Bayesian detection of change-points, trends, and oscillations in industrial process measurements

Abstract

Machine learning, artificial intelligence, and Industry 4.0 has given rise to new technologies that offer powerful tools for industrial manufacturing companies to successfully operate in an environment of increased production costs and tightening environmental regulations. One of the potential manufacturing industries to benefit from such technologies is the forest industry where especially in Finland the raw material costs have increased. In this thesis, a Bayesian machine learning algorithm is studied to detect and classify abrupt changes in the manufacturing processes measurements. The algorithm is applied to the sawmill wood drying process measurements where unhealthy process conditions are timestamped and classified. This enables an automated process measurements monitoring and root-cause analysis. Based on the results of the experiments, the algorithm is able to detect and classify change-points from the real process measurements but it was noticed that certain characteristics of the measured signals may hinder the algorithm’s performance. The focus of the thesis is on implementation of the algorithm in a way that takes into account the constraints of the process conditions such as the limited computation capacity.

Koneoppiminen, tekoäly, ja teollisuus 4.0 ovat synnyttäneet uusia teknologioita, jotka tarjoavat tehokkaita työkaluja valmistavan teollisuuden yrityksille menestyäkseen kasvavien tuotantokustannusten ja kiristyvän ympäristölainsäädännön ympäristössä. Yksi mahdollisista valmistavan teollisuuden aloista, joka voi hyötyä tällaisista teknologioista on metsäteollisuus, jossa erityisesti Suomessa raaka-ainekustannukset ovat nousseet merkittävästi. Tässä työssä tutkitaan Bayesilaista koneoppimisalgoritmia, jonka tavoitteena on havaita ja luokitella äkillisiä muutoksia teollisuusprosessien mittauksissa. Algoritmia sovelletaan sahateollisuuden puunkuivauksen prosessimittauksiin, joissa ongelmalliset prosessiolosuhteet ajoitetaan ja luokitellaan. Tämä mahdollistaa prosessimittausten automatisoidun seurannan ja juurisyyanalyysin. Tehtyjen kokeiden tulosten perusteella algoritmi pystyy havaitsemaan ja luokittelemaan muutokset prosessimittauksista, mutta tiettyjen signaalien ominaisuuksien havaittiin heikentävän algoritmin suorituskykyä. Työn painopisteenä on algoritmin implementoiminen siten että prosessiolosuhteiden tuomat rajoitteet otetaan huomioon, kuten esimerkiksi rajallinen laskentateho.