Tuotteiston nykytila-analyysi ja kehitystoimenpiteiden kartoitus ohutlevytuotteita valmistavassa yrityksessä

Työn tavoitteena oli tutkia kohdeyrityksen tuotteiston nykytilaa ja antaa kehitysehdotus tuotteiston uudesta rakenteesta, jolla voidaan toteuttaa tehokasta sarjatuotantoa. Tutkimuksessa keskityttiin vakiotuotteista koostuvan tuotteiston analysointiin. Tarkastelun kohteeksi valittiin tuotteiston yksittäiset tuotenimikkeet, joita analysoitiin toteutuneiden myyntilukujen ja asiakashaastatteluista saatujen tietojen perusteella Työssä käytettiin tutkimusmenetelminä kirjallisuustutkimusta, teemahaastattelua ja tuotteiden myynti- ja käyttötilastojen tarkastelua. Tutkimuksen luotettavuutta lisäsi, kun käytettiin kolmen riippumattoman tutkimusta vahvistavan menetelmän yhdistämistä. Tutkimuksessa saavutettujen tulosten perusteella tuotteille tulisi kehittää uudet ohjausmenetelmät, jotka helpottavat tuotannon ja varaston hallintaa. Tuotteet, joilla ei ole ollut myyntiä, tulisi käydä yksityiskohtaisesti läpi ja tehdä arviointi niiden tarpeellisuudesta. Tuoterakenteita tulisi kehittää modulaarisemmaksi tehokkaampaa sarjatuotantoa ajatellen. Tuoteryhmissä olevat samankaltaiset tuotteet tulisi yhdistää, jolloin valikoimasta saataisiin yksinkertaisempi ja helpommin hallittava.

Adaptive MCMC methods with applications in environmental and geophysical models

This work presents new, efficient Markov chain Monte Carlo (MCMC) simulation methods for statistical analysis in various modelling applications. When using MCMC methods, the model is simulated repeatedly to explore the probability distribution describing the uncertainties in model parameters and predictions. In adaptive MCMC methods based on the Metropolis-Hastings algorithm, the proposal distribution needed by the algorithm learns from the target distribution as the simulation proceeds. Adaptive MCMC methods have been subject of intensive research lately, as they open a way for essentially easier use of the methodology. The lack of user-friendly computer programs has been a main obstacle for wider acceptance of the methods. This work provides two new adaptive MCMC methods: DRAM and AARJ. The DRAM method has been built especially to work in high dimensional and non-linear problems. The AARJ method is an extension to DRAM for model selection problems, where the mathematical formulation of the model is uncertain and we want simultaneously to fit several different models to the same observations. The methods were developed while keeping in mind the needs of modelling applications typical in environmental sciences. The development work has been pursued while working with several application projects. The applications presented in this work are: a winter time oxygen concentration model for Lake Tuusulanjärvi and adaptive control of the aerator; a nutrition model for Lake Pyhäjärvi and lake management planning; validation of the algorithms of the GOMOS ozone remote sensing instrument on board the Envisat satellite of European Space Agency and the study of the effects of aerosol model selection on the GOMOS algorithm.