmaskin” och ”Verktyg” har