Dataohjautuvia tekoälyratkaisuja terästeollisuuden prosessien parantamiseen

Henna Tiensuun väitöskirja auttaa ymmärtämään tilastollisten koneoppimismenetelmien tärkeyden teollisuusprosesseja kehitettäessä. Hän esittelee menetelmiä, joiden avulla voidaan löytää syyt huonolle laadulle ja näin kehittää prosessia tuottamaan laadukkaampia tuotteita. Koska teollisuuden haastavista olosuhteista kerätty data ei koskaan ole täydellistä, on hän kehittänyt työssään myös laatumallin, joka pystyy hyödyntämään puuttuvia tietoja.

-Näiden menetelmien avulla pystymme ennakoimaan tulevaisuutta historian avulla ja kasvattamaan dataohjautuvan päätöksenteon tukea prosesseissa. Tutkimukseni sovellusalueena on terästeollisuus. Tutkin, miten tekoälysovellus voidaan toteuttaa onnistuneesti terästeollisuuden dataohjautuviin prosesseihin.

Väitöstutkimus osoittaa kuinka merkityksellisiä hyötyjä teollisuus voi saavuttaa dataohjautuvalla liiketoiminnalla. Tiensuun laatumallien avulla teollisuusprosessien tuotosta on voitu parantaa materiaalin riittävyyden suunnittelulla, jätteiden minimoimisella, laadun parantamisella sekä hylkäysriskien pienentämisellä.

-Esittelemäni menetelmät ovat täysin sovellettavissa myös muihin teollisuuden alojen prosesseihin, kuten esimerkiksi elintarvikkeiden valmistusprosessin, biomassan kuivausprosessin ja terveyssovelluksien kehittämiseen, Henna Tiensuu kertoo.

Filosofian maisteri Henna Tiensuu väittelee Oulun yliopistossa perjantaina 14.10. Sulautettujen järjestelmien alan väitöskirjan suomennettu otsikko on Terästuotteiden laatumallinnus haastavissa mittausolosuhteissa (Modelling the quality of the steel products under challenging measurement conditions). Vastaväittäjänä toimii vanhempi lehtori Jaakko Hollmén Tukholman yliopistosta ja kustoksena professori Juha Röning Oulun yliopistosta. Väitöstilaisuus alkaa kello 12 salissa IT116 Linnanmaan kampuksella.