Koneoppimisen käyttö ennakoivassa huollossa

Abstract

Työssä tutkittiin koneoppimisen käyttöä ennakoivan huollon vaatimissa vian ennustustehtävissä. Työn tavoitteena selvitettiin, kuinka koneoppiminen kykenee ennustamaan vikojen ilmaantumisen ja huollon tarpeen laitteessa. Lisäksi tarkasteltiin, mitä vaatimuksia ja etuja ennakoivalla huollolla on muihin huoltostrategioihin nähden. Työn päätavoitteena muodostettiin valintakriteerit oikean koneoppimisalgoritmin valitsemiselle. Työ suoritettiin kirjallisuustutkimuksena ajankohtaisten tutkimusten pohjalta. Työ rajattiin koskemaan yhteen laitteeseen sovellettavaa ennakoivaa huoltoa, eikä tutkimuksen tuloksia voida yleistää koskemaan kokonaisia tuotantojärjestelmiä. Koneoppimisen oppimismenetelmistä keskityttiin tarkastelemaan ohjattua ja ohjaamatonta oppimista, jotka sopivat ominaisuuksiensa perusteella parhaiten ennakoivan huollon tehtäviin.

Ennakoiva huolto vaatii toimiakseen laitteesta kerättyä historiadataa, jatkuvaa kunnon valvontaa sekä laitteen tilan ennustamista kerätyn datan pohjalta. Ennakoiva huolto vähentää käyttökatkoksia ja pienentää huoltokustannuksia suhteessa muihin huoltostrategioihin. Koneoppimisen suurin rooli ennakoivassa huollossa on vikojen ennustaminen. Tätä varten koneoppimisalgoritmit tarvitsevat dataa laitteen vikaantumisesta ja siihen johtaneista olosuhteista. Tutkimus osoittaa, että ennakoivan huollon vaatimiin tehtäviin soveltuu parhaiten ohjatun oppimisen algoritmeista satunnaismetsä (engl. Random Forest, RF). Kyseisen algoritmin tekemät ennustukset pohjautuvat sen sisältämien päätöspuiden (engl. Decision Tree, DT) summaan. Rajoittavimmaksi kriteeriksi RF algoritmille osoitettiin sen opettamiseen käytettävän historiadatan määrä. Ohjaamattoman oppimisen algoritmien käyttö on sopivaa tilanteissa, joissa ei ole saatavilla tarvittavaa määrää historiadataa ohjatun oppimisen algoritmien kouluttamiseen. Näissä tilanteissa klusterointialgoritmit suoriutuvat vian havaitsemisen ja luokittelun tehtävistä paremmin kuin matemaattiset menetelmät.

Tutkimus osoittaa, että ohjatun oppimisen algoritmit soveltuvat ennakoivan huollon vaatimiin ennustustehtäviin ohjaamattoman oppimisen algoritmeja paremmin. Ominaisuuksiensa puolesta ohjaamattoman oppimisen algoritmeilla on kuitenkin suuri rooli onnistuneen ennakoivan huoltostrategian osana. Klusterointialgoritmit sopivat vian havaitsemisen lisäksi datan tiivistämiseen ja poikkeavien arvojen havaitsemiseen. Ohjaamattoman oppimisen algoritmeja voidaan tämän vuoksi käyttää historiadatan prosessointivaiheessa, jossa kerätty data muokataan sopivaan muotoon ohjatun oppimisen algoritmeja varten. Ennakoivan huoltostrategian tehokasta toimintaa varten sekä ohjatun että ohjaamattoman oppimisen algoritmien käyttö on tarpeen.