Lappeenranta, Finland 22.-23. August
WP 3 Decision-making, potential, and business models
lead by Dr. Mikael Collan, Lappeenranta University of Technology (LUT)
[email protected]
+358 505567185
Artificial Intelligence gaining ground in industrial applications
Notes from Manufacturing Performance Days 2019
Digital Twins and Artificial Intelligence
May 4-6th 2019 in Tampere
Jyrki Savolainen post-doc researcher at LUT University
Artificial Intelligence gaining ground in industrial applications
The event is an “executive and visionary seminar for manufacturing industries, researchers and technology and service providers worldwide”
organized by Dimecc Ltd, which is a “co-creation ecosystem” for the Finnish technology companies.
According to presenters, Ilmari Veijola and Tuomas Humalajoki in the Siemens-organized session, simulation models are reaching an
unprecedented level of detail and realism, which has been dubbed as “digital twin”-technology and simply refers to the fact that the simulation models are digital images of the technical real-world reality that they depict.
Ville Hulkko talked about how “Artificial Intelligence” (AI) can be used in designing autonomous cars and other unmanned vehicles. He stressed out that current AI-applications controlling the unmanned vehicles are not yet autonomous, but require a regular human intervention.
These topics are addressed in the Strategic Research funded project “Manufacturing 4.0” .
MFG4.0-tutkijat ja -professorit syventämässä yhteistyötä Trenton yliopiston kanssa
LUE ENEMMÄN VIERAILUSTA TÄSTÄ
Maanantaina 6.5. MFG4.0-hankkeen edustajat tutustuivat Trenton yliopiston ingegneria industriale -laitoksen toimintaan Povossa.
Povon vierailulla nähtiin esitykset, jotka keskittyivät LUT-yliopiston toimintaan analytiikan, robotiikan, ma-teriaalia lisäävän valmistuksen sekä materiaalifysiikan aloilla. Esitykset antoivat trentolaisille kuvan MFG4.0-hankkeesta ja erityisesti sen teknis-taloudellisesta osiosta.
LUT-yliopiston esitykset ( WP2,WP3):
Tiistaina 7.5.2019 MFG4.0-hankeen edustajat tutustuivat Roveretossa (noin 30 kilometriä Trentosta) sijaitsevan Polo Meccatronican toimintaan.
Kyseinen yksikkö on keskittynyt erityisesti valmistustekniikan kehittämiseen ja yritysyhteistyössä toteutettavien projektien läpivientiin.
Povoon sijoittuvissa tiloissa sijaitsee suuri osa materiaalitutkimukseen liittyvästä mittauslaitteistoista. Lisäksi rakennukseen on sijoitettu komposiittimateriaalien tutkimus.
Jatkona vierailulle Antti Salminen ja Ville Laitinen saivat kutsut osallistua heinäkuussa 2019 Roveretossa järjestettävään workshoppiin, joka keskittyy materiaalia lisäävään valmistukseen (engl. Additive Manufacturing).
Samalla yliopistojen yhteenlasketun laitekannan ja osaamisen todettiin täydentävän hyvin toisiaan, mikä avaa yhteistyömahdollisuuksia väitöskirjaopiskelija- / tutkijavaihdon kautta.
The latest MFG4.0 article on prediction of movements in the stock market
The accurate prediction of movements in the stock market over time is of major interest for investors and governments alike. In this research, we aimed to classify the returns of a stock market, meaning the daily changes, into four categories. Instead of simply using up and down movements, we consider also whether these movements are strong or small. Our target is the well-known American stock market index S&P500 and we collected more than 130 inputs such as other related market indices and several so-called technical indicators from finance, to build our stock market classification model. Initially, we selected with feature selection from all features those that help us set up a good classification model.
As our model, we chose a Random forest, which is a popular machine learning algorithm. Subsequently, we derived several trading strategies from our classification results to profit from our predictions. One of our main findings is that the strong movements, positive and negative, contribute on average most to our trading strategies, meaning that they bring larger returns than other predictions. Since most previous models only consider two classes, whereas we use four, this indicates that differentiating among more outcomes can be beneficial for stock market predictions.
Lohrmann,C. & Luukka,P. (2019). Classification of intraday S&P500 returns with a Random Forest.International Journal of Forecasting. Volume 35. Issue. 1. p.390-407.
LUT-yliopistossa tehdyssä tutkimuksessa on mallinnettu äärimmäisten luonnonilmiöiden aiheuttamia riskejä kaivostoimintaan
Sademäärämallinnuksen yhdistäminen teknis-taloudelliseen kaivosmalliin luo entistä tarkemman käsityksen niin taloudellisista kuin ympäristöön liittyvistä riskeistä.
LUT-yliopiston post doc -tutkija Jyrki Savolainen ja professori Mikael Collan ovat yhdessä Geologian tutkimuskeskuksen tutkijan Daniele Pedrettin kanssa lähestyvät aihetta uudesta näkökulmasta hyödyntäen sademäärien aikasarjadataa, joka on yhdistetty osaksi suurten kaivosinvestointien teknis-taloudellista kannattavuusanalyysiä. Kannattavuusanalyysissä käytetään systeemidynaamista simulointimallia, joka tuottaa kokonaisvaltaisen käsityksen kaivosinvestoinnin kannattavuudesta eri tilanteissa.
LUT-yliopistossa kehitetty systeemidynaaminen malli pystyy ensimmäistä kertaa konkreettisesti laskemaan tuotto-riski-suhteen ympäristöä suojeleville kaivosvesi-investoinneille.
Toteutettu malli tuottaa teollisuudelle relevanttia tietoa päätöksenteon tueksi ja auttaa paremmin ymmärtämään riskien minimointiin tähtäävien rahallisten panostusten kannattavuutta kokonaisuuden kannalta.
Tutkimus on vapaasti ladattavissa tästä
Savolainen, J., Pedretti, D., & Collan, M. (2019). Incorporating Hydrologic Uncertainty in Industrial Economic Models: Implications of Extreme Rainfall Variability on Metnal Mining Investments. Mine Water and the Environment. https://doi.org/10.1007/s10230-019-00600-w
