haku: @keyword mallinnus / yhteensä: 180
viite: 9 / 180
Tekijä: | Vänttinen, Lauri |
Työn nimi: | Kehittyneet data-analytiikan menetelmät laitekannan automaattiseen valvontaan |
Advanced analytics for automated machine fleet monitoring | |
Julkaisutyyppi: | Diplomityö |
Julkaisuvuosi: | 2016 |
Sivut: | 67 Kieli: fin |
Koulu/Laitos/Osasto: | Sähkötekniikan korkeakoulu |
Oppiaine: | Älykkäät tuotteet (ETA3006) |
Valvoja: | Kyrki, Ville |
Ohjaaja: | Björkbom, Mikael |
Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201608263073 |
Sijainti: | P1 Ark Aalto 4458 | Arkisto |
Avainsanat: | advanced analytics modeling clustering anomaly detection kehittynyt analytiikka mallinnus klusterointi poikkeamien tunnistaminen |
Tiivistelmä (fin): | Data-analytiikan rooli on yhä merkittävämpi datan määrän kasvaessa nopeasti. Kehittyneillä analytiikan menetelmillä ja eri tietolähteitä yhdistämällä saadaan tietoa, jota voidaan käyttää tuotantoprosessien optimoimiseen, kunnossapitoon, päätöksentekoon ja liiketoiminnan parantamiseen. Tämän diplomityön kohdeyritys valmistaa, myy ja huoltaa teollisuuden työkoneita. Uudet koneet on varustettu etävalvontajärjestelmällä, joka kerää tietoja laitteen käytöstä. Työn aiheena on tutkia ja kehittää etävalvontadatan analysointia. Tärkein tavoite on kehittää analytiikkaprosesseja laitekannan automaattiseen valvontaan. Työssä tutustutaan etävalvonnan hyödyntämisen nykytilaan kohdeyrityksessä. Tulevaisuu-dessa automaattisen analytiikan avulla datan ja raporttien selaamiseen käytettävä työaika vähenee ja vikaantumiset voidaan havaita hyvissä ajoin. Työn teoriaosuudessa esitellään data-analytiikka vaiheineen ja haasteineen. Menetelmistä perehdytään tapauksien analysoinnissa käytettäviin neuroverkkoon ja klusterointiin. Käytännön osuudessa analysoidaan kaksi tapausta kehittyneitä menetelmiä käyttäen. En-simmäisessä tapauksessa etsitään energiankulutukseltaan poikkeavat työkoneet muodos-tamalla kulutuksen ennustava malli koko laitekannalle. Toisessa tapauksessa etsitään poikkeavat tapahtumat joukosta, joka sisältää useita erilaisia tapahtumia eri laitteilta. Nämä tapahtumat ovat harvinaisia yhdelle laitteelle, mutta yleisiä laitekannassa. Useiden eri laitteiden muodostaman tietolähteen tapahtumat mallinnetaan klusteroimalla ja poikkeamat etsitään vertailemalla havaintojen etäisyyttä klusterikeskuksista. Mallien toimivuus kyseisissä tapauksissa arvioidaan ja automaattisen analytiikan käyttöön-ottoon liittyviä haasteita pohditaan tulevaa mahdollista tuotteistamista ajatellen. Molemmissa tapauksissa analyysi onnistui ja poikkeavasti toimivat laitteet löydettiin. Tuloksia voidaan hyödyntää kohdeyrityksen laitekannan automaattisen valvonnan kehittämisessä. Työn prosesseja voidaan soveltaa jatkossa uusiin tietolähteisiin ja laitteisiin. |
Tiivistelmä (eng): | Data analytics is the key to capitalize the fast growing volumes of data. Advanced analytics combine multiple data sources enabling new knowledge to be used in optimizing processes, maintenance, decision making and building business models. The target company of this thesis manufactures, sells and provides maintenance services for industrial machinery. New machines are equipped with a remote monitoring system, which collects usage data from the machines. The subject of this thesis is to do research on and to develop remote monitoring. The goal is to develop analytic processes for automated machine fleet monitoring. The current utilization of remote monitoring is discussed in this thesis. In the future, automation of the analytic processes is the solution to reduce the manual work needed to go through the reports, and to detect the need for maintenance in advance. In the theory section of this thesis, data analytics with its phases and challenges are discussed. The theories of neural networks and clustering are explained as these methods are used in the case studies. In this thesis two case studies are analyzed using advanced methods. In the first case, the machines with abnormal energy consumption are detected by defining a model for the consumption of the whole machine fleet. In the second case, anomalies are detected from a data source containing multiple types of events from multiple machines. The events are rare for a single machine but common for the fleet. Anomalies are detected by clustering the events and comparing the distances between observations and cluster centers. The models are evaluated in both cases and the challenges of introducing automated analytics are considered. In both cases the analysis was successful and the machines with abnormal behavior were detected. The target company can utilize the results of this thesis in the development of automated machine fleet monitoring. The processes of this thesis can be used to analyze new data sources and machines in the future. |
ED: | 2016-09-04 |
INSSI tietueen numero: 54285
+ lisää koriin
INSSI