Spesifisering av et maskinlærings operasjonaliseringsrammeverk, forbedring og generalisering av maskinlæringsmodeller for eksenterskruepumper på Den Magiske Fabrikken
Abstract
En av prosessdelene på Den Magiske Fabrikken bruker eksenterskruepumper, disse blir må ofte bli byttet ut og er kostbart. For å redusere antall erstatninger og heller øke mengde reperasjoner med slitedeler er det ønskelig med et system som kan si ifra når pumpene begynner å bli dårlige.
Prosjektet bruker maskinlæring i form av long short-term memory (LSTM), gated recurrent unit (GRU) og support vector machine (SVM) for å lage modeller som skal kunne forutsi når pumpene trenger vedlikehold. modellene skal prøve å si ifra når pumpen er normal, en uke til generell feil eller en dag før generell feil. Modellene skal gjøre det basert på vanlige pumpemålinger som styresignal, strømforbruk, momentmåling og utløpstrykk som er målt hvert 30. sekund.
A model som, ut i fra test datasettet, aldri gir falske alarmer når det ikke er noe galt, har 50% sannsynlighet for å oppdage når det er under 1 uke igjen og 31.2% sannsynlighet for å si ifra at det er en dag til pumpen feiler has blitt utviklet. Oppgaven diskuterer også hvordan operasjonalisere en slik maskinlæringsmodell på en fabrikk i prosessindustrien. One process part of “Den Magiske Fabrikken” uses progressive cavity pumps (PCP), these often have to be replaced which is costly. To reduce the amount of replacing and increase repairing with spare parts, a system to warn the operators about faults on these pumps is wanted.
The project uses machine learning in the form of long short-term memory (LSTM), gated recurrent unit (GRU) and support vector machine (SVM) to make models which will be able to predict when the pumps need maintenance. The models attempt to output whether the pump is normal, or when there is one week before general failure or when one day before general failure. It does so based on general measurements such as control signal, current, torque and outlet pressure measured every 30 seconds.
A model which from the test set never gives false warnings, 50% of the samples warns that there is one week until failure and 31.2% of the samples warn that there is one day until failure has been developed. The thesis also discusses how to operationalize such a model at a process plant.