Koneoppimisen mahdollisuudet spektrometrituotannossa
Säilä, Jouni (2021)
2021
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-2021112822233
https://urn.fi/URN:NBN:fi:amk-2021112822233
Tiivistelmä
Opinnäytetyön tavoite oli parantaa Hitachi High-Tech Analytical Science Finlandin spektrometrituotannon laatua ja etsiä syy-seuraussuhteita spektrometrin ja yrityksen siitä valmistettavan lopputuotteen välillä. Laadun parantamiseksi yritys oli hankkinut referenssispektrometrin, joka piti integroida mukaan tuotannon prosessiin.
Opinnäytetyö aloitettiin muokkaamalla olemassa olevaa tuotantotestiohjelmistoa, jotta siihen saatiin mukaan referenssispektrometrin mittaaminen. Tästä jatkettiin keräämällä tuotantotestitietoja eri tuotannon vaiheista ja pyrittiin etsimään syy-seuraussuhteita näiden testien välille.
Koneoppiminen toteutettiin käyttämällä Python-koodauskieltä ja erinäisiä koneoppimisen malleja, kuten primäärikomponenttianalyysiä ja OLS-regressiota. Koneoppimista varten kerätty testitieto jaettiin koulutus ja tarkastus tietoon, joista ensimmäisellä koulutettiin koneoppimismalli ja jälkimmäisellä tarkastettiin sen toimivuus sille uudella tiedolla.
Lopputulemana referenssispektrometrillä kerättyä tietoa ei ehditty käyttämään opinnäytetyössä. Alkuperäinen hypoteesi, jossa valmiin laitteen laadun pystyisi ennustamaan spektrometrin tuotantotesteistä ei myöskään toiminut odotetusti. Tästä pystyttiin päätellä jonkin asian vaikuttavan laitteen tuotannossa spektrometriä enemmän laitteen laatuun, jolloin spektrometrin ominaisuuksien vaikutus peittyy tämän alle. Koneoppiminen kuitenkin onnistuttiin validoimaan vertaamalla spektrometreistä saatuja tietoja valmiin laitteen tuotantotestitietoihin, jossa löydettiin yhtenäisyys. Työn tuottamalla tiedolla voidaan parantaa spektrometrituotantoa ja estää virheellisten spektrometrien siirtyminen eteenpäin tuotannossa.
Opinnäytetyö aloitettiin muokkaamalla olemassa olevaa tuotantotestiohjelmistoa, jotta siihen saatiin mukaan referenssispektrometrin mittaaminen. Tästä jatkettiin keräämällä tuotantotestitietoja eri tuotannon vaiheista ja pyrittiin etsimään syy-seuraussuhteita näiden testien välille.
Koneoppiminen toteutettiin käyttämällä Python-koodauskieltä ja erinäisiä koneoppimisen malleja, kuten primäärikomponenttianalyysiä ja OLS-regressiota. Koneoppimista varten kerätty testitieto jaettiin koulutus ja tarkastus tietoon, joista ensimmäisellä koulutettiin koneoppimismalli ja jälkimmäisellä tarkastettiin sen toimivuus sille uudella tiedolla.
Lopputulemana referenssispektrometrillä kerättyä tietoa ei ehditty käyttämään opinnäytetyössä. Alkuperäinen hypoteesi, jossa valmiin laitteen laadun pystyisi ennustamaan spektrometrin tuotantotesteistä ei myöskään toiminut odotetusti. Tästä pystyttiin päätellä jonkin asian vaikuttavan laitteen tuotannossa spektrometriä enemmän laitteen laatuun, jolloin spektrometrin ominaisuuksien vaikutus peittyy tämän alle. Koneoppiminen kuitenkin onnistuttiin validoimaan vertaamalla spektrometreistä saatuja tietoja valmiin laitteen tuotantotestitietoihin, jossa löydettiin yhtenäisyys. Työn tuottamalla tiedolla voidaan parantaa spektrometrituotantoa ja estää virheellisten spektrometrien siirtyminen eteenpäin tuotannossa.