| dc.date.accessioned |
2017-03-29T06:11:50Z |
und |
| dc.date.accessioned |
2017-10-24T12:21:56Z |
|
| dc.date.available |
2017-03-29T06:11:50Z |
und |
| dc.date.available |
2017-10-24T12:21:56Z |
|
| dc.date.issued |
2017-03-29T06:11:50Z |
|
| dc.identifier.uri |
http://radr.hulib.helsinki.fi/handle/10138.1/5970 |
und |
| dc.identifier.uri |
http://hdl.handle.net/10138.1/5970 |
|
| dc.title |
Producing data-driven component health predictions with hidden Markov model |
en |
| ethesis.discipline |
Statistics |
en |
| ethesis.discipline |
Tilastotiede |
fi |
| ethesis.discipline |
Statistik |
sv |
| ethesis.discipline.URI |
http://data.hulib.helsinki.fi/id/670ef0b6-2f9e-4e98-91af-a292298fb670 |
|
| ethesis.department.URI |
http://data.hulib.helsinki.fi/id/61364eb4-647a-40e2-8539-11c5c0af8dc2 |
|
| ethesis.department |
Institutionen för matematik och statistik |
sv |
| ethesis.department |
Department of Mathematics and Statistics |
en |
| ethesis.department |
Matematiikan ja tilastotieteen laitos |
fi |
| ethesis.faculty |
Matematisk-naturvetenskapliga fakulteten |
sv |
| ethesis.faculty |
Matemaattis-luonnontieteellinen tiedekunta |
fi |
| ethesis.faculty |
Faculty of Science |
en |
| ethesis.faculty.URI |
http://data.hulib.helsinki.fi/id/8d59209f-6614-4edd-9744-1ebdaf1d13ca |
|
| ethesis.university.URI |
http://data.hulib.helsinki.fi/id/50ae46d8-7ba9-4821-877c-c994c78b0d97 |
|
| ethesis.university |
Helsingfors universitet |
sv |
| ethesis.university |
University of Helsinki |
en |
| ethesis.university |
Helsingin yliopisto |
fi |
| dct.creator |
Soininvaara, Katri |
|
| dct.issued |
2017 |
|
| dct.language.ISO639-2 |
eng |
|
| dct.abstract |
In condition-based maintenance data is collected from a machine to provide advice on frequency and location of developing faults. Statistical inference is needed to transform the data into information on the health of the machine. The ultimate goal is to minimise the machine down-time due to unexpected breakage. Predictive maintenance attempts to forecast the condition of the machine components from the observed data, and to maintain the machine just before it breaks down.
The research question this thesis aims to solve is how to diagnose and predict component health based on data collected from the machine. Based on the literature, hidden Markov model is selected for further study. There is usually uncertainty relating to the parameters and structure of the model due to the complicated causal relationships in the modelling problem. Therefore the thesis concentrates in finding a suitable inference algorithm which is able to learn the model from data.
Six different frequentist and Bayesian algorithms are tested with a synthetic example. A hypothesis is put forward that a hybrid genetic variational Bayesian algorithm could be used to find the best performing hidden Markov model of component health. As expected, the hybrid variational algorithm performs better than the other examined algorithms, especially when there is uncertainty relating to the model structure. However, since there typically is an imbalance between the data depicting faults and the data depicting the normal behaviour, the simulated test case shows that even the best performing variational algorithm has difficulties in identifying the correct model. This results in increased uncertainty in the health predictions.
The thesis confirms that the hidden Markov model has many good qualities for modelling component health based on remote monitoring data. Due to the versatility of the model, it can be modified to account for the many details of component degradation behaviour in different machines. |
en |
| dct.abstract |
Kuntoon perustuvassa huollossa dataa kerätään huollettavasta laitteesta, jotta saataisiin tietoa laitteen vikaantumisesta. Tilastollista päättelyä tarvitaan muuntamaan kerätty data informaatioksi laitteen kunnosta. Perimmäinen tarkoitus on minimoida laitteen yllättävästä vikaantumisesta johtuva huoltoaika. Ennakoivan huollon tarkoituksena on siten ennustaa laitteen komponenttien terveystila kunnonvalvonnasta saatavan datan perusteella, ja huoltaa laite juuri ennen kuin se hajoaa.
Gradun tutkimuskysymyksenä on kuinka diagnosoida ja ennustaa komponentin terveystila laitteesta kerätyn datan perusteella. Kirjallisuuden pohjalta valitaan tarkemmin tutkittavaksi Markovin piilomalli. Koska mallinnusongelman kausaalisuhteet ovat monimutkaisia, mallin parametreihin ja rakenteeseen sisältyy usein epävarmuutta. Siten gradu keskittyy löytämään algoritmin, jolla malli voidaan päätellä kerätyn datan perusteella.
Kuusi erilaista frekventististä ja bayesilaista algoritmia testataan synteettisen esimerkin avulla. Tutkimuksessa ehdotetaan, että geneettinen bayesilainen variaatioalgoritmi toimisi tutkituista algoritmeista parhaiten komponentin kuntomallin oppimiseen. Tämä hybridi variaatioalgoritmi toimiikin odotusten mukaisesti, ja onnistuu mallinnuksessa paremmin kuin muut tutkitut algoritmit erityisesti kun mallin rakenteeseen sisältyy epävarmuutta. Koska kunnonvalvonnasta kerättyyn dataan liittyy tyypillisesti epäsuhta vikaantumisten ja laitteen normaaliin käyttöön liittyvän datan välillä, simuloidun esimerkin perusteella voidaan sanoa, että myös parhaiten toimivalla variaatioalgoritmilla on vaikeuksia identifioida oikea malli. Tämä lisää kuntoennusteiden epävarmuutta.
Gradu puoltaa Markovin piilomallin käyttöä komponentin terveystilan mallintamisessa kunnonvalvontadatan perusteella. Mallin monimuotoisuudesta johtuen sillä on potentiaalia mallintaa moninaisia erilaisten laitteiden vikaantumistilanteita. |
fi |
| dct.language |
en |
|
| ethesis.language.URI |
http://data.hulib.helsinki.fi/id/languages/eng |
|
| ethesis.language |
English |
en |
| ethesis.language |
englanti |
fi |
| ethesis.language |
engelska |
sv |
| ethesis.thesistype |
pro gradu-avhandlingar |
sv |
| ethesis.thesistype |
pro gradu -tutkielmat |
fi |
| ethesis.thesistype |
master's thesis |
en |
| ethesis.thesistype.URI |
http://data.hulib.helsinki.fi/id/thesistypes/mastersthesis |
|
| ethesis.degreeprogram |
Bayesian Statistics and Decision Analysis |
en |
| dct.identifier.urn |
URN:NBN:fi-fe2017112252086 |
|
| dc.type.dcmitype |
Text |
|
