Emulsioräjähdysaineen panostusprosessin tiedonlouhinta
Authors
Date
2021Copyright
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Tämän tutkielman tavoitteena oli löytää uutta ja hyödyllistä tietoa emulsioräjähdysaineen panostusprosessista hyödyntäen tiedonlouhinnan menetelmiä. Aineistona oli panostusyksiköistä kerätty moniulotteinen aikasarjadata. Tutkielmassa käytiin läpi kohdealueeseen ja aikasarjojen erityispirteisiin sopivia ohjaamattoman oppimisen menetelmiä. Tiedonlouhinnan menetelmiksi valittiin kontekstuaalinen matriisiprofiili ja sen soveltaminen klusterointiin ja poikkeavuuksien havaitsemiseen seuraten Knowledge Discovery in Databases (KDD) -prosessia. Menetelmien avulla datasta löydettiin poikkeavuuksia. Tulosten avulla pyritään parantamaan panostusprosessin laatua sekä tarjoamaan tarkempaa tietoa asiakkaille. The aim of this theses was to find novel and useful information from emulsion explosives charging process. Multivariate time series data was collected from charging units. Suitable unsupervised machine learning methods for times series data were discussed. Data mining methods used were contextual matrix profile applied to clustering and anomaly detection following the steps of Knowledge Discovery in Databases (KDD) process. Anomalies and discords were found as a result. Results and information are to be used to improve the quality of the charging process and provide more detailed information to customers.
Metadata
Show full item recordCollections
- Pro gradu -tutkielmat [29104]
Related items
Showing items with similar title or keywords.
-
Detector-based visual analysis of time-series data
Wartiainen, Pekka (University of Jyväskylä, 2015) -
Anomaly detection in IoT data streams
Strömberg, Heta (2024)Kiinnostus IoT-järjestelmiin on selkeästi kasvussa ja sen myötä on entistä tärkeämpää tunnistaa, että IoT-datavirrat sisältävät poikkeavuuksia. Näitä voivat aiheuttaa järjestelmien tai tietoliikenteen toimimattomuus tai ... -
A Deep Learning Model for Automatic Sleep Scoring using Multimodality Time Series
Yan, Rui; Li, Fan; Zhou, DongDong; Ristaniemi, Tapani; Cong, Fengyu (IEEE, 2020)Sleep scoring is a fundamental but time-consuming process in any sleep laboratory. Automatic sleep scoring is crucial and urgent to help address the increasing unmet need for sleep research. Therefore, this paper aims to ... -
Osakekurssien ennustaminen koneoppimisen menetelmillä
Hoikkala, Kalle (2021)Osakemarkkinoiden ennustaminen ja ennustettavuus on ollut polttava kysymys sijoittajien ja tutkijoiden keskuudessa jo vuosikymmeniä. Tekoälyn suosion kasvun myötä koneoppimisen menetelmistä on pyritty löytämään keinoja ... -
Poikkeavien energiankulutusten havaitseminen rakennustyypeittäin
Hyvärinen, Joe (2023)Rakennukset kuluttavat merkittävän määrän energiaa koko maailman energiankulutuksesta. Rakennusten energiankulutusten poikkeamien tunnistaminen on merkittävä haaste ja askel eteenpäin ilmastonmuutoksen ja kestävän kehityksen ...