Ennustavan vikadiagnostiikan ja telemetrian kehitys ja sen hyödyntäminen
Pesonen, Jukka (2018)
Pesonen, Jukka
2018
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202001301812
https://urn.fi/URN:NBN:fi:amk-202001301812
Tiivistelmä
Opinnäytetyössä tutkittiin asiakasyritykselle koneoppimiseen perustuvaa ennustavan vikadiagnostiikan kehitystä. Rinnalla toteutettiin sekä reaaliaikaisen, että pilveen tallennetun telemetriatiedon parempaa analysointia. Lisäksi työn piti antaa yritykselle parannusehdotuksia nykyisten etäkunnonvalvontasovellusten parantamiseksi. Suurimman hyödyn saamiseksi ennustavaa vikadiagnostiikkaa sekä etäkunnonvalvontaa tutkittiin molempia samanaikaisesti.
Työssä keskityttiin koneoppimiseen liittyvien teknologioiden tarkasteluun sekä sen eri sidosryhmille tuomien hyötyjen tunnistamiseen. Lisäksi työssä mietittiin miten näitä saisi yhdistettyä nykyisiin sovelluksiin.
Case-tyyppisenä toteutetussa työssä, tutkittiin muutamien logistiikkakeskusten pilveen tallentamien telemetriatietojen analysointia ja miten näillä tiedoilla voitaisiin toteuttaa ennustavaa vikadiagnostiikka sekä löytää tapoja, joilla erottaa lastinkäsittelylaitteiden lähettämistä tiedoista poikkeamia. Koneoppimista testattiin avoimen lähdekoodin Scikit-learn kirjastolla. Työn tekeminen sisälsi paljon kokeilevaa ohjelmointia sekä luovaa määrittely- ja selvitystyötä telemetriatietojen analysoimiseksi ja parantamiseksi sekä koneoppimisen tuomien hyötyjen pohdintaan.
Koneoppimisesta saadut kokemukset ja tulokset näyttivät, että koneoppimisen algoritmeilla voidaan ennakoida muutoksia datassa sekä löytää poikkeavuuksia suurista datamassoista. Kehitystyötä tulee jatkaa, jotta ennustettavuutta saadaan parannettua ja integroitua nykyisiin sovelluksiin. Koneoppiminen tarjoaa teolliseen internetiin perustuvia liiketoimintamahdollisuuksia sovelluksien parantuessa.
Telemetriatietojen analysoinnissa saadut tulokset olivat rohkaisevia ja niiden avulla olisi mahdollista saada paljon uusia tilastotietoja laitteiden suorituskyvystä. Kehitystyötä voitaisiin jatkaa saavutetuista lähtökohdista, vaikka toteutusta voisi miettiä jollain muulla ohjelmointikielellä kuin Pythonilla
Työssä keskityttiin koneoppimiseen liittyvien teknologioiden tarkasteluun sekä sen eri sidosryhmille tuomien hyötyjen tunnistamiseen. Lisäksi työssä mietittiin miten näitä saisi yhdistettyä nykyisiin sovelluksiin.
Case-tyyppisenä toteutetussa työssä, tutkittiin muutamien logistiikkakeskusten pilveen tallentamien telemetriatietojen analysointia ja miten näillä tiedoilla voitaisiin toteuttaa ennustavaa vikadiagnostiikka sekä löytää tapoja, joilla erottaa lastinkäsittelylaitteiden lähettämistä tiedoista poikkeamia. Koneoppimista testattiin avoimen lähdekoodin Scikit-learn kirjastolla. Työn tekeminen sisälsi paljon kokeilevaa ohjelmointia sekä luovaa määrittely- ja selvitystyötä telemetriatietojen analysoimiseksi ja parantamiseksi sekä koneoppimisen tuomien hyötyjen pohdintaan.
Koneoppimisesta saadut kokemukset ja tulokset näyttivät, että koneoppimisen algoritmeilla voidaan ennakoida muutoksia datassa sekä löytää poikkeavuuksia suurista datamassoista. Kehitystyötä tulee jatkaa, jotta ennustettavuutta saadaan parannettua ja integroitua nykyisiin sovelluksiin. Koneoppiminen tarjoaa teolliseen internetiin perustuvia liiketoimintamahdollisuuksia sovelluksien parantuessa.
Telemetriatietojen analysoinnissa saadut tulokset olivat rohkaisevia ja niiden avulla olisi mahdollista saada paljon uusia tilastotietoja laitteiden suorituskyvystä. Kehitystyötä voitaisiin jatkaa saavutetuista lähtökohdista, vaikka toteutusta voisi miettiä jollain muulla ohjelmointikielellä kuin Pythonilla