Sumeutetun aikasarjadatan visualisointi

Abstract

Teollisuuden nykyaikaistumisen ja digitalisoitumisen myötä laitteiden lähettämä datamäärä on moninkertaistunut ja monipuolistunut. Suuria datamääriä on vaikea tulkita ja visualisoida, eikä erilaisten arvojen välisiä vuorovaikutuksia välttämättä pystytä tunnistamaan. Erilaisten arvojen vuorovaikutusten havainnointi mahdollistaa poikkeuksien tunnistamisen sekä saman tyyppisten laitteiden vertailun keskenään. Aiemmin tehdyn tutkimuksen pohjalta on todistettu, että erilaisten arvojen välistä suhdetta voidaan mallintaa sumean logiikan avulla tehokkaasti.

Opinnäytetyössä jatkettiin aiemman kehityksen pohjalta sumeaan mallintamiseen luotua työkalua, johon toteutettiin käyttöliittymä sumean mallin visualisointiin. Käyttöliittymää varten toteutettiin sovellusrajapinta, joka palauttaa sumeasta mallista lasketun luottamuspistejakauman. Jakauma ja sen avulla toteutettu visualisointi kuvaavat, kuinka yksittäinen laite vastaa sumean mallin muita saman tyyppisiä laitteita.

Opinnäytetyössä myös pohdittiin mahdollisia tulevaisuuden käyttömahdollisuuksia sumealle mallinnukselle ja mallin erilaisille visualisoinneille. Sumeaa mallia voidaan muun muassa käyttää laitteiden poikkeavuuksien seurantaan tai isomman laitejoukon käyttäytymisen vertailuun.

Modernisation and digitalisation of heavy industry has resulted in an increased amount of data from machines. Large amounts of data can be hard to interpret and visualize effectively. Further problem is that relationships between data values cannot be seen in huge data sets or processed without a large amount of computing power. However, previous studies have proven that relationships between different values can be modelled efficiently with fuzzy logic.

In this thesis, a user interface was developed as part of an already existing web application for visualisation of a fuzzy model. A REST API was developed for the interface that calculates a confidence score distribution from the fuzzy model. The calculated distribution and the resulting visualisation of it describe how well a certain machine corresponds with other machines of same type in the fuzzy model.

Furthermore, possible future uses were discussed for fuzzy models and different kinds of visualisation methods of it. In future fuzzy models may be used for monitoring of anomalies in machines or for comparing usage of multiple machines against each other.