Tilastollisen prosessinohjauksen menetelmiä poikkeamien havaitsemiseen aikasarjadatassa
Korpela, Ossi (2023)
Korpela, Ossi
2023
Tietojenkäsittelytieteiden kandidaattiohjelma - Bachelor's Programme in Computer Sciences
Informaatioteknologian ja viestinnän tiedekunta - Faculty of Information Technology and Communication Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2023-05-23
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202305045221
https://urn.fi/URN:NBN:fi:tuni-202305045221
Tiivistelmä
Teollisuudessa lukuisat laitteet keräävät mittaritietoa suorittamistaan prosesseista. Kerättyä dataa voidaan hyödyntää prosessin valvonnan parantamiseen. Jos poikkeamat laitteiden lähettämässä aikasarjadatassa havaitaan ajoissa, voidaan välttyä laitevioilta tai epäonnistuneilta tuote-eriltä. Molemmissa tapauksissa saatava taloudellinen hyöty voi olla merkittävää. Tämän vuoksi aikasarja-analyysi ja poikkeamien havaitseminen ovat nousseet tärkeiksi tutkimuksen kohteiksi.
Tämä tutkielma on kirjallisuuskatsaus tilastollisen prosessinohjauksen menetelmiin poikkeamien havaitsemiseksi aikasarjadatassa. On hyvä huomata, että poikkeamien havaitsemiseen on kirjallisuudessa hyödynnetty keinoja kuten koneoppimista. Keinot eivät kuitenkaan sisälly tilastolliseen prosessinohjaukseen, ja siten eivät ole osana tätä tutkielmaa. Tässä tutkielmassa käydään läpi sekä klassisia tilastollisen prosessinohjauksen menetelmiä että uusia kirjallisuudesta löytyviä menetelmiä.
Tutkielman tavoitteena on saada kokonaiskuva toimivista ratkaisuista poikkeamien havaitsemiseen. Ymmärrystä eri mallien vahvuuksista tarvitaan oikean mallin valitsemiseen. Jotta tulokset olisivat mahdollisimman käytännöllisiä, katsaus on rajattu sisältämään ainoastaan menetelmiä, jotka ovat tutkimusartikkeleiden kirjoittajien mukaan tuottaneet aiempia menetelmiä parempia tuloksia. Tässä kirjallisuuskatsauksessa ei esitellä menetelmiä matemaattisesti, koska se ei ole tämän katsauksen laajuuden kannalta mahdollista. Menetelmien toiminnasta on kuitenkin annettu lyhyt kirjallinen kuvaus.
Katsauksessa päädyttiin tulokseen, että ei ole yhtä parasta menetelmää. Sovellusalueet ja niiden mallintaminen sisältävät suuria eroja, minkä vuoksi yksi ratkaisu ei ylety parhaisiin tuloksiin kaikilla sovellusalueilla. Tämän lisäksi menetelmien teoreettiset taustat sisälsivät paljon vaihtelua. Mitä soveltuvamman mallin saa valittua, sitä parempiin tuloksiin pääsee. Niinpä sovellusalueen tuntemus nousikin tärkeäksi tekijäksi mallin valitsemisen kannalta. Tutkielmassa käydään läpi joitakin ohjeita sopivan mallin valitsemiseksi.
Tämä tutkielma on kirjallisuuskatsaus tilastollisen prosessinohjauksen menetelmiin poikkeamien havaitsemiseksi aikasarjadatassa. On hyvä huomata, että poikkeamien havaitsemiseen on kirjallisuudessa hyödynnetty keinoja kuten koneoppimista. Keinot eivät kuitenkaan sisälly tilastolliseen prosessinohjaukseen, ja siten eivät ole osana tätä tutkielmaa. Tässä tutkielmassa käydään läpi sekä klassisia tilastollisen prosessinohjauksen menetelmiä että uusia kirjallisuudesta löytyviä menetelmiä.
Tutkielman tavoitteena on saada kokonaiskuva toimivista ratkaisuista poikkeamien havaitsemiseen. Ymmärrystä eri mallien vahvuuksista tarvitaan oikean mallin valitsemiseen. Jotta tulokset olisivat mahdollisimman käytännöllisiä, katsaus on rajattu sisältämään ainoastaan menetelmiä, jotka ovat tutkimusartikkeleiden kirjoittajien mukaan tuottaneet aiempia menetelmiä parempia tuloksia. Tässä kirjallisuuskatsauksessa ei esitellä menetelmiä matemaattisesti, koska se ei ole tämän katsauksen laajuuden kannalta mahdollista. Menetelmien toiminnasta on kuitenkin annettu lyhyt kirjallinen kuvaus.
Katsauksessa päädyttiin tulokseen, että ei ole yhtä parasta menetelmää. Sovellusalueet ja niiden mallintaminen sisältävät suuria eroja, minkä vuoksi yksi ratkaisu ei ylety parhaisiin tuloksiin kaikilla sovellusalueilla. Tämän lisäksi menetelmien teoreettiset taustat sisälsivät paljon vaihtelua. Mitä soveltuvamman mallin saa valittua, sitä parempiin tuloksiin pääsee. Niinpä sovellusalueen tuntemus nousikin tärkeäksi tekijäksi mallin valitsemisen kannalta. Tutkielmassa käydään läpi joitakin ohjeita sopivan mallin valitsemiseksi.
Kokoelmat
- Kandidaatintutkielmat [8709]