search query: @keyword kunnonvalvonta / total: 56
reference: 20 / 56
Author: | Hyvämäki, Tapani |
Title: | Testing Bayesian networks and density based clustering in maintenance fault detection |
Bayesilaisten menetelmien ja klusterointimenetelmien testaus kunnossapidon vianetsinnässä | |
Publication type: | Master's thesis |
Publication year: | 2009 |
Pages: | 75 Language: eng |
Department/School: | Matematiikan ja systeemianalyysin laitos |
Main subject: | Sovellettu matematiikka (Mat-2) |
Supervisor: | Hämäläinen, Raimo P. |
Instructor: | Hölttä, Vesa |
Digitized copy: | https://aaltodoc.aalto.fi/handle/123456789/96681 |
OEVS: | Digitized archive copy is available in Aaltodoc
|
Location: | P1 Ark T80 | Archive |
Keywords: | forest harvester data analysis condition monitoring density based clustering Gaussian mixture model Bayesian network metsäkone data-analyysi kunnonvalvonta tiheyspohjainen klusterointi Gaussinen sekamalli Bayesilainen verkko |
Abstract (eng): | Data-driven condition monitoring of cut-to-length forest harvesters has developed to a state where substantial amounts of high quality data are available from the harvesting process and especially from the harvester head, which is the main functional part of the harvester. However, the methods that are capable of extracting the essential information from the data are relatively immature. Methods from the field of industrial process monitoring have been applied to the forest harvesting process, but so far with little success. The problem with these methods is that the variation in environmental conditions and the contribution of the human operator have a great influence on both process performance and efficiency. To date, the development of means for measuring these factors has not reached a desired level. This thesis introduces three previously unapplied methods for data-driven condition monitoring on the forest harvester head performance index data. These methods have been used in the process industry earlier. One of the introduced methods is a density based clustering method and the other two are probabilistic methods called the Gaussian mixture and the Bayesian network modeis. The starting point of the analysis involves determining the distribution of the data, finding patterns in the data and identifying dependencies between the index variables. Further based on these observations the process in-control and out-of-control states, including the fault states and the related variabies, are explored. The theoretical part of this thesis introduces forest harvester operation and the collected data, basic concepts of data-driven condition monitoring as well as the data-driven condition monitoring methods and related multivariate statistics. The experimental part applies the introduced condition monitoring modeis to the index data followed by an analysis of the models' suitability. The final conclusions present the findings that contain qualitative observations and recommendations about the models and the data. The main result is that the data is not sufficient to he used with the condition monitoring methods examined in this thesis. Finally, the main findings are Iisted and recommendations for overcoming the shortcomings are proposed. These results can he utilized in the future research of maintenance fault detection of forest harvesters. |
Abstract (fin): | Tavaralajimenetelmän metsäkoneen datapohjainen kunnonvalvonta on kehittynyt tasolle, jossa huomattava määrä korkealaatuista tietoa on saatavilla harvesterin puunkäsittelyprosessista ja erityisesti harvesteripäältä, joka on harvesterin tärkein toiminnallinen osa. Menetelmät, joilla olennainen informaatio pyritään löytämään datasta, eivät kuitenkaan ole kehittyneet samalla tavalla. Prosessiteollisuudessa käytettyjä menetelmiä on yritetty soveltaa myös metsäkoneisiin, mutta toistaiseksi menestys on ollut heikkoa. Ongelmana on ollut, että ympäristömuuttujien sekä harvesterin kuljettajan vaikutukset puunkorjuuprosessin suorituskykyyn ja tehokkuuteen ovat erittäin suuria. Lisäksi näiden vaikutusten luotettava mittaaminen ei ole vielä ollut riittävällä tasolla. Tässä diplomityössä esitellään kolme harvesteripään datapohjaisen kunnonvalvonnan menetelmää, joita ei ennen ole käytetty metsäkoneissa. Menetelmiä on käytetty prosessiteollisuuden puolella aiemmin. Yksi käytetyistä menetelmistä on tiheyspohjainen klusterointimenetelmä ja kaksi muuta ovat todennäköisyyspohjaisia malleja nimeltään Gaussilainen sekamalli ja Bayesilainen verkko. Analyysin lähtökohtana on datan jakautuneisuuden tutkiminen, säännönmukaisuuksien etsiminen havainnoista sekä riippuvuuksien etsiminen havaittujen muuttujien väliltä. Edelleen näiden havaintojen pohjalta prosessin tilat, mukaan lukien vikatilat ja niihin liittyvät muuttujat pyritään tunnistamaan. Työn teoriaosassa esitellään metsäkoneen toiminnan ja työvaiheiden perusteet, data-pohjaisen kunnonvalvonnan peruskäsitteet sekä datapohjaisen kunnonvalvonnan menetelmiä sekä näihin liittyvät tilastollisten monimuuttujamenetelmien perusteet. Kokeellisessa osassa esiteltyjä menetelmiä sovelletaan dataan ja näiden sopivuutta analysoidaan. Yhteenveto-osioissa esitellään tulokset, jotka sisältävät kvalitatiivisia havaintoja sekä suosituksia koskien malleja ja dataa. Keskeisimpänä tuloksena on, että käytetty data ei ole riittävää tässä työssä käytettyjen kunnonvalvontamenetelmien tarpeisiin. Pääasialliset ongelmakohdat sekä ehdotuksia näiden ongelmien poistamiseksi on esitetty. Näitä tuloksia voidaan käyttää tulevissa tutkimuksissa. |
ED: | 2009-07-21 |
INSSI record number: 38125
+ add basket
INSSI