Kunnossapitojärjestelmän hyödyntäminen Savon Voimalla
Bibliographic record
Abstract
Opinnäytetyö tehtiin Savon Voimalla Oyj:lle, joka on yksi Suomen suurimpia energia-alan toimijoita. Toimialoina Savon Voimalla ovat kaukolämmön- ja sähköntuotanto, sähkönsiirto ja erilaiset uuden sukupolven energiaratkaisut ja -neuvonta. \n \nOpinnäytetyön aiheena oli kunnossapitojärjestelmän hyödyntäminen Savon Voimalla. WiseMaster-kunnossapito- ohjelmisto otettiin Savon Voimalla käyttöön vuonna 2013. Vuonna 2019 käytössä on jo puhelimen mobiililiittymien toinen sukupolvi. Ensimmäinen sukupolvi oli suunniteltu Windows-puhelimille, ja nyt käytössä olevaan Android-järjestelmään siirryttiin vuonna 2017. Puhelimelle suunnitellun kunnossapito-ohjelman lisäksi käytössä on selain-pohjainen järjestelmä. \n \nOpinnäytetyön pohjana oli WiseMaster-ohjelman käytöstä tehty nykytila-analyysi. Nykytila-analyysi kyselyllä pyrit-tiin selvittämään ohjelmiston käyttöastetta, käyttäjäkokemuksia, puutteita ja muita kehityskohteita. Kyselyyn osal-listui 21 henkilöä kaikilta kolmelta Savon Voiman toimialueelta eri ikä- ja työntekijäryhmistä. Ennen nykytila-analyysikyselyä oli kehitysehdotuksia vastaanotettu jo jonkin verran, mutta nyt saatiin kattavampi otanta, ja kaikki vastaukset kirjattiin laadittuun Excel- taulukkoon. Taulukko sisälsi 35 kysymystä. Osaan kysymyksiä vastattiin ”Kyllä” tai ”Ei” -vaihtoehdoilla ja lisäksi vastaajilta pyydettiin perusteluja. Lopuissa kysymyksissä vaadittiin pidem-pää sanallista perustelua. Vastausten perusteella tehtiin muutamia parannuksia WiseMaster-kunnossapitojärjestelmään, ja niistä osa on vielä suunnittelussa.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.006 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.247 | 0.171 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".