Creating an industrial Bluetooth sensor network for predictive maintenance

Predictive and preventive maintenance is starting to grow with the promotion of IoT and machine learning. Traditionally, the large industry plants have big potential when it comes to big data applications. The purpose of this project was to create a monitoring system to improve efficency, provide a better control over resources, and provide added value to industry processes. The objective of the thesis was to create an application for Fidera Ltd. to gather, analyze, and present the data in a useful manner.The thesis includes research, implementation, testing, and prototyping in a real environment. During the thesis, the research focused on finding on a fitting beacon manufacturer and the best wireless technology for short-range applications. The software was implemented using Python, the wireless technology of choice was Bluetooth, beacons were provided by Confidex and Ruuvi, and Raspberry Pi functioned as a relay between the beacons and the cloud. Raspberry Pi was bootstrapped by a basic Linux operating software, and Chef automation software was used to install distribution-specific packages and edit configuration files. The software was designed using behaviour-driven development, and it includes a Bluetooth scanner, a Bluetooth packet parser, and a label printer. The software includes comprehensive documentation that describes the functionality and command-line arguments. The prototype consisted of dozens of Bluetooth beacons from two different manufacturers, five gateway devices, and a vpn router. Four gateways were able to connect to internet, and all gateway devices back up their data to local files. The gateways with online access were able to send their measurements over the Internet. The measurement data is stored in a database using a cloud application and a user interface will present the data using graphs and gauges. The result was a working prototype of a data gathering system which could easily be scaled and its data interpreted.Ennaltaehkäisevät ja ennustavat huoltoprosessit ovat alkaneet kiinnostaa myös teollisuuden aloja, joilla prosessit ovat pysyneet lähes muuttumattomina vuosikymmeniä. Suuret teollisuuslaitokset tuottavat suunnattoman määrän dataa, jota usein ei hyödynnetä missään määrin. Opinnäytetyön tarkoituksena olikin luodan järjestelmä, jolla voidaan tehostaa teollisuuden prosesseja, antaa teollisuuden toimijoille paremmat työkalut laitteiston hallintaan sekä tuottaa lisäarvoa hankituille laitteille. Opinnäytetyön aikana kehitettiin Fidera Oy:n toimesta järjestelmä, joka mittaa, analysoi sekä visualisoi teollisuuden laitteista tulevaa dataa. Opinnäytetyö sisälsi tutkimusta, ohjelmistokehitystä, testausta sekä laiteasennuksia teollisuusympäristössä. Ohjelmistokehitys tehtiin Python-ohjelmointikielellä ja sisälsi monia uusia ohjelmistokehityksen työtapoja. Ohjelmistokehityksen aikana toteutettiin käyttäytymishakuista kehitystä, ja se sisälsi kolme alaosiota: Bluetooth-skannerin, Bluetooth-pakettien käsittelyn sekä lisätyökalun luomisen laitetunnisteiden tulostamista varten. Ohjelmistoa varten luotiin myös mittava dokumentaatio, joka käsittää asetuksien asettamisen, virhetilanteet sekä yleisen toiminnallisuuden. Järjestelmän prototyyppi koostui kymmenistä Bluetooth-majakoista kahdelta eri valmistajalta, viidestä tukiasemalaitteesta, sekä pilvipalvelusta. Bluetooth-majakat tulivat kahdelta eri valmistajalta, Ruuvilta sekä Confidexilta. Tukiasemana toimi uusin Raspberry Pi -minitietokone, johon asennettin Linux-käyttöjärjestelmä ja joka yhdistettiin 3G-reitittimellä Internetiin. Käyttöjärjestelmän lisäksi tukiasemalle asennettiin räätälöity Bluetooth-skannausohjelmisto, asetuksienhallintaohjelmisto Chef sekä viestienvälitysohjelmisto RabbitMQ. Tuloksena oli toimiva datankeruujärjestelmä, jota pystytään helposti skaalaamaan ja jonka data on helposti tulkittavissa