0x010088F6312065A70A44B630A6848498EAD80093CFEAFE161DC94D83C7C5C9A5A748B8

Tiltakene fra 2022 er delvis utført. Ny liste med tiltak er etablert - der delvis utførte tiltak fra 2022 er overført. Noen av tiltakene lot seg ikke utføre i 2023 vesentlig grunnet høy arbeidsbelastning for studentene. Emnet har positiv utvikling. Laboratorie øvingene er gjort obligatoriske slik at lab. rapporter inngår i semesteroppgaven og karaktersettes. Dette fører til at studentene jobber mer med øvingene. Samarbeid med drifta på NTNU gjør det mulig å gjennomføre lab. i felt. Studentene ser ut for å bli mer ivrige og interesserte når teorien anvendes på "det virkelige liv". Forelesning om maskinlæring med bruk av python ble gjennomført og planlegges utvidet til å bli obligatorisk øving og innlevering. Studentene uttrykker at de er fornøyd med emnet hva angår - faglig innhold, tilrettelegging og læring.

Studentene uttrykker tilfredshet med læringsmiljøet. Fra referansegruppe rapporten refereres: <ol><li> Trygg, åpen og toveis dialog beskriver timene godt.  </li><li>Faglærer stiller spørsmål under timene, og sammen med elevene drøftes ulike senarioer som er relevant for undervisningen og pensum. </li><li>Organiseringen av undervisnongen er bra!</li><li>I løpet av dette semesteret har vi hatt mange labber, der vi i praksis har fått benyttet lærdom fra undervisning. Dette har fungert kjempebra, og medfører økt læringsutbytte.</li><li>Det at powerpointer legges ut på blackboard i forkant gjør at elevene også kan laste ned disse på forhond. Dermed kan timene benyttes til diskusjon og aktiv læring istedenfor å skrive seg i hjel med en haug av notater... bra!!!</li><li>Det at forelesningene streemes og legges ut i etterkant av forelesning har for mange vært en “Gamechanger”. Dette er kjempebra siden man tilrettelegger f or ulike behov som kan ligge hos studentene.</li></ol> Emneansvarlig opplever at studentene jobber aktivt med fagstoffet. Fra referansegruppe rapporten refereres: "Kanskje ble arbeidsmengden med semesteroppgaver noe vell drøy." Videre viser statistik på bruk av opptak:Statistikk fra Panopto viser at opptak fra forelesningene brukes. 23 unike brukere har 169 nedlastninger av opptak med 3672 minutt bruk. Eksamensresultatene viser gjennomgående høyt snitt (B) med få stryk. Tilrettelegging i form av enkle tiltak som strømming og opptak av forelesninger videreføres det samme gjelder å legge ut forelesningsnotatene på BB før forelesningen - fortrinnsvis ved semester start. Øbligatoriske Quizer videreføres i emnet. Disse bruker studentene aktivt også i eksamensforberedelsene. Resyemene vurderes kuttet når studentene får en mer omfattende semesteroppgave. Emneansvarlig ønsker å utvide med flere laboratorie øvinger og samtidig komprimere og redusere antall forelesninger. Studentene må da i større grad innhente informasjon selv i semesteroppgave gruppen og anvende informasjonen i gjennomføring av labbene. Emneansvarlig blir slik mer veielder. Emnebeskrivelsen oppdateres ved neste mulighet. Hensikten med endringen er å aktivisere studentene mer slik atd e aktivt jobber med å lære seg og anvende fagstoff. Semesteroppgaven deles i 2 innleveringer som karaktersettes separat og teller likt. Det tas sikte på å levere en rapport medio mars på lab øvingene gjennomført i februar. Deretter en rapport ultimo april på lab gjennomført i mars/april. Studentene sliter med å disponere og planlegge egen tid slik at innleveringer utsettes til siste mulighet. Slik hoper arbeid seg opp med skippertak mentalitet som resultat. Hensikten med endringen er å få studentene til å jobbe mer kontinuerlig og slik få enda mer ro rundt læringsprosessen. Emnebeskrivelsen oppdateres slik at semesteroppgaven skal telle 60% og individuell eksamen 40%. Den individuelle eksamen skal da være på 3 timerog av typen automatisk retting. Begge deler må være bestått for å få karakter i emnet. Dersom kandidaten stryker på en del må bare den delen gjentas. Det tas sikte på skole eksamen i Inspera. Hensikten blir å aktivisere studentene enda mer. Studenter som ikke jobber med faget vil da risikere å fall igjennom på den individuelle eksamen. Det er svært uheldig for D&amp;V studieretningen at MAST2006 ikke kan gjennomføres i høstsemesteret fra studieåret 2024, men flyttes til vårsemesteret. Det medfører at studentene får mange paralelle D&amp;V emner. MAST2012 bygger på MAST2003 og MAST2006. Denne ulyksalige endringen må bøtes på med at MAST2006 undervisningen i større grad tilpasses MAST2012 undervisningen.

