Ennakoivan huollon mallintaminen koneoppimisen avulla

Abstract

Tämän opinnäytetyön tavoitteena oli rakentaa simulaatiopohjainen järjestelmä, jonka avulla voidaan tutkia koneoppimisen soveltuvuutta ennakoivaan huoltoon. Työn taustalla oli tarve ymmärtää, miten luotettavasti huoltotarvetta voidaan ennustaa tilanteessa, jossa käytössä ei ole aitoa anturidataa, vaan data täytyy generoida keinotekoisesti. Ennakoiva huolto on moderni kunnossapitomenetelmä, jonka avulla pyritään tunnistamaan vikatilanteet ennen niiden toteutumista. Tämä vaatii taustalle laadukasta, analysoitavaa mittausdataa. Työssä rakennettiin Python-pohjainen datan generointimalli, jossa simuloitiin teollisuuskoneen mittareita kuten tärinää, kuormitusta, lämpötilaa, ääntä ja öljyn painetta eri vuodenaikojen vaikutukset huomioiden. Generoidun datan päälle rakennettiin oneoppimismalli, joka pyrki ennustamaan huoltotarvetta. Pääasiallisena algoritmina toimi Random Forest, jonka toimintaa analysoitiin päätöspuuvetojen kautta. Työhön kuului myös interaktiivinen käyttöliittymä Streamlitillä, joka mahdollistaa mallin käytön ja datan visualisoinnin helposti. Tuloksista ilmeni, että vaikka koneoppimismallit kuten Random Forest kykenevät nopeasti oppimaan simuloidun datan rakenteet, niillä on taipumus ylioppimiseen, jos data on liian yksinkertaista tai säännönmukaista. Tämä havainto johti keskeiseen päätelmään, jossa realistisesti monimuotoisen datan simulointi on ennakoivan huollon mallintamisessa ratkaisevan tärkeää. Työ osoitti samalla, että vaikka täysin autenttista dataa ei voida korvata simulaatiolla, tällainen lähestymistapa tarjoaa tärkeän kehitysalustan mallien testaamiseen ja tutkimiseen.