Predictive maintenance : forecasting of wear on ball screws and linear guides

Digitaliseringen inom industrin medför ett antal utmaningar där manuella tillståndskontroller övergår till digitaliserade mätningar. Utmaningarna som uppstår med det nya arbetssättet är vilken data som ska samlas in samt hur den genererade data ska analyseras. Syftet med detta examensarbete är att förslå åtgärder för att effektivisera och implementera Industri 4.0 (Smart Maintenance) genom prediktivt underhåll på Scania. Således uppnås en mer kostnadseffektiv verksamhet samtidigt som det bidrar till att skapa ett hållbarare företag. Detta genom att utnyttja komponenters fulla livslängd och inte utföra onödigt underhåll. Det prediktiva underhållet kommer medföra en högre tillgänglighet och tillförlitlighet inom maskinparken på Scanias cylinderhuvudlinje. För att implementera underhållsstrategin i examensarbetet så används en mjukvara som skapats av styrsystems leverantör FANUC. Mjukvaran är ett mätverktyg som heter Servo Viewer och kan mäta maskinens status genom att avläsa procentsatsen utav den totala mängden vridmoment som bildas samt positionsfel under maskinens körning. Ett arbetssätt för att automatisera analysering av data som hämtas ifrån Servo Viewer är att mätningarna samlas i databasen MT-LINKi för att sedan kunna analyseras av ett program FANUC AI Servo Monitor. Den slutsats som kan dras av arbetet är att det går att använda FANUC Servo Viewer till att avläsa maskinens kondition och därmed prediktera när underhåll behöver utföras eftersom det går att avläsa avvikande faktorer under mätningarna. Vid dessa faktorer går det att sätta triggers som kommer larma i systemet när maskinen överstiger dem. De komponenter som mjukvaran kommer varna systemet för är alla komponenter som har en påverkande faktor på fleroperationsmaskinen. Dessa komponenter kan vara allt från kulskruvar, linjärstyrning, pulsgivare, remmar, servomotorer och servokort. Men arbetet är inte ett färdigt koncept i sig, det behövs fler mätningar över tid för att kunna skapa ett tydligare normalläge samt identifiera felutvecklingskurvor för att ställa in triggers i mjukvaran. Eftersom analys och insamling av mätdata blev mer tidkrävande än planerat så har ej utvärderingen av MT-LINKi samt AI Servo Monitor utförts och en vidare beskrivning av arbetet har lämnats.Digitalization in the manufacturing industry involves many challenges due to moving from manual controls towards digitalized condition monitoring. The challenges that occur with the new way of working is what data should be collected and how it should be analyzed. This thesis aims to streamline the industry and implement Industry 4.0 and Smart Maintenance through predictive maintenance in Scania. In this way a more cost-effective business is achieved at the same time as it contributes to creating a more sustainable company. The predictive maintenance will lead to a higher availability and reliability within the machine park at Scania´s cylinder head line. To be able to implement the maintenance strategy a software created by FANUC, the system supplier, is used. The software is a measuring tool called Servo Viewer and it can analyze the status of the machine by measuring the percentage of the total amount of torque that is available and the position error while the machine is running. The thesis also aims to investigate how to automatize the measurements within a database called MT-LINKi and later be analyzed by a software called AI Servo Monitor. The conclusion that can be drawn from the thesis is that it is possible to use FANUC Servo Viewer to measure the condition of the machine and therefore being able to predict when the maintenance needs to be performed as it is possible to read deviating factors during the measurements. With these factors it is possible to set triggers that will alarm the system when the machine exceeds them. Some of the components that will be possible to monitor condition for, are ball screws, linear control, encoders, belts, servomotors and servo cards. However the work isn’t not a complete concept in itself, more measurements are needed to be performed over time to create a normal situation and identify error development graphs to set the triggers in the software. As analysis and collection of measurement data became more time consuming than planned, the evaluation of MT-LINKi and AI Servo Monitor has not been performed and a further description of the work has been provided