UNDERVISNING OG LÆRINGSFORMERHovedfokus i undervisningen har vært studentaktiv undervisning med fokus på å stimulere til kognitiv læring.I emnet brukes flere undervisningsmetoder i den hensikt å "treffe" de ulike studentene sine foretrukne måter å bli stimulert til læring. Felles for flere av metodene er at studentene skal jobbe sammen i grupper og slik stimulere hverandre til individuell læring.MAST2012 bygger på kunnskap studentene har tilegnet seg i MAST2003/6. Læring er en analog prosess hos den enkelte student. Studentene stimuleres på ulikt vis til læring. Læringsutbytte for den enkelte student søkes oppnådd ved at studentene eksponeres for flere stimuli til læring: <ul><li>Gruppearbeid - sosial samhandling mellom studentene (Vygotsky/Dewy sin filosofi for læring)</li><li>Studentene danner grupper som gjør lab. oppgavene og prosjektoppgaven sammen.</li><li>Forelesninger - tilføre/vedlikeholde kunnskap</li><li>Informasjonsinnhenting / Oria/Google Scholar - tilføre/vedlikeholde kunnskap</li><li>Veiledning med faglærer og studentassistenter.</li></ul>Sentralt i den sosiale prosessen står bruken av språk - det norske språket, morsmålet til studentene. Gjennom dialog bygger studentene sine forklaringsmodeller og øker på den måten egen kunnskap. Praktisk tilnærming og knytningen til det virkelige liv i undervisningen ser ut for å være en viktig faglig motivasjonsfaktor for mange av studentene. Selve gjennomføringen av undervisningen legger slik opp til at studentene gradvis skal bli mer selvstendige, ta valg i grupper og jobbe sammen med andre. Det legges vekt på å praktisere kunnskap formidlet i forelesningene. Studentene oppfordres til selv å søke kunnskap og utvikle ferdigheter utover det som er pensum. Vurderingsformer I MAST2012 nyttes en kombinasjon av summativ og formativ vurdering.Den summative vurderingen skjer i form av karakter på skriftlig prosjektoppgave.Den formative vurderingen gis slik: <ol><li>Forventingsavklaring med hensyn på læring gjennom emneplane og gruppearbeid i forelesningene, tilbakemelding på quizer og øvinger samt veieldning i prosjektoppgaven.</li><li>Diskusjoner i veiledningen for å justere/avklare studentene sin innhold i /fremdrift med prosjektoppgaven.</li><li>Aktiv bruk av referansegrupper og jevnlig oppfordring om å melde tilbake til faglærer forbedringsforslag og tilbakemelding på hva som fungerer og ikke.</li><li>Spørreundersøkelse på Blackboard</li></ol> Rapportene studentene leverer holder høy kvalitet. Eksamensbesvarelsene og prosjektoppgavene vurderes av emneansvarlig/faglærer og ekstern sensor. Slik sikres en mer "uhildet" vurdering av resultatet.Kriteriene for vurdering er forelagt studentene ved semester start.

NTNU:TIA:REST

Institutt for maskinteknikk og produksjon

Department of Mechanical and Industrial Engineering

Norsk

Mer om vurdering

Obligatorisk aktivitet fra tidligere semester kan godkjennes av instituttet ved gjentak av emnet dersom det ikke har vært vesentlige endringer i opplegget senere.Vurderingen i emnet (A-F) baserer seg på skriftlig digital hjemmeksamen i Inspera som teller 60% av total karakteren, og en gruppeoppgave levert i Inspera som teller 40% av total karakteren. Både hjemmesamen og gruppeoppgaven må være bestått.Utsatt eksamen (kontinuasjonseksamen) arrangeres i august. Ved utsatt eksamen kan skriftlig eksamen bli endret til muntlig eksamen. Kontinuasjon og frivillig gjentak/forbedring kan gjennomføres for enkelte delvurderinger uten at begge delvurderinger i et emne må tas opp igjen. Det gis anledning til å klage på delvurderinger i dette emnet før alle delvurderinger er gjennomført.

Anbefalte forkunnskaper

Grunnleggende kunnskaper i programmering, python eller liknende.MAST2006 eller tilsvarende.

Faglig innhold

Kurset undervises og veieldes på norsk.Fokus i kurset er innsamling av tilstandsdata og bruk av slike data i analyser som danner grunnlag for drift og vedlikeholds beslutninger.Emnet er delt inn i følgende 4 moduler1. Prediktivt Vedlikehold :<ul><li>Terminologi knyttet til prediktivt vedlikehold</li><li>Innovasjonsprosesser innen prediktivt vedlikehold</li><li>Etablere mål og strategier for prediktivt vedlikehold</li><li>Styring av prediktivt vedlikehold</li></ul>2. Tilstandskontroll og tilstandsovervåkning<ul><li>Forutsetninger for tilstandskontroll og tilstandsovervåkning</li><li>Organisering av tilstandskontroll og tilstandsovervåkning</li><li>Utvalgte metoder for tilstandskontroll og tilstandsovervåkning</li><li>Metodikk for innsamling av tilstandsdata</li><li>Metodikk for analyse og vasking av tilstandsdata</li></ul>3. Diagnose og prognose med bruk av tilstandsdata:<ul><li>Matematiske modeller</li><li>Maskinlæring</li><li>Visualisering av diagnose og prognose</li></ul>4. Vedlikeholds beslutninger: <ul><li>Bruk av diagnose og prognose utledet fra tilstandsdata, i vedlikeholds beslutninger</li></ul>

