Using clustering methods in public cloud for condition monitoring of a process filter

Abstract

Insinöörityön tarkoituksena oli kehittää työkalu, jota asiantuntija voisi käyttää automatisoidun prosessisuodattimen viallisen toiminnan etsintään. Laitteen valmistaja oli kiinnostunut selvittämään, miten klusterointialgoritmi voisi auttaa asiantuntijaa löytämään poikkeavia tapahtumia ja vapauttamaan asiantuntijoiden työaikaa tärkeämpiin tehtäviin. Kuukauden aikasarjojen tutkiminen käsin on aikaa vievää työtä. Tämä insinöörityö keskittyi kahteen anturisignaaliin, jotka ovat laitteen toiminnan keskiössä.

Työssä kehitettiin aikasarjojen analysointiin pilvipohjainen ratkaisu, joka pohjautui aikaisempaan klusterointialgoritmia käyttävään työhön. Työn osana tutkittiin ja arvioitiin erilaisia julkisten pilvipalveluiden tarjoamia koneoppimisen tuotteita. Pilvipalveluiden tuotteet todettiin toisiaan vastaaviksi ja tarjonta kattavaksi, mikä mahdollistaa sovelluksien joustavan kehityksen ja käyttöönoton. Työn lopputuloksena syntyi web-sovellus ja mahdollisuus suorittaa klusterointialgoritmi konttipalveluna.

Työssä kehitetyn työkalun käyttö oli aluksi hankalaa asiantuntijoille, koska he eivät ymmärtäneet algoritmin toimintaa. Työkaluun lisättiin enemmän algoritmin sisäistä toimintaa selventäviä ominaisuuksia, ja lopulta asiantuntijat pystyivät tekemään samanlaisia huomioita kuin heidän raporteissaan oli. Tämä osoitti, että sekä koneoppimisen että alan asiantuntemus on tarpeellista koneoppimisratkaisuja kehitettäessä.

The goal of this thesis was to develop a tool that an expert could use to aid them in identifying abnormal behavior in an automated pressure filter. The equipment manufacturer was interested whether a clustering algorithm could help to group and thus reduce the workload of an expert, for whom going through a month’s worth of time series data was time consuming work and tedious work. This study focused on two sensor signals at the heart of the pressure filter’s operation.

The practical part, which involved developing a cloud-based solution, was building on existing work. As part of this work, several machine learning solutions provided by public cloud providers were tested and evaluated. The tools for machine learning offered by the cloud providers were found to be flexible and easy to use for developing and deploying machine learning solutions. The final implementation consists of a web-application and capability to run the clustering algorithm in as a container service.

The experts found use of the tool to be challenging at first, as they did not fully understand the functioning of the algorithm. The tool was then extended to provide more context on the algorithm’s inner function to the end user and ultimately the experts could glean insights that matched the previously manually compiled reports. The project demonstrates the need to have both machine learning and domain expertise for developing machine learning solutions.