Development of a predictive maintenance application for packaging machines

Abstract

Målet med denne masteroppgaven var videreføringen av analysen og proof of concept av en applikasjon kalt (Application Packaging Machine) utført høsten 2021 av en prediktiv vedlikeholdsapplikasjon for pakkemaskiner produsert av Goodtech As i Moss, hvor applikasjonen var analysert og proof of concept gjennomført. Applikasjonen tar sikte på å overvåke og oppdage tidlige tegn på slitasje på sylindrene basert på forventet levetid gitt av leverandøren og å utføre regelmessig vedlikehold på servomotorene basert på driftstimene registrert av frekvensdriverne for pakkemaskinene. Videre applikasjonsanalyse utføres, inkludert lagring av data i Microsoft Azure-databasen for MySQL Server og sikkerhetsanalyse på Azure. Etter analysen ble applikasjonen designet og implementert ved hjelp av Node-RED for å samle inn og lagre data både lokalt og i skyen. Grafana har blitt brukt til å lage dashbord som viser data fra luftsylinderen, VFD-ene og lufttrykksensorene. I tillegg er varsler med e-postvarsler integrert i dashbordet for pakking av maskindata. Applikasjonen ble testet på Test Celle-maskinen plassert i Moss produksjonshall. Basert på applikasjonskravene var det forventet å overvåke data fra Test Celle og lagre dem i skyen. I tillegg er det inkludert et forslag til hvordan Machine Learning kan brukes i en prediktiv vedlikeholdsapplikasjon for pakkemaskiner.

The aim of this master's thesis was the continuation of the analysis and proof of concept of an application named (Application Packaging Machine) conducted in the fall of 2021 of a predictive maintenance application for packaging machines manufactured by Goodtech As in Moss, where the application was analyzed and proof of concept conducted. The application aims to monitor and detect early signs of wear and tear of the cylinders based on the life expectancy provided by the supplier and to perform regular maintenance on the servo motors based on the running hours recorded by the frequency drivers for the packaging machines.

Further application analysis is performed, including storage of data in the Microsoft Azure database for MySQL Server and security analysis on Azure. Following the analysis, the application was designed and implemented using Node-RED to collect and store data both locally and in the cloud. Grafana has been used to create dashboards that display data from the air cylinder, the VFDs, and the air pressure sensors. Additionally, alerts with email notifications are integrated into the dashboard for packaging machine data. The application was tested on the Test Celle machine located in the Moss manufacturing hall. Based on the application requirements, monitoring data from the Test Celle and storing them in the cloud was expected.

In addition, a suggestion for how Machine Learning could be applied in a predictive maintenance application for packaging machines is included.