Statistical Learning Based Classification of Rare Events in Predictive Maintenance

 |  Login

Show simple item record

dc.contributor Aalto-yliopisto fi
dc.contributor Aalto University en
dc.contributor.advisor Sutinen, Laura
dc.contributor.author Mäkelin, Harri
dc.date.accessioned 2015-07-01T08:10:54Z
dc.date.available 2015-07-01T08:10:54Z
dc.date.issued 2014
dc.identifier.uri https://aaltodoc.aalto.fi/handle/123456789/17008
dc.description.abstract The detection and correct classification of rare events is a common problem encountered in diverse fields such as fraud prediction, network intrusion detection, churn analysis, medical diagnosis, and predictive maintenance. In the field of predictive maintenance, anticipating when a piece of equipment will fail is an important aspect of planning maintenance operations. While such planning can be carried out using sometimes highly sophisticated causal and stochastic models which rely on specialized domain knowledge and the judgement of subject matter experts, in recent years, there has been a shift to a more data driven approach (Choudhary et al., 2009). The objective of this thesis is to explore machine learning techniques that have been developed to deal with rare event classification problems and to apply them to a real case example using monitoring data from an industrial company with an installed base of several thousands of equipment globally. The goal is to predict which pieces of equipment are at risk of failing within a specified monitoring period in order to improve the tactical planning of maintenance operations. The findings of the study suggest rare event prediction methods combined with established machine learning algorithms can be used to improve the accuracy of decision tree based learners in predicting equipment failure. en
dc.description.abstract Harvinaisten tapahtumien havainnointia ja oikeaa luokittelua tarvitaan muun muassa petoksen ennakoinnissa, verkkotunkeutumisen havaitsemisessa, asiakkaan uskollisuuden analysoinnissa, lääketieteellisessä diagnosoinnissa ja ennakoivassa huollossa. Ennakoivan huollon yhteydessä kaluston hajoamisen ennakointi on tärkeää huolto-operaatioiden suunnittelussa. Vaikka tätä suunnittelua on tyypillisesti lähestytty ongelman sovellusalan asiantuntijoiden tietoon perustuvien kausaalisten ja stokastisten mallien avulla, viime vuosina datakeskeinen lähestymistapa on yleistynyt (Choudhary et al., 2009). Työn tavoitteena on tutkia harvinaisten tapahtumien luokitteluun soveltuvia menetelmiä ja soveltaa niitä todelliseen esimerkkiin käyttäen monitorointidataa teollisuusyritykseltä, jonka huollettavana on useita tuhansia laitteita eri puolilla maailmaa. Päämääränä on ennustaa, mitkä laitteet ovat vaarassa hajota määritellyn varoitusajan sisällä huolto-operaatioiden taktisen suunnittelun kehittämiseksi. Tulokset vahvistavat käsitystä, että harvinaisten tapahtumien tunnistamiseen käytettyjä menetelmiä voidaan käyttää yhdessä vakiintuneiden koneoppimisen tekniikoiden kanssa päätöspuumallien ennustustarkkuuden parantamiseen. fi
dc.format.extent vi + 50 s.
dc.language.iso en en
dc.title Statistical Learning Based Classification of Rare Events in Predictive Maintenance en
dc.title Tilastolliseen oppimiseen perustuva harvinaisten tapahtumien tunnistaminen ennakoivassa huollossa fi
dc.type G2 Pro gradu, diplomityö fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.contributor.school Perustieteiden korkeakoulu fi
dc.subject.keyword harvinaiset tapahtumat fi
dc.subject.keyword luokittelu fi
dc.subject.keyword otanta fi
dc.subject.keyword ensemble-mallit fi
dc.subject.keyword rare events en
dc.subject.keyword classification en
dc.subject.keyword sampling en
dc.subject.keyword ensemble learning en
dc.identifier.urn URN:NBN:fi:aalto-201507013650
dc.type.dcmitype text en
dc.programme.major Sovellettu matematiikka fi
dc.programme.mcode Mat-2
dc.type.ontasot Diplomityö fi
dc.type.ontasot Master's thesis en
dc.contributor.supervisor Salo, Ahti


Files in this item

Files Size Format View

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record

Search archive


Advanced Search

article-iconSubmit a publication

Browse

My Account