Is there room for improvement in your production process? Would it not be great if we could assign an algorithm to solve all those problems? Unfortunately, production processes tend to be complex and no algorithm that potent has been identified within the scope of this thesis. But maybe there are ways to use algorithms so that they can provide a bit of help.

Quality Management & Quality Technology is the research area that for decades has worked on the continuous improvement of industrial and other processes. A cornerstone of the methods from Quality Management & Quality Technology is to approach problems in these industrial and other processes in a scientific manner. A big part of this approach is to make decisions based on data: and thereby, statistical methods are an integrated part of the approach in order to understand process behavior. The statistical approach has proven to be very effective, but the specific methods used were developed during the 20th century, for the industry context of that time and within the technical abilities that then existed.

Machine learning (ML) is the concept of data-driven algorithms learning patterns to enable prediction, classification, and decision making. It has exploded as a research topic in recent years and, in the midst of the fourth industrial revolution, a belief is expressed that together with the rapidly growing amounts of industrial data, ML will drastically change industry by making the production processes increasingly efficient and supporting decision making, etc. The big issue is that it is hard to find how ML is to be applied in industry. Would it not make sense to combine the knowledge from the research area that has applied numerical methods and benefited industry for decades and combine that with the new type of numerical methods? In this thesis, the aim has been to do just that. In essence, how can you combine the traditional concepts and knowledge from Quality Management & Quality Technology together with the more novel algorithms from ML? This thesis advances concept generation by assessing the use of statistics in Quality Technology. It highlights the limitations of traditional methodologies in data-intensive environments and proposes ML algorithms as more effective solutions for managing large datasets. Within Root Cause Analysis (RCA), the thesis proposes a specific approach that is useful in paperboard manufacturing. With appropriate adaptations depending on the specific technical case, it is likely that this could also benefit other process industries. Additionally, it explores how ML can enhance statistical process control, offering insights into its potential to deliver more precise guidance and operate effectively across different organizational levels.

Finns det utrymme för förbättring i er produktionsprocess? Skulle det inte vara fantastiskt om man kunde tilldela en algoritm uppgiften att lösa alla dessa problem? Tyvärr så är produktionsprocesser i regel komplexa och inom ramen för den här avhandlingen så har ingen så potent algoritm kunnat identifierats. Men, det kanske finns sätt att använda algoritmer på ett sätt så dom kan bidra till uppgiften?

Forskningsområdet Kvalitetledning & Kvalitetsteknik har i decennier arbetat med ständiga förbättringar av processer, framför allt industriella processer men även andra processer. En hörnsten har varit att angripa de problem som funnits i processerna på ett vetenskapligt sätt. Detta har till stor del handlat om att bygga beslut på data, och därmed har statistiska metoder varit en integrerad del av forskningsområdet då man genom statistik kan skapa en större förståelse för processen. Detta angreppsätt är idag välbeprövat och har bevisats vara väldigt effektivt. Metoderna utvecklades dock under 1900-talet, och är därmed anpassade för den industriella kontext och de tekniska möjligheter som fanns under den tiden.

Maskininlärning är datadrivna algoritmer lär sig mönster för prediktion, klassificering och beslut. Inom den fjärde industriella revolution, som pågår i skrivande stund, tror man att med Maskininlärning och den allt större mängden industriella data som finns tillgänglig drastiskt kommer att kunna förändra industrin genom att göra den mer effektiv, ska möjligheter till bättre beslut, osv. Maskininlärning är ett forskningsområde som har expanderat kraftigt under de senaste åren. Dock är den väldigt svårt att hitta någon som beskriver hur den ska appliceras i industrin.

Skulle det då inte vara rimligt att försöka kombinera den kunskap som förvärvats från det forskningsområde som applicerat och skapat värde genom att använda numeriska metoder inom industrin och kombinera denna kunskap med de nya typerna av numeriska metoder?

Att kombinera dessa två forskningsområden har därför varit målet med denna avhandling. Det vill säga, hur kan man kombinera de koncept och den kunskap som finns inom forskningsområdet Kvalitetledning & Kvalitetsteknik med de algoritmer som finns inom Maskininlärning?

I denna avhandling skapas nya koncept genom att utvärdera de fundamentala idéerna från användandet av statistik inom Kvalitetsteknik. Den beskriver klassiska metoders begränsningar när de sätts i en mer dataintensiv miljö och föreslår maskininlärningsalgoritmer för mer effektiva lösningar i denna typ av större data-set.

För Rotorsaksanalys föreslås ett specifikt tillvägagångsätt som framgångsrikt testats i kartongtillverkning. Det är rimligt att tro att den även kommer fungera på andra industrier, men beroende på de tekniska förutsättningarna kan metoden behöva anpassas.

Utöver det utforskas hur maskininlärning kan utveckla användandet av statistisk processtyrning genom att leverera bättre guidning för användare samt att kunna sprida tillvägagångssättet högre upp inom organisationen.