Datalähtöinen monitavoiteoptimointi teollisuudessa

Abstract

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.