Kursmateriell

Oppgis ved kursstart.Nettressurser funnet i NTNU biblioteket og Nasjoanlbiblioteket brukes i kurset.Boka - An introduction to predictive maintenance av R. Keith Mobley (1943-) anbefales. Den finnes i elektronisk utgave på NTNU biblioteket

Læringsutbytte

Etter å ha gjennomført emnet skal kandidaten å ha følgende grunnleggende kunnskaper om, ferdigheter i og generell kompetanse, knyttet til prediktivt vedlikehold.Kandidaten har kunnskap om:<ul><li>Innsamling av tilstands data på tekniske installasjoner.</li><li>Diagnostisering av tilstand til tekniske installasjoner </li><li>Bruk av tilstandsdata i vurdering av restlevetid</li><li>Vedlikeholds beslutninger basert på kunnskap om tilstand og restlevetid </li><li>Hvordan tilstandsbasert vedlikehold kan bidra til bedre ressurs utnyttelse og optimal drift sikkerhet.</li><li>Hvordan kunnskap om tilstand og restlevetid kan anvendes i utvikling av optimalt vedlikehold </li><li>Muligheter som ligger i å bruke digitale tilstandsdata i vedlikeholds - analyser og beslutninger.</li></ul>Ferdigheter Kandidaten kan: <ul><li>Delta i faglige diskusjoner om anvendelse av tilstandsbasert vedlikehold</li><li>Velge gunstig metode for diagnostisering av tilstand tekniske installasjoner</li><li>Velge metodikk for innsamling og vurdering av tilstandsdata</li><li>Bruke verktøy for vurdering av degradering og restlevetid på teknisk utsyr</li><li>Visualisere sine vurderinger av degradering og restlevetid</li><li>Bruke informasjon om degradering og restlevetid i vedlikeholds beslutninger</li><li>Formidle konsekvenser forbundet med å ta i bruk prediktivt vedlikehold. </li></ul>Generell kompetanse: Kandidaten har følgende kompetanse:<ul><li>Praktisk forståelse og innsikt i hvordan tilstandsbasert vedlikehold påvirker: - driftssikkerhet og levetid - helse, miljø og økonomi</li><li>Praktisk forståelse av og innsikt i anvendelse av verktøy og metoder som brukes i tilstandsbasert vedlikehold.</li><li>Evne til på faglig grunnlag å formulere og diskutere tekniske løsninger innen prediktivt vedlikehold med fagarbeidere og ledende personell.</li><li>Forholde seg kritisk og reflekterende til tilstandsbasert vedlikehold.</li><li>Vise konsekvensforståelse med fokus på levetids tenkning.</li><li>Kandidatene kjenner til sentrale innovasjonsprosesser innen tilstandsbasert vedlikehold</li><li>Kandidatene Kjenner til implementering av digitale verktøy i tilstandsbasert vedlikehold.</li></ul>

Læringsformer og aktiviteter

I tillegg til fysisk undervisning blir alle forelesninger strømmet og opptak lagt på Blackboard.<ul><li>Interaktive forelesninger</li><li>Gjesteforelesere fra industri (nettbasert)</li><li>Digitale øvinger</li><li>Øvinger i klasserom</li><li>Laboratorieøving </li><li>Prosjektarbeid / problembasert læring i grupper</li><li>Bruk av videoer</li></ul> Obligatoriske arbeidskrav:Quizer i Black Board: 75 % av quizzene kreves godkjent.Minst 12 blogger må leveres i Blackboard og bli godkjent for å få adgang til eksamen.

Quizz i BlackBoard

Blogg i BlackBoard

Tilstandsbasert vedlikehold

Tilstandsovervåking/feildeteksjon

Bachelor i ingeniørfag - havbruk

Bachelor i ingeniørfag - maskin

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(22700)/FieldValuesAsText

1.Alle forelesningene oppdateres med direkte henvisning til pensumlitteraturen. (ønske fra referansegruppen)
2.Det jobbes aktivt for å få flere studenter til å være aktive i undervisningen - gi flere oppgaver som krever gruppearbeid i forelesningene.
3.Labrapportene blir karaktergivende sammen med prosjektoppgaven. (forslag fra referansegruppen)
4.Det åpnes for at enkelt studenter kan tas ut av gruppearbeid om forholdene krever det.
6.Faglærer gjør oppmerksom på at mangelfullt bidrag i gruppearbeidet kan fører til differensiering i karakter mellom gruppemedlemmene.
7.Emneansvarlig/faglærer sørger for flere Oria lenker til relevant stoff om prosjektarbeid.
8.Emneansvarlig/faglærer gir nytt kurs i informasjonskompetanse - finne - evaluere og bruke informasjon.
8.Det lages egen obligatorisk øving i maskinlæring med bruk av python

Tiltak 1 - delvis utført
Tiltak 2 - delvis utført
Tiltak 3, 4,6- utført
Tiltak 7 - delvis utført
Tilatk 8 - delvis utført (på forespørsel)
Tiltak 8 - maskinlæring - eksempel av Antoine i forelesning

Tiltak

Tiltak MAST2012

Pneumatikk øving fra MAST2003 med bruk av portable pneumatikk brett utvides med bruk av magnetstyrte ventiler som utløses med hjelp av rapberry pi og python kode
Samarbeid med Antoine og Håvard

Det skrives rapport fra Øvingen som leveres inn som del 2 rapport i emnet.
Det skal leveres:
en rapport fra lab.øvingene i februar - teller 20% på karakter
en rapport fra raspberry pi som utvides med penumatikk øving

Lab - øving Pneumatikk med bruk av raspberry pi

Semesteroppgaven deles i to slik:

Del 1 - leveres i mars - omhandler lab. øving gjennomført i februar 
Del 2 - leveres i april - omhandler lab. øving med rapsberry pi

De to delene teller likt på karakter fra semester oppgave .

På sikt skal del 1 og 2 tell 60 % av karakteren i emnet. Endring gjøres ved neste revisjon av emnebeskrivelsen

Semesteroppgave oppdeling

det lages obligatorisk oppgave i maskinlæring med bruk av python
resultat leveres sammen med del 2 i semesteroppgave rapporten.
Etableres i samråd med Antoine

Obligatorisk øving i maskinlæring

forelesningslitteratur - henvisninger

det etableres forelesninger og øving i måling med strekklapper
rapport inngår som del 1 semesteroppgaven

strekklapper - ny øving - februar

Det etableres frivillig øving i dette - som senere gjøres obligatorisk

øving i bruk av kaplan meier og MLE

Semesteret V22 hadde emnet 52 studenter, året før 18 studenter. Studenter fra BIHAV studiet utgjorde mesteparten av tilskuddet i student massen.Studentene V22 var mindre fornøyd med undervisningen til tross for tilbud om hybrid undervisning og mye lab. kjøring. Noen av tilbakemeldingene har vært at enkelte studenter ønsker mer hastighet i fremføringen av pensum. Andre igjen ønsker mer fokus på det relevante i fremføringen av pensum. Eksempelvis videoer fra youtube og andre kilder ønsker noen studenter skal være maks 3 minutt i undervisningen.Emneansvarlig velger å hensynta dette slik at hastigheten settes noe opp, men ikke mer enn at hoveddelen av studentene fremdeles har utbytte av forelesningene. Emneansvarlig sitter igjen med inntrykk av at flere av BIHAV studentene i liten grad er motivert for drift og vedlikehold, og følgelig obligatoriske emner innen fagområdet. MAST2012 fases ut som obligatorisk emne i BIHAV studiet ved neste mulighet. Emneansvarlig ser på utfasingen som positiv og håper det kan bidra til å bedre læringsmiljøet i emnet. MAST2012 blir da et obligatorisk emne for de som velger studieretning drift og vedlikehold. Studentene sier i sin emnerapport: Dialogen mellom emneansvarlig og referansegruppen har vært veldig bra. Emneansvarlig svarer raskt og godt på spørsmål studentene har underveis.  Det har blitt gjort justeringer underveis i emnet, blant annet redusert e-poster som blir sendt og heller lagt ut kunngjøringer på BB, lagt til relevante og gode youttube videor i power-pointene.   En spørreundersøkelse gjennomført på BlackBoard (vedlagt) viser at:<ul><li>80% av studentene synes at undervisningen er relevant i forhold til læringsmålene. </li><li>76% av studentene sier de foretrekker hybrid undervisning med strømming og opptak av forelesningene som legges på BlackBoard.</li></ul> Endringer V22: Obligatoriske arbeidskrav: <ul><li>Semesteret V22 ble det lab porteføljen endret slik at Ultralydlabben som alle studentene hadde hatt i MAST2100 utgikk og en IoT lab med 	bruk av ElWatch sitt system med Gateway og Neuronsapp ble tatt inn istedenfor. </li></ul> <ul><li>Det ble V22 innført obligatoriske Quizzer i BB</li></ul> Forelesningene ble V22 utvidet med: <ul><li>Praktisk implementering av maskinlæring i python programmering</li><li>Valg av teknikker for estimering av RUL</li><li>Metodikk for å velge utstyr fot tilstandskontroll</li></ul>

