University of Oulu

Modelling the quality of the steel products under challenging measurement conditions

Saved in:
Author: Tiensuu, Henna1,2
Organizations: 1University of Oulu Graduate School
2University of Oulu, Faculty of Information Technology and Electrical Engineering, Computer Science and Engineering, Biomimetics and Intelligent Systems (BISG)
Format: ebook
Version: published version
Persistent link: http://urn.fi/urn:isbn:9789526234113
Language: English
Published: Oulu : University of Oulu, 2022
Publish Date: 2022-10-07
Thesis type: Doctoral Dissertation
Defence Note: Academic dissertation to be presented with the assent of the Doctoral Programme Committee of Information Technology and Electrical Engineering of the University of Oulu for public defence in Auditorium IT116, Linnanmaa, on 14 October 2022, at 12 noon
Tutor: Professor Juha Röning
University Lecturer Satu Tamminen
Reviewer: Professor Markus A. Reuter
Professor Xiaohui Liu
Opponent: Senior Lecturer Jaakko Hollmén
Description:

Abstract

Industry is increasingly moving towards data-driven business. With an abundance of data, the problem is no longer how to get access to data but how to extract the most value from it. The extracted knowledge helps to control industrial processes efficiently and automatically. The quality of products can be improved by finding root causes behind poor quality, hence improving the yield and competitiveness of the whole plant.

This thesis helps to understand the benefit of using statistical machine learning methods to improve manufacturing processes. With the methods presented, the future can be predicted based on historical data and data-driven decision support for the processes can be offered. The application area of this work is the steel industry. This work gives step-by-step advice for successfully implementing AI applications in the industry. In addition, methods for finding root causes behind poor quality are presented to improve the process and the quality of the products. Since data collected under challenging measurement conditions in the industry is never flawless, a quality model which can utilize incomplete data is also developed.

Machine learning methods are used in this work to process data and to develop data-driven quality models, which help to predict the desired quality characteristics and hence support the decision-making of the workers managing the process. Both supervised and semi-supervised machine learning methods are used. In addition, explainable machine learning is used to increase the transparency of the models. With the help of these methods, predictive quality models are developed for four different datasets consisting of measurements from steel manufacturing processes. The developed models have been implemented as a smart manufacturing tool, which enables real-time support for process workers during the manufacturing process. Using the tool, a worker can recognize the factors that can cause quality problems in the process in advance. Hence, the tool allows for fast reactions to improve the quality.

This work shows significant advantages the industry can obtain with a data-driven business model. By using the developed quality models, the yields of manufacturing processes were improved by better planning of material sufficiency, minimizing the amount of waste, improving the product quality, and reducing the risk of rejections. All of these methods are also entirely applicable to processes in other fields of industry such as food production, biomass drying, and health applications.

see all

Tiivistelmä

Teollisuus on siirtynyt yhä enenemissä määrin kohti dataohjautuvaa liiketoimintaa. Dataa on tarjolla niin paljon, että ongelmana ei ole sen saatavuus vaan se mitä siitä saadaan irti. Datasta louhittu tieto auttaa kontrolloimaan teollisuusprosesseja tehokkaammiksi ja automaattisemmiksi sekä parantamaan tuotteen laatua löytämällä syyt huonon laadun takaa ja näin parantamaan koko tehtaan tuottoa ja kilpailukykyä.

Tämä väitöskirja auttaa ymmärtämään tilastollisten koneoppimismenetelmien tärkeyden teollisuusprosesseja kehitettäessä. Näiden menetelmien avulla pystymme ennakoimaan tulevaisuutta historian avulla ja kasvattamaan dataohjautuvan päätöksenteon tukea prosesseissa. Tämän väitöskirjan sovellusalueena on terästeollisuus. Työ antaa työkaluja siihen miten AI sovellus voidaan toteuttaa onnistuneesti teollisuudessa askel askeleelta. Lisäksi työssä esitellään menetelmiä joiden avulla voidaan löytää juurisyitä huonolle laadulle ja näin kehittää prosessia tuottamaan laadukkaampia tuotteita. Koska teollisuuden haastavista olosuhteista kerätty data ei koskaan ole täydellistä, on tässä työssä kehitetty myös laatumalli, joka pystyy hyödyntämään puuttuvia tietoja.

