Value creation in elevator maintenance using spare part image classification

Abstract

This thesis studies opportunities that are enabled by the latest advancements in image classification capabilities from the point of value creation through business process improvement. The objective of this thesis was to improve a pre-selected business process in KONE Corporation’s maintenance business with an image classification-based solution. This was done by first understanding the options and requirements associated with creating the solution. After that, a proof-of-concept solution was created and tested using Python programming language. The gained knowledge from the solution creation process was then used to analyse the solution and its applicability on a broader scale.

The study was conducted using a constructive research approach. The knowledge gained from the literature review was applied in combination with the practical understanding of the problem areas. Necessary internal information and data used in the thesis were collected through meetings, interviews, and other cooperative methods between involved parties.

The results of the thesis emphasize the importance of proper planning while forming the solution idea. Multiple different approaches to solution creation were identified and one was selected to be used as the base of the solution idea. Approaches varied mainly based on cost, time, and involvement. Additionally, the workflow actions performed during the solution creation process were highly affected by the approach decision.

The most important requirements for the target process were the availability of relevant image data and a method of labeling the data. The classification results from the created solution met the set requirements despite having a small number of images per class available for training. Therefore, classification performance was defined to be more dependent on data availability than the current technological capabilities.

The most benefits were seen if the solution was used as a supporting tool in the target process. This minimizes disruption caused by the implementation and allows for additional testing and optimization. It was also noted that the solution should be optimized to target high-volume objects. By doing this, the model can better support the common and repetitive identification tasks while maintaining the required classification accuracy.

Tutkimuksessa tarkastellaan mahdollisuuksia, jotka ovat avautuneet kuvantunnistuskyvykkyyksien kehittymisen myötä. Aiheeseen syvennytään arvon tuottamisen ja liiketoimintaprosessien näkökulmasta. Työn tavoitteena oli kehittää ennalta määritettyä KONE Corporation -yrityksen hissihuoltokäynteihin liittyvää prosessia kuvantunnistuspohjaisella ratkaisulla. Ratkaisuidea muodostettiin kerättyjen vaatimuksien ja tutkimusajankohdan teknologisten mahdollisuuksien perusteella. Käytännön suorituskykyä arvioitiin konseptitodistuksen muodossa. Python-ohjelmointikieltä hyödynnettiin ratkaisuidean rakentamisessa sekä testaamisessa. Työn lopuksi arvioitiin ratkaisukehitysprosessin aikana kerättyjä tuloksia ja ratkaisun soveltuvuusalueen laajuutta.

Työ on konstruktiivinen tutkimus, jossa ennalta havaittuun ongelmaan kehitetään testattava käytännön ratkaisu. Kehityksen pohjana hyödynnetään tutkimuksen aikana hankittua teoreettista ja käytännön tietoa. Tarkasteltavaan kohteeseen liittyvä tieto ja data kerättiin tapaamisten, haastatteluiden, sekä muiden yhteistoiminnallisten metodien avulla.

Tutkimuksen tulokset korostavat suunnittelun tärkeyttä ratkaisukehitysprosessin alkuvaiheissa. Työssä vertaillaan useita erilaisia lähestymistapoja, joista yksi valittiin varsinaisen toteutuksen tueksi. Lähestymistavat erottautuivat toisistaan pääasiassa kustannuksien, aikavaatimuksien sekä vaadittavan osallisuuden perusteella. Lisäksi työvaiheet tutkimuksen empiirisessä osassa olivat vahvasti riippuvaisia valitusta lähestymistavasta.

Ratkaisun soveltuvuusaluetta pohditaan vaatimuksien ja hyötyjen muodossa. Kohdeprosessin tärkeimmäksi vaatimukseksi esitettiin sopivan kuvadatan saatavuus sekä ymmärrys sen sisällöstä. Ratkaisun kuvantunnistuskyky saavutti asetetut vaatimukset konseptitodistuksen laajuudessa, vaikka saatavilla olevan kuvadatan määrä arvioitiin pieneksi. Tämän takia kuvantunnistuskyvykkyys määritettiin olevan riippuvainen ennemmin saatavilla olevasta datasta kuin tämänhetkisistä teknologisista kyvykkyyksistä.

Ratkaisun arvioitiin sopivan parhaiten käyttötarkoituksiin, joissa sitä voidaan hyödyntää olemassa olevan toiminnan tukena. Tämä vähentää ratkaisun toimeenpanoon liittyvää häiriötä kohdeprosessissa sekä antaa mahdollisuuden testata ja optimoida ratkaisua käytännönympäristössä.