Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Data mining för resurseffektivaretillverkning och produktion
KTH, School of Industrial Engineering and Management (ITM), Production Engineering.
KTH, School of Industrial Engineering and Management (ITM), Production Engineering.
2014 (Swedish)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesis
Abstract [sv]

Sammanfattning

Hur går en organisation från att vara informationsrik till att bli insiktsfull - och hur tar man bästa beslut utifrån denna insikt? Det strömmar otroligt stora mängder data genom produktion- och tillverkningssystem. Företag saknar ofta kunskap kring hur denna information skall användas. Data mining är de verktyg som kan användas för att ta reda på den informationen. Genom att upptäcka mönster och relationer i stora mängder data har Data mining gjort det möjligt att finna den kunskap man tidigare inte trodde fanns. Syftet med denna rapport är att undersöka om dessa verktyg kan användas för att öka resurseektiviteten i tillverkning och produktion.

Inom forskning, foretagsekonomi, finansbranchen, myndigheter samt produktionsbolag appliceras Data mining till problemlösning och optimering. Läkemedelnsbranchen använder Data mining i syfte att effektivisera i produktionscykeln, men också till att upptäcka kundmönster som ar kopplade till läkemedlet. Data mining ar uppbyggd av matematiska och statistiska metoder så som, beslutstrad, regressionsanalys, genetiska algoritmer och neurala nätverk. Dessa gör det möjligt att upptäacka mönster och relationer i data. För att kunna utnyttja dessa metoder med goda resultat är det viktigt att den data man analyserar är specifik. Det innebär att data bör filtreras från anomaliteter, saknade värden och felaktigt insamlad data. I Microsoft Excel är det möjligt att använda Data mining som analysverktyg. Genom verktyget Associate observeras relationer och möonster i en uppsattning data. Forecast är ett verktyg som beraknar ett sannolikt utfall genom att analyser historisk data, medan Highlight Exceptions identifierar undantag.

En empirisk studie utfördes i syfte att identifiera kritiska systemfel i en process, resultatet tyder på att Associateverktyget är användbart vid resurseektivisering. Utfallet i studien för Highlight Exceptions visar sig vara begränsad, vi fann dock att verktyget är användbart vid data hantering. Vid förutsägande modeller ifrågasäatter vi tillförlitligheten till resultaten då verktyget är datakänsligt. Rapporten visar att Data mining är ett användbart verktyg i syfte öka resurseektiviteten.

Abstract [en]

Abstract

Is it possible for a data-rich organisation to become insight-rich and how does one optimise its decisions? Large amounts of information ows through production- and manufacturing systems. Businesses lack knowledge of how to use their stored data. Data mining are those techniques that can be used to detect patterns and identify relationships. Data mining has made it possible to nd undiscovered knowledge in large amount of data. The purpose of this thesis is to examine if these techniques can be used to increase the resource eciency within production and manufacturing.

Within research, business economics, nance, governments as well as production are all using Data mining for problem solving and optimisation. The healthcare industry uses Data mining to improve the production cycle and to find valuable customer behavior. Data mining uses decision trees, multiple regression analysis, geospatial analysis and neural networks to create mathematical models. In order to use these methods and provide a good answer, it is necessary that the analyzed data is specific. Meaning that the data should be filtered from anomalies, missing values and incorrect data. Microsoft Excel makes it possible to use Data mining as an analysis tool. Using the tool, Associate, allows one to identify patterns in a set of data. Forecast is a tool that calculates a likely outcome of the future by analyzing the historical data. Whilst Highlight Exceptions detects exceptions.

An empirical study was made in order to identify critical errors in a system, the result indicates that the Associate tool is useful and thus able to increase the resource eciency. Highlight Exception has shown to be useful in order to prepare data. When using Forecast, one should question the reliability of the result since the tool is data sensitive. The thesis shows that Data mining is a useful tool in order to increase the resource eciency.

Place, publisher, year, edition, pages
2014. , 34 p.
Series
Examensarbete inom industriell produktion, 303
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-159557OAI: oai:DiVA.org:kth-159557DiVA: diva2:785616
Examiners
Available from: 2015-02-03 Created: 2015-02-03 Last updated: 2015-02-03Bibliographically approved

Open Access in DiVA

fulltext(1868 kB)226 downloads
File information
File name FULLTEXT01.pdfFile size 1868 kBChecksum SHA-512
49d405a5216840ce697c5910683a89c8d5499f18e88c986ac19500c946c3c6436bd8222e8aa6e4760959eccbb5d73ffc2712cb917e9684791c12a424a66ec579
Type fulltextMimetype application/pdf

By organisation
Production Engineering
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 226 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 253 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf