Matemaattinen digitaalinen kaksonen on kätevä työkalu teollisuuden monimutkaisten tuotantoprosessien optimointiin. Tuotantosyklit ovat muuttuneet monella toimialalla niin nopeiksi, että pullonkaulaksi muodostuu inhimillinen kyky seurata dataa, analysoida, tulkita ja tehdä päätöksiä. Digitaalinen kaksonen auttaa ratkomaan tätä haastetta.
Lisäarvo syntyy hukan pienenemisestä ja saannon kasvusta
Matemaattinen digitaalinen kaksonen on fyysisen järjestelmän laskennallinen vastine, joka elää ja päivittyy reaaliaikaisesti tosielämän kohteensa rinnalla.
Tuotannon optimointi digitaalisen kaksosen avulla tuo mukanaan liiketoiminnallista arvoa, joka konkretisoituu käytännössä kahdella tavalla: hukka pienenee ja saanto kasvaa. Mitä kalliimpia ovat raaka-aineet ja käyttöhyödykkeet tai mitä suurempi on prosessin rahallinen arvo, sitä merkittävämpi on jokainen parannusprosentti saannossa tai hukassa.
Myös energiankulutuksen optimointi kiinnostaa tällä hetkellä laajalti sekä kustannus- että vastuullisuussyistä. Kun prosessia voidaan ajaa täsmällisemmin, energiaa kuluu vähemmän ilman että tuotannon laatu tai määrä kärsii.
Millaisiin kysymyksiin digitaalinen kaksonen antaa vastauksia?
Tuotannon optimoinnissa on usein kyse varsin käytännöllisistä mutta liiketoiminnallisesti merkittävistä kysymyksistä:
Millä parametriyhdistelmällä käytössä olevan raaka-aineen saanto on paras?
Mikä on linjan optimaalinen ajojärjestys tuotevaihdot huomioiden?
Millaisia laboratoriotuloksia aiemmat mittaukset ennustavat, ja miltä tuotannon laatu näyttää niiden pohjalta juuri nyt?
Miten energiankulutus muuttuu, jos prosessilämpötilaa lasketaan kolmella asteella?
Voidaanko häviötä pienentää säätämällä reseptiikkaa? Paljonko ja miten?
Ilman digitaalista kaksosta tämäntyyppisiin kysymyksiin joudutaan vastaamaan yritys–erehdys-tekniikalla tosielämän prosessissa. Kuten laitoksissa hyvin tiedetään, se on usein hidasta, kallista, epävarmaa ja joissain tapauksissa myös riskialtista.
Kun vastauksia voidaan etsiä ja vertailla matemaattis-kemiallisilla mallinnuksilla, tuotantoon voidaan viedä suoraan paras yhdistelmä. Digitaalinen kaksonen tekee siten päätöksenteosta varmempaa ja riskittömämpää.
Human in the Loop – ihmisen rooli kokonaisuudessa
Digitaalista kaksosta hyödyntäviin tuotantoympäristöihin liittyy keskeisenä kysymyksenä myös Human in the Loop: mikä on ihmisen rooli kokonaisuudessa. Annetaanko mallin säätää parametrejä suoraan, vai tekeekö ihminen lopullisen päätöksen mallin antaman suosituksen pohjalta?
Vastaus riippuu prosessista. Monessa tilanteessa ihmisen mukana pitäminen on edelleen järkevää: operaattori näkee mallin tekemän ehdotuksen, arvioi sen ja joko hyväksyy tai muokkaa. Kaikissa prosesseissa tämä ei ole kuitenkaan mahdollista, jos esimerkiksi päätöksenteon aikajänne on erityisen lyhyt. Energia-ala on tästä hyvä esimerkki: joillakin säätömarkkinoilla toiminta edellyttää reagointia sekunneissa. Inhimillinen päätöksenteko on silloin käytännössä mahdotonta.
Tuotantolaitosten operaattorien osaamis- ja kokemustasot myös vaihtelevat. Kokenut operaattori tunnistaa prosessista heikkojakin signaaleja ja osaa reagoida niihin, tuoreempi operaattori välttämättä ei. Digitaalinen kaksonen auttaa tasaamaan eroja: se neuvoo ja ohjaa operaattoreita optimaalisiin säätöihin vallitsevan tilanteen mukaan. Tällöin uudempikin operaattori voi yltää lähelle kokeneen kollegan tasoa.
Varmista onnistunut käyttöönotto – ja muista jatkokouluttaa
Digitaalinen kaksonen toimii luotettavasti vain silloin, kun malli vastaa riittävän tarkasti fyysistä esikuvaansa. Käytännön työ digitaalisen kaksosen rakentamiseksi alkaakin aina riittävän ja luotettavan datan saatavuuden varmistamisesta. Käyttöönottoa nopeuttaa ja helpottaa merkittävästi, jos käytössä on koko toiminnan yhteen kokoava data-alusta.
Prosessin pohjatiedoiksi ja historiadataksi tarvittavia datapisteitä ovat tyypillisesti laitteiden prosessimittaukset ja säätöparametrit. Keskeisiä mittapisteitä ovat lisäksi esimerkiksi käytettäviin raaka-aineisiin ja prosessin tuotoksiin liittyvät mittaukset. Tärkeää on pystyä tilkitsemään myös niin sanotut näkymättömät muuttujat, vaikkapa puuttuva tieto raaka-aineena käytettävästä puulajista tai sen kosteudesta.
Ratkaiseva parannus on tämä: kun malli on kalibroitu reaaliaikaiseen anturidataan, sitä voidaan ajaa nopeammin kuin todellista prosessia. Eri parametriyhdistelmiä päästään siten testaamaan ja vertailemaan realistisesti ja kokonaisvaltaisesti ennen kuin niistä parhaat viedään tuotantoon.
Käyttöönoton ohella on muistettava myös jatkuva ylläpito. Tuotantolaitteet kuluvat, reseptiikka muuttuu ja prosessiolosuhteet vaihtelevat, joten mallia on koulutettava säännöllisesti uudella datalla. Kun ennusteiden tarkkuutta seurataan nykydataa vasten, saadaan selville, kuinka hyvin malli edelleen ennustaa todellista prosessin käyttäytymistä. Kun poikkeama kasvaa, on aika jatkokouluttaa mallia.
Elinkaariajattelu on olennainen osa digitaalisen kaksosen hallintaa. Pitkäjänteinen panostus auttaa varmistamaan täydet, pitkäjänteiset hyödyt liiketoimintaan.
Kiinnostuitko ratkaisusta?
Tutustu palveluihimme teollisuudelle
Ohjelmistokonsultointipalvelumme
Pekka Savolainen
Pekka Savolainen on rakentanut osaavassa seurassa erilaisia IT-ratkaisuja neljännesvuosisadan ajan. Viimeisen vuosikymmenen ajan hänen ammatillisen elämänsä keskiössä ovat olleet teollisuuden datakeskeiset ratkaisut, erityisesti teollinen tilannekuva, älykäs kunnossapito ja tuotannon optimointi.