Tässä työssä käytetään koneoppimismenetelmiä, joiden tarkoituksena on prosessoida dataa ja kehittää datamukautuvia laatumalleja, joiden avulla voidaan tehdä ennustuksia haluttavasta laatuominaisuudesta, ja näin tukea prosessissa työskentelevien ihmisten päätöksentekoa. Työssä on käytetty sekä ohjattuja-, että osittain-ohjattuja koneoppimismenetelmiä sekä mallien läpinäkyyvyyttä lisääviä selittäviä koneoppimismenetelmiä. Näiden menetelmien avulla on kehitetty ennustavia laatumalleja neljän erilaisen teräsprosessia kuvaavaan datasetin avulla. Kehitetyt laatumallit on implementoitu teollisuutta varten kehitettyyn älykkään päätöksenteon työkaluun, joka mahdollistaa reaaliaikaisen tuen teollisuusprosessissa työskenteleville henkilöille. Työkalun avulla työntekijä voi jo etukäteen tunnistaa tekijät, jotka voivat aiheuttaa laatuongelmia prosessissa ja mahdollistaa näin nopean reagoinnin laadun parantamiseen.

Tämä työ osoittaa kuinka merkityksellisiä hyötyjä teollisuus voi saavuttaa dataohjautuvalla liiketoiminnalla. Kehitettyjen laatumallien avulla teollisuusprosessien tuotosta on voitu parantaa materiaalin riitävyyden suunnittelulla, jätteiden minimoimisella, laadun parantamisella sekä hylkäysriskien pienentämisellä. Työssä esiteltävät menetelmät ovat täysin sovellettavissa myös muihin teollisuuden alojen prosesseihin, kuten esimerkiksi elintarvikkeiden valmistusprosessin, biomassan kuivausprosessin ja terveyssovelluksien kehittämiseen.

see all

Osajulkaisut / Original papers

Osajulkaisut eivät sisälly väitöskirjan elektroniseen versioon. / Original papers are not included in the electronic version of the dissertation.

  1. Tiensuu, H., Juutilainen, I., & Röning, J. (2011). Modeling the temperature of hot rolled steel plate with semi-supervised learning methods. In T. Elomaa, J. Hollmén, & H. Mannila (Eds.), Discovery Science (Vol. 6926, pp. 351–364). Springer Berlin Heidelberg. https://doi.org/10.1007/978-3-642-24477-3_28

  2. Tiensuu, H., Tamminen, S., Pikkuaho, A., & Röning, J. (2017). Improving the yield of steel plates by updating the slab design with statistical models. Ironmaking & Steelmaking, 44(8), 577–586. https://doi.org/10.1080/03019233.2016.1223582

  3. Tamminen, S., Tiensuu, H., Ferreira, E., Helaakoski, H., Kyllönen, V., Jokisaari, J., & Puukko, E. (2018). From measurements to knowledge—Online quality monitoring and smart manufacturing. In P. Perner (Ed.), Advances in Data Mining: Applications and Theoretical Aspects (Vol. 10933, pp. 17–28). Springer International Publishing. https://doi.org/10.1007/978-3-319-95786-9_2

    Rinnakkaistallennettu versio / Self-archived version

  4. Tiensuu, H., Tamminen, S., Haapala, O., & Röning, J. (2020). Intelligent methods for root cause analysis behind the center line deviation of the steel strip. Open Engineering, 10(1), 386–393. https://doi.org/10.1515/eng-2020-0041

    Rinnakkaistallennettu versio / Self-archived version

  5. Tiensuu, H., Tamminen, S., Puukko, E., & Röning, J. (2021). Evidence-based and explainable smart decision support for quality improvement in stainless steel manufacturing. Applied Sciences, 11(22), 10897. https://doi.org/10.3390/app112210897

    Rinnakkaistallennettu versio / Self-archived version

see all

Series: Acta Universitatis Ouluensis. C, Technica
ISSN: 0355-3213
ISSN-E: 1796-2226
ISSN-L: 0355-3213
ISBN: 978-952-62-3411-3
ISBN Print: 978-952-62-3410-6
Issue: 842
Type of Publication: G5 Doctoral dissertation (articles)
Field of Science: 213 Electronic, automation and communications engineering, electronics
Subjects:
Funding: I would like to acknowledge the personal support from Infotech Oulu Graduate School, Emil Aaltonen Foundation, Jenny and Antti Wihuri Foundation, Tauno Tönning Foundation, Walter Ahlström Foundation and the Ahti Pekkala Foundation. I would also like to thank the funding organisations the Finnish Funding Agency for Technology and Innovation (TEKES) and Business Finland (BF), which have funded the projects in which I have worked and have made contributions to this thesis.