Ohjatut ja ohjaamattomat koneoppimismenetelmät teollisessa laadunvalvonnassa : käyttöönotto ja soveltuminen

Abstract

Viime vuosikymmeninä teollisen tuotannon automatisointi ja digitalisointi ovat tehneet tuotantoprosesseista komplekseja. Monimutkaiset prosessit vaikuttavat etenkin laadunvalvonnan tehtävään paikantaa virheitä ja selvittää juurisyitä. Samaan aikaan tuotantoympäristöistä saa yhä enemmän dataa, jota analysoimalla saadaan arvokasta tietoa tuotannon tilasta. Suuri datan määrä mahdollistaa koneoppimismallien käytön laadunvalvonnan tukemiseen, mutta mallien käyttöönotto vaatii ymmärrystä mallien ominaisuuksista ja edellytyksistä.

Työssä tarkastellaan ohjattujen ja ohjaamattomien koneoppimismenetelmien soveltuvuutta laadunvalvonnan tehtäviin. Tavoitteena työssä on selvittää, millaisia eroja oppimismenetelmien soveltuvuudella on, sekä millaisia edellytyksiä koneoppimismallit vaativat käytetyltä datalta ja organisaation resursseilta. Tutkimus tehtiin kirjallisuuskatsauksena sekä empiirisen osuuden haastattelututkimuksena, joka toteutettiin yhteistyössä prosessiteollisuuden kohdeyrityksen kanssa.

Työn tuloksena rakennettiin viisivaiheinen lähestymistapa koneoppimismallien käyttöönottoon, jolla organisaatio voi arvioida, mitä oppimismenetelmää tulisi käyttää. Työssä todettiin, että ohjattuja ja ohjaamattomia menetelmiä käytetään eri tehtäviin. Ohjaamattomien menetelmien vahvuuksia ovat poikkeamien tunnistaminen ja aineiston piirteiden erottelu, kun taas ohjattuja menetelmiä käytetään laadun ennustamiseen. Molempien menetelmien käyttö vaatii asiantuntemusta, mutta ohjatut menetelmät vaativat enemmän aikaa ja rahaa.

In recent decades, the automation and digitalization of industrial production have made production processes complex. These complex processes particularly affect the role of quality control in detecting defects and identifying root causes. At the same time, production environments provide increasing amounts of data, which, when analyzed, offer valuable insights into the state of production. The large volume of data enables the use of machine learning models to support quality control, but implementing these models require an understanding of their characteristics and prerequisites.

This study examines the applicability of supervised and unsupervised machine learning methods to quality control tasks. The aim is to determine the differences in applicability between learning methods, as well as the requirements that machine learning models impose on the data used and the organization’s resources. The research was conducted as a literature review and an empirical component consisting of an interview study carried out in collaboration with a target company in the process industry.

As a result, a five-step approach was developed for implementing machine learning models, allowing organizations to assess which learning method should be used. The study found that supervised and unsupervised methods are applied to different tasks. The strengths of unsupervised methods include anomaly detection and feature differentiation in datasets, whereas supervised methods are used for quality prediction. Both methods require expertise, but supervised methods demand more time and financial resources.