Datalähtöinen monitavoiteoptimointi teollisuudessa
Sipola, Tapani (2019-12-16)
Sipola, Tapani
T. Sipola
16.12.2019
© 2019 Tapani Sipola. Tämä Kohde on tekijänoikeuden ja/tai lähioikeuksien suojaama. Voit käyttää Kohdetta käyttöösi sovellettavan tekijänoikeutta ja lähioikeuksia koskevan lainsäädännön sallimilla tavoilla. Muunlaista käyttöä varten tarvitset oikeudenhaltijoiden luvan.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:oulu-201912173282
https://urn.fi/URN:NBN:fi:oulu-201912173282
Tiivistelmä
Tutkielman aiheena on koneoppimisella toteutettuun tilastolliseen malliin perustuva teollisen prosessin monitavoiteoptimointi. Esimerkkitapauksena käytetään teräksen nuorrutusprosessin parametrien säätöä tuotteen mekaanisten ominaisuuksien hylkäysriskin ennusteen rajoittamana. Aluksi esitellään monitavoiteoptimointi ja evoluutioalgoritmit yleisellä tasolla, ja kaksi monitavoitteista evoluutioalgoritmia, NSGA-II ja DEMO. Tämän jälkeen esitellään koneoppimiseen perustuva menetelmä, jota ollaan käytetty teräksen mekaanisten ominaisuuksien mallintamiseen, sekä sen toteuttamiseen käytetyt tilastolliset mallit GBM ja GAM. Annetaan lyhyt kuvaus teräksen lämpökäsittelystä ja mekaanisten ominaisuuksien testauksesta. Lopuksi vertaillaan NSGA-II:n ja DEMO:n suoriutumista optimointiongelmasta käyttäen monitavoitteisia rintamametriikoita. Monitavoiteoptimoinnin soveltuvuus nuorrutuskäsittelyn optimointiin todetaan. DEMO toimii kyseisessä ongelmassa paremmin kuin NSGA-II, mutta tämä saattaa johtua mekaanisien ominaisuuksien ennustamiseen valituista menetelmistä.
Kokoelmat
- Avoin saatavuus [32009]