GENERELT karakter i MAST2012 baseres på individuell hjemme eksamen på 3 timer (teller 60%) og prosjektoppgave (gruppeoppgave) med felles karakter (teller 40%).Eksamensresultatene viser at studentene presterer meget godt faglig på eksamen og i rapportskriving. Undervisningen er lagt opp som en kombinasjon av forelesninger, praktisk lab og en stor prosjektoppgave utført i grupper. UNDERVISNING OG LÆRINGSFORMERHovedfokus i undervisningen har vært studentaktiv undervisning med fokus på å stimulere til kognitiv læring.I emnet brukes flere undervisningsmetoder i den hensikt å "treffe" de ulike studentene sine foretrukne måter å bli stimulert til læring. Felles for flere av metodene er at studentene skal jobbe sammen i grupper og slik stimulere hverandre til individuell læring. MAST2012 bygger på kunnskap studentene har tilegnet seg i MAST2003/6. Læring er en analog prosess hos den enkelte student. Studentene stimuleres på ulikt vis til læring. Læringsutbytte for den enkelte student søkes oppnådd ved at studentene eksponeres for flere stimuli til læring:<ul><li>Gruppearbeid - sosial samhandling mellom studentene (Vygotsky/Dewy sin filosofi for læring)</li><li>Studentene danner grupper som gjør lab. oppgavene og prosjektoppgaven sammen.</li><li>Forelesninger - tilføre/vedlikeholde kunnskap</li><li>Informasjonsinnhenting / Oria/Google Scholar - tilføre/vedlikeholde kunnskap</li><li>Veiledning med faglærer og studentassistenter.</li></ul>Sentralt i den sosiale prosessen står bruken av språk - det norske språket, morsmålet til studentene. Gjennom dialog bygger studentene sine forklaringsmodeller og øker på den måten egen kunnskap. Praktisk tilnærming og knytningen til det virkelige liv i undervisningen ser ut for å være en viktig faglig motivasjonsfaktor for mange av studentene. Undervisningen er i MAST2012 baseres eksempelvis på innføring i tilstandskontrollmetodikk brukt i industrien. I lab oppgavene bruker studentene standard industri utstyr for tilstandskontroll/overvåkning. Det er våren 22 inngått samarbeid med drifta på NTNU om å bruke deres installasjoner i undervisningen. Dette samarbeidet vil få effekt i MAST2012 fra Våren 2023. Studentene vil da får oppgaver der de skal utføre tilstandsmålinger på tekniske installasjoner på campus. Praktisk bruk av programmering av raspberry pi for temperaturmåling er innholdet i prosjektoppgaven. Slik får studentene innføring i målekjeder og økt kunnskap om hvor viktig målekjeden er for de tilstandsdata som samles inn. Studentene lærer å bruke de innsamla tilstandsdataene i enkle levetidsanalyser for estimering av restlevetid til utstyr. Selve gjennomføringen av undervisningen legger slik opp til at studentene gradvis skal bli mer selvstendige, ta valg i grupper og jobbe sammen med andre. Det legges vekt på å praktisere kunnskap formidlet i forelesningene. Studentene oppfordres til selv å søke kunnskap og utvikle ferdigheter utover det som er pensum. Undervisningen og læringsmiljøet ser ut til å fungere godt for flertallet av studentene. Studentassistentene er uvurderlige i gjennomføringen av lab.oppgavene og prosjektoppgaven. Videre er samarbeidet med professor Antoine Rauzy avgjørende for undervisningen/veiledning i programmering. <h3>Vurderingsformer</h3> I MAST2012 nyttes en kombinasjon av summativ og formativ vurdering.Den summative vurderingen skjer i form av karakter på skriftlig prosjektoppgave.Den formative vurderingen gis slik:<ol><li>Forventingsavklaring med hensyn på læring gjennom emneplane og gruppearbeid i forelesningene, tilbakemelding på quizer og øvinger samt veieldning i prosjektoppgaven.</li><li>Diskusjoner i veiledningen for å justere/avklare studentene sin innhold i /fremdrift med prosjektoppgaven.</li><li>Aktiv bruk av referansegrupper og jevnlig oppfordring om å melde tilbake til faglærer forbedringsforslag og tilbakemelding på hva som fungerer og ikke.</li><li>Spørreundersøkelse på Blackboard</li></ol> Rapportene studentene leverer holder høy kvalitet. Eksamensbesvarelsene og prosjektoppgavene vurderes av emneansvarlig/faglærer og ekstern sensor. Slik sikres en mer "uhildet" vurdering av resultatet.Kriteriene for vurdering er forelagt studentene ved semester start.

MAST2012 gir sammen med MAST2003 og MAST 2006 en drift og vedlikeholds pakke som dekker:MAST2003 - innsikt i drift og vedlikehold av teknisk utstyrMAST2006 - metodikk for å øke bregne systempålitelighet, levetidsanalyser, risikoanalyser, kritikalitetsanalyser, organisering av vedlikeholdMAST2012 - tilstandsbasert vedlikehold med fokus på å samle inn tilstandsdata og anvende slike data på levetidsanalyser

Spesifiserte trykte og håndskrevne hjelpemidler tillatt. Alle kalkulatorer tillatt.

Obligatorisk aktivitet fra tidligere semester kan godkjennes av instituttet ved gjentak av emnet dersom det ikke har vært vesentlige endringer i opplegget senere.Tillatte hjelpemidler til eksamen: Tekniske tabeller, Cappelen.Utsatt eksamen (kontinuasjonseksamen) arrangeres i august. Ved utsatt eksamen kan skriftlig eksamen bli endret til muntlig eksamen. Kontinuasjon og frivillig gjentak/forbedring kan gjennomføres for enkelte delvurderinger uten at begge delvurderinger i et emne må tas opp igjen. Det gis anledning til å klage på delvurderinger i dette emnet før alle delvurderinger er gjennomført.

