Data analysis for machine parameter optimization
Lempiäinen, Ville (2019)
Lempiäinen, Ville
2019
Automaatiotekniikan DI-ohjelma - Degree Programme in Automation Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. Only for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2019-11-21
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-201911115876
https://urn.fi/URN:NBN:fi:tuni-201911115876
Tiivistelmä
Energy efficiency, performance rate and production quality are the key factors of profitable machinery operation in forestry machines or any other domain of heavy machinery. Machines are often operated in range of operating conditions which calls for significant adaptability from the machinery. This adaptability is traditionally achieved through parameterized control functions. However, sufficient adjustment of these parameters is non-trivial, and therefore may benefit from development of formal data-driven optimization process.
Performance of a forest machine can be measured using three high level measures: energy consumption, performance rate and production quality. These are the factors, or objectives, to consider when optimizing work of the machine. Having these objectives, parameter optimization steps include recording objective measures, storage of associated parameter values, refinement of performance information, evaluation of parameter suitability and determination of optimization actions. Problem is characterized by high variability of environmental variables, high effect of operator actions, time variance, non-linearities and high number of interconnections between variables.
Data visualizations are considered one of the most fundamental data analysis methods. In this thesis, formal data driven parameter adjustment process was pursued through data visualizations. Suitability and robustness of objective measures was evaluated using a controlled case study with limited scope. Based on the study findings, although some of the objectives were significantly related to corresponding parameters and therefore could be optimized based on data visualizations, not all parameters or objectives could be reliably evaluated based on automatically collected performance data used in this thesis. Although presented optimization method seems to have potential, more extensive study is needed to help revealing correlations between parameters, objectives, operator actions and environmental variables. Energiatehokkuus, tuotantotehokkuus ja tuotannon laatu ovat työkoneen kannattavan operoinnin perusvaatimuksia niin metsäkoneissa kuin muillakin raskailla työkoneilla. Koneita tyypillisesti käytetään erittäin vaihtelevissa olosuhteissa, minkä vuoksi koneen on mukauduttava erilaisiin työmaihin, operaattoreihin ja ympäristöolosuhteisiin. Tyypillisesti tämä säädettävyys saavutetaan säädettävien parametrien avulla, joita muuttamalla voidaan koneen käyttäytymistä hienosäätää. Optimaalisten säätöjen löytäminen ei kuitenkaan ole triviaali ongelma, minkä vuoksi dataan perustuva säätöprosessi voisi tuoda hyötyjä konetta optimoitaessa.
Kuten mainittu, metsäkoneen tehokkuutta mitataan käyttämällä kolmea korkean tason mittaria: energiatehokkuutta, tuotantotehokkuuta ja tuotannon laatua. Nämä ovat myös mittarit joiden mukaan koneen työskenteltyä voidaan optimoida. Optimointiprosessi koostuu seuraavista vaiheista: mittaroitavien tehokkuusarvojen tallennus, parametriarvojen tallennus, tehokkuusindeksien muodostaminen, parametrien sopivuuden arviointi ja tehokkuutta lisäävien parametrimuutosten löytäminen. Ongelman analysointi on monimutkaista, sillä performanssiarvot ovat vahvasti riippuvaisia ympäristömuuttujista, operaattorin toimista, aikavariantteja, epälineaarisia ja vahvasti toisistaan riippuvaisia. Datan visualisointia pidetään yhtenä perustavanlaatuisimpana dataanalyysimetodina. Visualisaatioiden avulla kehitettiin säännöllinen dataan perustuva säätöprosessikonsepti. Mittausten sopivuutta ja robustiutta arvioitiin laajuudeltaan rajoitetun esimerkkitapauksen avulla. Vaikka esimerkkitapauksessa joitain parametreja voitiin optimoida visualisointien avulla, kaikkia mittareita ja niihin liittyviä parametreja ei voitu luotettavasti arvioida kerätyn datan avulla. Vaikka työssä kehitetty optimointimentelmä tunnistettiin potentiaaliseksi, parametrien ja performanssimittareiden välisten yhteyksien selvittämiseksi tulisi tulevaisuudessa suorittaa laajempi tutkimus.
Performance of a forest machine can be measured using three high level measures: energy consumption, performance rate and production quality. These are the factors, or objectives, to consider when optimizing work of the machine. Having these objectives, parameter optimization steps include recording objective measures, storage of associated parameter values, refinement of performance information, evaluation of parameter suitability and determination of optimization actions. Problem is characterized by high variability of environmental variables, high effect of operator actions, time variance, non-linearities and high number of interconnections between variables.
Data visualizations are considered one of the most fundamental data analysis methods. In this thesis, formal data driven parameter adjustment process was pursued through data visualizations. Suitability and robustness of objective measures was evaluated using a controlled case study with limited scope. Based on the study findings, although some of the objectives were significantly related to corresponding parameters and therefore could be optimized based on data visualizations, not all parameters or objectives could be reliably evaluated based on automatically collected performance data used in this thesis. Although presented optimization method seems to have potential, more extensive study is needed to help revealing correlations between parameters, objectives, operator actions and environmental variables.
Kuten mainittu, metsäkoneen tehokkuutta mitataan käyttämällä kolmea korkean tason mittaria: energiatehokkuutta, tuotantotehokkuuta ja tuotannon laatua. Nämä ovat myös mittarit joiden mukaan koneen työskenteltyä voidaan optimoida. Optimointiprosessi koostuu seuraavista vaiheista: mittaroitavien tehokkuusarvojen tallennus, parametriarvojen tallennus, tehokkuusindeksien muodostaminen, parametrien sopivuuden arviointi ja tehokkuutta lisäävien parametrimuutosten löytäminen. Ongelman analysointi on monimutkaista, sillä performanssiarvot ovat vahvasti riippuvaisia ympäristömuuttujista, operaattorin toimista, aikavariantteja, epälineaarisia ja vahvasti toisistaan riippuvaisia. Datan visualisointia pidetään yhtenä perustavanlaatuisimpana dataanalyysimetodina. Visualisaatioiden avulla kehitettiin säännöllinen dataan perustuva säätöprosessikonsepti. Mittausten sopivuutta ja robustiutta arvioitiin laajuudeltaan rajoitetun esimerkkitapauksen avulla. Vaikka esimerkkitapauksessa joitain parametreja voitiin optimoida visualisointien avulla, kaikkia mittareita ja niihin liittyviä parametreja ei voitu luotettavasti arvioida kerätyn datan avulla. Vaikka työssä kehitetty optimointimentelmä tunnistettiin potentiaaliseksi, parametrien ja performanssimittareiden välisten yhteyksien selvittämiseksi tulisi tulevaisuudessa suorittaa laajempi tutkimus.