haku: @supervisor Visala, Arto / yhteensä: 105
viite: 12 / 105
| Tekijä: | Heinonen, Niilo |
| Työn nimi: | Nosturista kerätyn datan hyödyntäminen |
| Utilizing data gathered from cranes | |
| Julkaisutyyppi: | Diplomityö |
| Julkaisuvuosi: | 2015 |
| Sivut: | 73 + 6 Kieli: fin |
| Koulu/Laitos/Osasto: | Sähkötekniikan korkeakoulu |
| Oppiaine: | Automaation tietotekniikka ja -järjestelmät (ETA3005) |
| Valvoja: | Visala, Arto |
| Ohjaaja: | Nieminen, Olli-Pekka |
| Elektroninen julkaisu: | http://urn.fi/URN:NBN:fi:aalto-201512165641 |
| Sijainti: | P1 Ark Aalto 3314 | Arkisto |
| Avainsanat: | data-analytics crane clustering material flow data mining waste to energy steel DBScan data-analytiikka nosturi klusterointi materiaalivirrat tiedonlouhinta jätteenpoltto |
| Tiivistelmä (fin): | Työssä tutkittiin mahdollisuuksia hyödyntää nosturista valmiiksi kerättyä dataa. Työn aihepiiriä rajoitettiin siten, että keskityttiin nostureihin, joista löytyy kohdeyrityksen kattavin monitorointijärjestelmä. Näiden nosturien osalta tutkittiin teräs- ja jätteenpolttolaitoksissa toimivia nostureita. Nosturidataan sovellettiin tiedonlouhintamenetelmiä. Menetelmistä sovellettiin erityisesti klusterointialgoritmejä, jotka voidaan jakaa neljään päätyyppiin. Näistä työhön valikoitui käyttöön tiheyspohjainen DBScan-algoritmi. Monitorointijärjestelmä laskee hyödyllistä tietoa nosturin toiminnasta valmiiksi, joten tätä tietoa hyödynnettiin mahdollisimman paljon. Tähän jalostuneempaan, valmiiksi laskettuun tietoon yhdistettiin nosturilta nauhoitettua raakadataa. Työn soveltavaan vaiheeseen valittiin kolme casea. Caset valittiin kohdeyrityksen sisällä käytyjen keskustelujen pohjalta. Työn puitteissa kehitettiin ohjelmisto, jolla oli mahdollista esittää visuaalisesti työssä käsitellyt caset. Ensin muodostettiin nosturin datasta visuaalinen malli nosturin työsykleistä sekä mallinnettiin nosturin yleisimmät taakan nosto- ja jättöpaikat soveltaen tiheyspohjaista DBScan-klusterointialgoritmiä ja laskettiin näihin saapuva ja lähtevä materiaalivirta. Nämä tulokset yhdistettiin visuaalisen malliin, jolloin saatiin muodostettua visuaalinen malli nosturin liikuttamista materiaalivirroista. Toisessa casessa jatkettiin materiaalivirta-analyysia muodostamalla jätebunkkerista varastomalli, jossa mallinettiin, kuinka paljon ja minkä ikäistä jätettä on missäkin kohtaa bunkkeria. Malliin sisällytettiin myös bunkkerin pinnankorkeus. Kolmannessa casessa analysoitiin nosturidataa tarkoituksena saada parempi käsitys nosturilla esiintyvistä vioista. Nosturilta kerätystä datasta tuotettiin lisäinformaatiota vikatilanteiden syiden selvittämiseksi. Yksittäisen nosturin liikuttamat materiaalivirrat saatiin mallinnettua tarkasti. Terästehtaiden tapauksessa ne eivät kerro paljoa koko tehtaan materiaalivirroista. Jätteenpolttolaitoksessa sen sijaan nosturin ollessa ainoa jätettä liikuttava kone saatiin koko bunkkerin materiaalivirrat laskettua, minkä pohjalta saatiin kehitettyä jätebunkkerille varastomalli. Kehitetyt vikatilanteiden analysointimenetelmät pätevät kaikkiin nostureihin, joista löytyy työssä käytetty monitorointijärjestemä. |
| Tiivistelmä (eng): | The objective of this master's thesis was to study the possibilities to utilize data al-ready gathered from cranes. The thesis was limited on cranes with the most com-prehensive monitoring system offered by the company. Among these cranes, the field of the thesis was limited on Steel and Waste To Energy cranes. Data mining was applied to crane data. Especially, clustering algorithms, deviding in four main types, were used. For the thesis, a density based DBScan algorithm was chosen. The monitoring system, which is the basis for data used in the thesis, calculates plenty of useful information from cranes. This information was utilized as much as possible. In addition to this, raw data gathered from cranes was used when needed. There were three main cases to study. The cases were chosen based on discussions in the Company. During the master's thesis, a software capable of visualizing all the cases was implemented. In the first case, a visual model of crane working cycles was formed based on the gathered data. In addition, DB Scan algorithm was used to identify the most common start and end areas for crane's production moves. Having identified these areas, material flow to and from these areas was calculated. These results were combined with the visual model resulting in a visual representation of the material flow moved by the crane. In the second case, material flow analysis was continued by modelling a storage model for waste bunker based on WTE crane's production moves. In the storage model, age and amount of waste in different parts of the bunker was modelled. Height of the bunker surface was also included in the model. In the third case, faults of cranes were studied in order to better understand, how and why faults happen. Material flow moved by a single crane was modelled accurately. In the case of steel factories, this does not provide much information in terms off material flow in the whole factory. However, in the case of Waste To Energy cranes, material flow analysis provides new and useful information as WTE crane is the only machine moving waste in the bunker. Encouraged by this, a storage model for the waste bunker was successfully implemented. Fault analysis methods implemented during the master's can be applied to all the cranes equipped with the monitoring system used in the master's thesis. |
| ED: | 2016-01-17 |
INSSI tietueen numero: 52765
+ lisää koriin
INSSI