Emnet er delt inn i følgende 4 moduler1. Prediktivt Vedlikehold :<ul><li>Terminologi knyttet til prediktivt vedlikehold</li><li>Innovasjonsprosesser innen prediktivt vedlikehold</li><li>Etablere mål og strategier for prediktivt vedlikehold</li><li>Styring av prediktivt vedlikehold</li></ul>2. Tilstandskontroll og tilstandsovervåkning<ul><li>Forutsetninger for tilstandskontroll og tilstandsovervåkning</li><li>Organisering av tilstandskontroll og tilstandsovervåkning</li><li>Utvalgte metoder for tilstandskontroll og tilstandsovervåkning</li><li>Metodikk for innsamling av tilstandsdata</li><li>Metodikk for analyse og vasking av tilstandsdata</li></ul>3. Diagnose og Prognose med bruk av tilstandsdata:<ul><li> Matematiske modeller</li><li>Maskinlæring</li><li>Visualisering av diagnose og prognose</li></ul>4. Vedlikeholds beslutninger: <ul><li>Bruk av diagnose og prognose utledet fra tilstandsdata, i vedlikeholds beslutninger</li></ul>

Etter å ha gjennomført emnet skal kandidaten å ha følgende grunnleggende kunnskaper om, ferdigheter i og generell kompetanse, knyttet til prediktivt vedlikehold.Kandidaten har kunnskap om:<ul><li>Innsamling av tilstands data på tekniske installasjoner.</li><li>Diagnostisering av tilstand til tekniske installasjoner </li><li>Bruk av tilstandsdata i vurdering av restlevetid</li><li>Vedlikeholds beslutninger basert på kunnskap om tilstand og restlevetid </li><li>Hvordan prediktivt vedlikehold kan bidra til bedre ressurs utnyttelse og optimal drift sikkerhet.</li><li>Hvordan kunnskap om tilstand og restlevetid kan anvendes i utvikling av optimalt vedlikehold </li><li>Muligheter som ligger i å bruke digitale tilstandsdata i vedlikeholds - analyser og beslutninger.</li></ul>Ferdigheter Kandidaten kan:  <ul><li>Delta i faglige diskusjoner om anvendelse av prediktivt vedlikehold</li><li>Velge gunstig metode for diagnostisering av tilstand tekniske installasjoner</li><li>Velge metodikk for innsamling og vurdering av tilstandsdata</li><li>Bruke verktøy for vurdering av degradering og restlevetid på elektro- og mekanisk utsyr</li><li>Visualisere sine vurderinger av degradering og restlevetid</li><li>Bruke informasjon om degradering og restlevetid i vedlikeholds beslutninger</li><li>Formidle konsekvenser forbundet med å ta i bruk prediktivt vedlikehold. </li></ul>Generell kompetanse: Kandidaten har følgende kompetanse:<ul><li>Praktisk forståelse og innsikt i hvordan prediktivt vedlikehold påvirker: - driftssikkerhet og levetid - helse, miljø og økonomi</li><li>Praktisk forståelse av og innsikt i anvendelse av verktøy og metoder som brukes i prediktivt vedlikehold.</li><li>Evne til på faglig grunnlag å formulere og diskutere tekniske løsninger innen prediktivt vedlikehold med fagarbeidere og ledende personell.</li><li>Forholde seg kritisk og reflekterende til prediktivt vedlikehold.</li><li>Vise konsekvensforståelse med fokus på levetids tenkning.</li><li>Kandidatene kjenner til sentrale innovasjonsprosesser innen prediktivt vedlikehold</li><li>Kandidatene Kjenner til implementering av digitale verktøy i prediktivt vedlikehold.</li></ul>

I tillegg til fysisk undervisning blir alle forelesninger strømmet og opptak lagt på Blackboard.<ul><li>Interaktive forelesninger</li><li>Gjesteforelesere fra industri (nettbasert)</li><li>Digitale øvinger</li><li>Øvinger i klasserom</li><li>Laboratorieøving </li><li>Prosjektarbeid / problembasert læring i grupper</li><li>Bruk av videoer</li></ul> Obligatoriske arbeidskrav:Quizzer i Black Board: 75 % av quizzene kreves godkjent.Minst 12 blogger må leveres i Blackboard og bli godkjent for å få adgang til eksamen.

