National Library of Finland DSpace Services
Not a member yet
86391 research outputs found
Sort by
AI-Driven Design Systems : Enhancing Efficiency, Consistency, and Collaboration with Azure OpenAI : A Case Study of Modes
No full textThis thesis presents the integration of Azure OpenAI services into a Metso framework-agnostic design system documentation site. It highlights the importance of intelligent solutions in increasing efficiency, consistency, and collaboration within the design system. This thesis employs an AI-enhanced User-Centered Design (UCD) framework to integrate AI and UCD principles.
The study begins by examining the importance of the design system, its current challenges with the documentation site, and the impact of AI-driven solutions on design. It also examines the potential for developing AI-driven solutions, such as chatbots, in the design system documentation.
A survey conducted before the development of the Azure OpenAI chatbot revealed user expectations and potential use cases for the AI-driven solution. After the chatbot’s beta version was launched on the documentation site, a post-development survey asked users to evaluate its effectiveness and performance.
The analysis revealed a valuable understanding of the impact that AI-driven solutions can have in addressing current challenges in the design system, ultimately improving accessible documentation and increasing user satisfaction. This thesis research contributes to the growing body of knowledge on incorporating AI into design systems, providing valuable insights for large-scale companies seeking to leverage AI for enhanced user engagement
Sparse and Low-Rank Optimization Techniques for Virtual Sensing and System Identification
No full textI denna avhandling behandlas två centrala forskningsområden inom reglerteknik: systemidentifiering och virtuella sensorer. I avhandlingen tas ett pragmatiskt perspektiv på matematiskt modellbygge där en modell av lägre komplexitet är att föredra så länge dess prediktionsnoggrannhet inte begränsas av det. I denna avhandling beskrivs estimerings- och identifieringsproblemen som matematiska optimeringsproblem som kan lösas effektivt numeriskt.
Matematisk optimering är ett tvärvetenskapligt forskningsområde med tillämpningar inom reglerteknik, ekonomi, och maskininlärning. Matematisk optimering kan enkelt beskrivas som en uppsättning metoder och algoritmer för att hitta de bästa möjliga lösningarna till matematiska beskrivningar av praktiska problem. Optimeringsproblem inom reglertekniken beskrivs ofta som regressionsproblem där minstakvadratfelet minimeras under begränsningar.
Systemidentifiering är en metod inom reglerteknik och modellbygge som används för att skapa matematiska modeller av dynamiska system baserat på mätdata. Målet är att få en modell som är tillräckligt noggrann för att användas för reglering, simulering eller tillståndsuppskattning. Ofta föredrar man enkla modeller med låg komplexitet, eftersom de är lättare att tolka och implementera. Systemidentifieringsproblemet kan beskrivas som ett matematiskt optimeringsproblem där uppskattningsfelet mellan modellens prediktion och upmätt data minimeras. I denna avhandling har metoder från glesoptimering och låg-rank optimering tillämpats för att begränsa komplexiteten
hos identifierade modeller.
Virtuella sensorer är algoritmer som används för att återskapa okända signaler med hjälp av indirekta mätningar och matematiska modeller av system. För att skilja mellan mätningar från fysikaliska sensorer och mätningar som gjorts med hjälp av matematiska modeller har begreppet virtuella sensorer, eller mjukvarusensorer, introducerats. I denna avhandling har vi visat att det är möjligt att samtidigt återskapa okända insignaler eller störningar, samt systemets tillstånd genom att införa antaganden kring signalers struktur. Problemet beskrivs som ett matematiskt optimeringsproblem där metoder från glesoptimering har tillämpats.This work focuses on two primary topics: (i) the identification of low-order systems and (ii) the design of virtual sensing techniques concerned with learning signals and systems from data. To incorporate prior knowledge or assumptions about unknown signals and systems, sparse and low-rank optimization techniques are adopted. Examples of such prior information include assumptions about signal smoothness, sparse signal representations, or the system being of low order.
One of the primary challenges in system identification is managing the tradeoff between model complexity and predictive accuracy. Simpler models are often preferred if they retain sufficient predictive power. Thus, the problem of low-order output-error system identification has been studied and solved using low-rank optimization techniques.
In virtual sensing, the difficulty lies in incorporating prior information about unknown signals while ensuring the problem remains solvable in practice. Thus, this work presents real-time methods for solving the simultaneous input-and-state estimation problem.
This dissertation summarizes the methods, algorithms, and theory presented in Papers I–IX and offers a collection of problem formulations relevant to constrained system identification and virtual sensing.navigointi mahdollist