An application of digital transformation : predictive maintenance scheduling

Abstract

Current technological developments in the industry and literature with the fourth revolution of industry make it possible to collect accurate data from production processes and develop data-based models to increase production productivity. The management decisions can be made more intelligent and automated with process tracking systems and predictive models. Predictive Maintenance (PdM) policies stand out in this area as an opportunity, especially for mass production facilities. Necessary early actions can be taken and maintenance activities can be planned by monitoring equipment conditions and estimating failure times. At this point, creating maintenance schedules for extensive facilities using predictive model outputs also emerges as another problem. Within the scope of this thesis, an end-to-end digital transformation application has been carried out as a pilot study on a mass production line of an international scale production facility. A data collection infrastructure is established to collect process data from sensors and inspection team feedback about the equipment conditions. A PdM approach is introduced to estimate indicator scores about the equipment conditions and remaining useful lifetimes (RUL) by using the collected data. As maintenance activities require long-term operations, scheduling these activities is considered as a multi-campaign scheduling problem with sequence dependent maintenance durations. A mixed-integer linear programming (MILP) model is developed and the outputs obtained from the predictive model are fed as deterministic inputs into the model to schedule maintenance activities. Open-source applications are used in the developed solutions; thus, continuous improvement and sustainability with lower costs are aimed.

Dördüncü sanayi devrimi ile beraber, endüstrideki ve literatürdeki güncel gelişmeler her ölçekten üretim tesislerine üretim süreçlerine dair veriyi doğru şekilde toplama ve veri bazlı modeller geliştirerek üretim verimliliğini artırma imkanı sunmuştur. Süreç takip sistemleri ve kestirimci modeller sayesinde tesislerde alınan kararlar daha akıllı ve otomatik hale getirilebilir. Bu anlamda, kestirimci bakım (KB) politikaları özellikle seri üretim tesisleri için önemli fırsatlar sunmaktadır. Ekipman kondisyonlarının takip edilmesi ve bozulma zamanlarına dair tahminlerin üretilmesi ile, önceden alınabilecek aksiyonlar belirlenebilir ve bakım aktiviteleri planlanabilir. Bu noktada, özellikle büyük çaplı tesisler için, kestirimci model sonuçları kullanılarak bakım aktivitelerinin çizelgelenmesi ayrı bir problem olarak ortaya çıkmaktadır. Bu tez kapsamında, uluslararası ölçekte bir üretim tesisinin seri üretim hattında gerçekleştirilen pilot bir çalışma ile hattın uçtan uca dijital dönüşümü tamamlanmıştır. Kurulan veri toplama altyapısı ile üretim hattından sensör verisi ve bakım ekiplerinden parça kondisyon verisi toplanmıştır. Sunulan kestirimci bakım yaklaşımını takiben, parçaların kondisyon skorlarına ve kalan faydalı ömürlerine (KFÖ) dair tahminler üretilmiştir. Uzun süreli bakım aktivitelerinin planlanması, sıra bağımlı bakım zamanlarını içeren çoklu bakım dönemi çizelgeleme problemi olarak ele alınmıştır. Problemin çözümü için kestirimci model sonuçlarını deterministik girdiler olarak kabul eden bir karışık tamsayılı doğrusal programlama (KTDP) modeli geliştirilmiş ve bakım zamanları belirlenmiştir. Sürekli iyileşmenin ve sürdürülebilirliğin görece düşük maliyetlerle sağlanabilmesi için çözümlerin geliştirilmesinde açık kaynak kodlu uygulamalardan yararlanılmıştır.