Prediktivt vedlikehold

Sikkerhet, pålitelighet og vedlikehold

Drift og vedlikeholdsstyring

Driftsteknikk

Bachelor i ingeniørfag, havbruk

Bachelor i ingeniørfag, maskin

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(17220)/FieldValuesAsText

Emnet ble kjørt første gang våren 2021. Kvalitet defineres som evnen til å tilfredsstille brukerens krav og forventninger. Brukerne er studentene i emnet. Studentene sier i sin referansegrupperapport: 1.	at de er fornøyd med kvalitet og mengde i emnet.2. at de aktiviseres i Zoom og at de utfordres faglig av foreleser.3.at emnet bygger på emner fra forrige semester. MAST2012 blir slik en naturlig fortsettelse av emnet MAST2006.4.at de får tydelige beksjeder og at informasjonsflyten er god5.a gjennomføring av labber fungere godt6.at digital undervisning i Zoom fungerer godt Eksamens resultatene i emnet viser at studentene oppnår gode resultat. Karakterene fordeler seg med mange A og B, en C. Muntlig eksamen på Zoom ble gjennomført med ekstern sensor tilstede. Underveis i emnet skriver studentene ukentlig blogg. Faglærer går gjennom bloggen og kommenterr denne. Innførlsene i bloggene viser at mange av studentene har fått med seg vesentlige poeng fra undervisningen. Bloggen hjelper faglærer til umiddelbart å presisere faglige spørsmål der det er nødvendig. Studentene skal gruppevis praktisere emne teorien i en rekke laboratorieoppgaver. Lab. Rapportene til studentgruppene viser at studentene kan bruke teorien i praksis. Selve innholdet i emnet er utarbeidet i samarbeid med en gruppe bestående av emneasvarlig faglærer og kunnskapsrike personer innen vedlikehold. Disse personene er rekruttert fra lokale bedrifter (MainTech, TrønderEnergi og Equinor). På denne måten sikres at emnet oppdatres og møter kompetansebehovet i industrien innen fagområdet. Innholdet i emnet er diskutert med faglærere på master og PhD nivå, innen samme fagfelt. Slik sikres at nyere relevant forskning tas inn i emnet. Diskusjonen har og til hensikt å knytte sammen bachelor og master utdanningen slik at bachelor utdanningen gir er naturlig grunnlag for videre master studier innen fagområdet. PhD studenter er invitert inn som forlesere i emnet. De presenterer sin forskning for MAST2012 studentene. Emneansvarlig påser at nivået er tilpasset MAST2012 studentene. I løpet av semesteret avholdes tilstandskontrolldagen med faglig påfyll fra industrien. Slik får studentene førstehåndskjennskap til den industrielle utviklingen innen fagfeltet.

Læringsutbyttet ble oppdatert våren 2020 i samarbeid med interne NTNU bidragsytere og industrien.Selve innholdet i emnet er utarbeidet i samarbeid med en gruppe bestående av emneasvarlig faglærer og kunnskapsrike personer innen vedlikehold. Disse personene er rekruttert fra lokale bedrifter (MainTech, TrønderEnergi og Equinor). På denne måten sikres at emnet oppdatres og møter kompetansebehovet i industrien innen fagområdet. Innholdet i emnet er diskutert med faglærere på master og PhD nivå, innen samme fagfelt. Slik sikres at nyere relevant forskning tas inn i emnet. Diskusjonen har og til hensikt å knytte sammen bachelor og master utdanningen slik at bachelor utdanningen gir er naturlig grunnlag for videre master studier innen fagområdet. PhD studenter er invitert inn som forlesere i emnet. De presenterer sin forskning for MAST2012 studentene. Emneansvarlig påser at nivået er tilpasset MAST2012 studentene. I løpet av semesteret avholdes tilstandskontrolldagen med faglig påfyll fra industrien. Slik får studentene førstehåndskjennskap til den industrielle utviklingen innen fagfeltet. Læringsutbyttet gjennomgås med studentene første undervisningstime i emenet.Det er lagt stor vekt på at MAST2012 skal være en viderføring av MAST2006. Referansegrupperapporten nevner spesielt at dette er oppfylt.Videre brukes kunnskapen fra MAST2012 og MAST2006 i MAST2004 som går parallelt med MAST2012.

Det legges stor vekt på at studentene skal anvende kunnskapen de tilegner seg. Dette skjer i en kombinasjon av forelesninger og laboratoriearbeid. Forelesningene kjøres rett før laboratorieoppgave skal gjennomføres, rapport fra laboratorieoppgaven leveres like etter. Det gis tilbakemelding på hver rapport. Studentenes læring undersøkes ukentlig i blogger studentene skriver. Det gis individuell tilbakemelding på hver blogg. Studentene må slik gjøre betydelig egeninsats gjennom hele semesteret. Den digitale undervisningen har fungert godt for studentene i følge referansegruppe rapporten. Det har vært betydelig aktivitet i forelesningene der studentene jobber sammen i grupper i Zoom - bruker break out rooms. Diskusjonene presenteres i plenum. Læringsmiljøet ble beskrevet som trygt og godt av tillitsvalgt student på studieretningen.

Muntlig eksamen viser at studentene har lært inn teorien og kan fremføre den muntlig. Eksamensresultatene er meget god - snitt B/A. Studentene viser gruppevis evne til å bruke teori i gjennomrføring av laboratoreøvinger. Dette kommer til uttrykk i gode lab. rapporter. De ukentlige bloggene studentene skriver om siste ukes gjennomgang av pensum viser at de fleste får med seg det sentrale som har vært gjennomgått. Misforståelser oppklares fortløpende i faglærers tilbakemeldinger.

 
Grunnleggende kunnskaper i programmering, python eller liknende. 

Mer om vurdering 
Obligatorisk aktivitet fra tidligere semester kan godkjennes av instituttet ved gjentak av emnet dersom det ikke har vært vesentlige endringer i opplegget senere. Ved utsatt eksamen (kontinuasjonseksamen) kan skriftlig eksamen bli endret til muntlig eksamen.
Tillatte hjelpemidler til eksamen:
Alle kalkulatorer.
Tekniske tabeller Redigert av Jarle Johannssen.
Egne formelark delt ut sammen med oppgaven.



Forkunnskapskrav

Tilgang til emnet forutsetter studierett ved Bachelor i ingeniørfag eller tilsvarende ved NTNU.
Enkelt studenter kan følge emnet etter avtale med emne ansvarlig. 

