Terästuotteiden laatumallinnus haastavissa mittausolosuhteissa

Väitöstilaisuuden tiedot

Väitöstilaisuuden päivämäärä ja aika

Väitöstilaisuuden paikka

IT116

Väitöksen aihe

Terästuotteiden laatumallinnus haastavissa mittausolosuhteissa

Väittelijä

Filosofian maisteri Henna Tiensuu

Tiedekunta ja yksikkö

Oulun yliopiston tutkijakoulu, Tieto- ja sähkötekniikan tiedekunta, Biomimetiikka ja älykkäät järjestelmät

Oppiaine

Sulautetut järjestelmät ja ohjelmistot

Vastaväittäjä

Vanhempi lehtori Jaakko Hollmén, Stockholm University

Kustos

Professori Juha Röning, Biomimetiikka ja älykkäät järjestelmät, Oulun yliopisto

Lisää tapahtuma kalenteriin

Terästuotteiden laatumallinnus haastavissa mittausolosuhteissa

Teollisuus on siirtynyt yhä enenemissä määrin kohti dataohjautuvaa liiketoimintaa. Dataa on tarjolla niin paljon, että ongelmana ei ole sen saatavuus vaan se mitä siitä saadaan irti. Datasta louhittu tieto auttaa kontrolloimaan teollisuusprosesseja tehokkaammiksi ja automaattisemmiksi sekä parantamaan tuotteen laatua löytämällä syyt huonon laadun takaa ja näin parantamaan koko tehtaan tuottoa ja kilpailukykyä.

Väitöskirja auttaa ymmärtämään tilastollisten koneoppimismenetelmien tärkeyden teollisuusprosesseja kehitettäessä. Näiden menetelmien avulla pystymme ennakoimaan tulevaisuutta historian avulla ja kasvattamaan dataohjautuvan päätöksenteon tukea prosesseissa. Väitöskirjan sovellusalueena on terästeollisuus. Työ antaa työkaluja siihen miten AI sovellus voidaan toteuttaa onnistuneesti teollisuudessa askel askeleelta. Lisäksi työssä esitellään menetelmiä joiden avulla voidaan löytää juurisyitä huonolle laadulle ja näin kehittää prosessia tuottamaan laadukkaampia tuotteita. Koska teollisuuden haastavista olosuhteista kerätty data ei koskaan ole täydellistä, on tässä työssä kehitetty myös laatumalli, joka pystyy hyödyntämään puuttuvia tietoja.

Väitöskirjassa käytetään koneoppimismenetelmiä, joiden tarkoituksena on prosessoida dataa ja kehittää datamukautuvia laatumalleja, joiden avulla voidaan tehdä ennustuksia haluttavasta laatuominaisuudesta, ja näin tukea prosessissa työskentelevien ihmisten päätöksentekoa. Työssä on käytetty sekä ohjattuja-, että osittain-ohjattuja koneoppimismenetelmiä sekä mallien läpinäkyyvyyttä lisääviä selittäviä koneoppimismenetelmiä. Näiden menetelmien avulla on kehitetty ennustavia laatumalleja neljän erilaisen teräsprosessia kuvaavaan datasetin avulla. Kehitetyt laatumallit on implementoitu teollisuutta varten kehitettyyn älykkään päätöksenteon työkaluun, joka mahdollistaa reaaliaikaisen tuen teollisuusprosessissa työskenteleville henkilöille. Työkalun avulla työntekijä voi jo etukäteen tunnistaa tekijät, jotka voivat aiheuttaa laatuongelmia prosessissa ja mahdollistaa näin nopean reagoinnin laadun parantamiseen.

Väitöstutkimus osoittaa kuinka merkityksellisiä hyötyjä teollisuus voi saavuttaa dataohjautuvalla liiketoiminnalla. Kehitettyjen laatumallien avulla teollisuusprosessien tuotosta on voitu parantaa materiaalin riitävyyden suunnittelulla, jätteiden minimoimisella, laadun parantamisella sekä hylkäysriskien pienentämisellä. Työssä esiteltävät menetelmät ovat täysin sovellettavissa myös muihin teollisuuden alojen prosesseihin, kuten esimerkiksi elintarvikkeiden valmistusprosessin, biomassan kuivausprosessin ja terveyssovelluksien kehittämiseen.
Viimeksi päivitetty: 29.9.2022