Emnet er delt inn i følgende 4 moduler
 
1. Prediktivt Vedlikehold 
- Terminologi knyttet til prediktivt vedlikehold 
- Innovasjonsprosesser innen prediktivt vedlikehold 
- Etablere mål og strategier for prediktivt vedlikehold 
- Styring av prediktivt vedlikehold 
 
2. Tilstandskontroll og tilstandsovervåkning 
- Forutsetninger for tilstandskontroll og tilstandsovervåkning 
- Organisering av tilstandskontroll og tilstandsovervåkning 
- Utvalgte metoder for tilstandskontroll og tilstandsovervåkning 
- Metodikk for innsamling av tilstandsdata 
- Metodikk for analyse og vasking av tilstandsdata 
 
3. Diagnose og Prognose med bruk av tilstandsdata 
- Matematiske modeller 
- Maskinlæring 
- Visualisering av diagnose og prognose 
 
4. Vedlikeholds beslutninger 
- Bruk av diagnose og prognose utledet fra tilstandsdata, i vedlikeholds beslutninger 


Alle forelesninger streames og opptak legges på Black Board.
Interaktive forelesninger 
- Gjesteforelesere fra industri  
- Bruk av videoer 
- Digitale øvinger 
- Øvinger i klasserom
- Laboratorieøvinger 
- Prosjektarbeid / problembasert læring i grupper 


Etter å ha gjennomført emnet bør kandidaten å ha følgende grunnleggende kunnskaper om/ ferdigheter i og generell kompetanse, knyttet til prediktivt vedlikehold: 
 
Kunnskaper 
Kandidaten har kunnskap om: 
- Innsamling av tilstands data på elektro- og mekanisk utsyr  
- Diagnostisering av tilstand på elektro- og mekanisk utsyr 
- Bruk av tilstandsdata i vurdering av restlevetid på elektro- og
mekanisk utstyr 
- Vedlikeholds beslutninger basert på kunnskap om tilstand og restlevetid 
 
I forhold til etikk/innovasjon/digitalisering legger emnet vekt på å utvikle kandidatens grunnlag til å reflektere over:  
Etikk 
- Hvordan prediktivt vedlikehold kan bidra til bedre ressurs utnyttelse og optimal drift sikkerhet. 
Innovasjon 
- Hvordan kunnskap om tilstand og restlevetid kan anvendes i utvikling av optimalt vedlikehold av elektro- og mekanisk utstyr. 
Digitalisering 
- Muligheter som ligger i å bruke digitale tilstandsdata i vedlikeholds - analyser og beslutninger. 
 
 
Ferdigheter 
Kandidaten kan: 
- Delta i faglige diskusjoner om anvendelse av prediktivt vedlikehold  
- Velge gunstig metode for diagnostisering av tilstand på elektro- og mekanisk utstyr 
- Velge metodikk for innsamling og vurdering av tilstandsdata  
- Bruke verktøy for vurdering av degradering og restlevetid på elektro- og mekanisk utsyr 
- Visualisere sine vurderinger av degradering og restlevetid 
- Bruke informasjon om degradering og restlevetid i vedlikeholds beslutninger 

I forhold til etikk/innovasjon/digitalisering legger emnet vekt på å utvikle kandidatens evne til å: 
Etikk: 
- Kunne formidle konsekvenser forbundet med å ta i bruk prediktivt vedlikehold. 
Innovasjon: 
- Diskutere og foreslå måter å optimalisere drift og vedlikehold på med bruk av prediktivt vedlikehold. 
Digitalisering 
- Samle inn, vurdere og bruke tilstandsdata i drift og vedlikeholds analyser og beslutninger. 
 
Generell kompetanse: 
Kandidaten har følgende kompetanse: 
- Praktisk forståelse og innsikt i hvordan prediktivt vedlikehold påvirker: 
- driftssikkerhet og levetid 
- helse, miljø og økonomi 
- Praktisk forståelse av og innsikt i anvendelse av verktøy og metoder som brukes i prediktivt vedlikehold. 
- Evne til på faglig grunnlag å formulere og diskutere tekniske løsninger innen prediktivt vedlikehold med fagarbeidere og ledende personell. 

I forhold til etikk/innovasjon/digitalisering legger emnet vekt på følgende kompetanse: 
Etikk: Kandidaten skal kunne
- Forholde seg kritisk og reflekterende til prediktivt vedlikehold.   
- Vise konsekvensforståelse med fokus på levetids tenkning. 
Innovasjon: Kandidatene skal
- Kjenne til sentrale innovasjonsprosesser innen prediktivt vedlikehold. 
Digitalisering: Kandidatene skal
- Kjenne til implementering av digitale verktøy i prediktivt vedlikehold. 


Øving

Prediktivt Vedlikehold

Offshoreteknologi - Drift og vedlikehold

Driftssikkerhet - Maskinkonstruksjon

Maskinkonstruksjon - sikkerhetsteknikk

Vedlikeholds- og risikoanalyse

Sikkerhet og pålitelighet

Maskinkonstruksjon - driftssikkerhet

Teknologiske fag

Web/Lists(guid'8b698a2d-6ad0-4f7d-b3be-219cc1979f02')/Items(11634)/FieldValuesAsText

Tilstandsbasert vedlikehold - MAST2012