Yhdistä tuotannon ja kunnonvalvonnan data – ja anna se sitten tekoälyn pureksittavaksi

Teollisuudessa on perinteisesti vallinnut tilanne, jossa operaattorit ja kunnonvalvonta elävät kahta erillistä elämää. Tuotannossa keskitytään tuotteiden valmistamiseen ja prosessointiin – kunnossapidossa siihen, että koneet ja järjestelmät pysyvät käyttökunnossa. Operointiin ja kunnossapitoon liittyvät tiedot myös kertyvät eri järjestelmiin, eri ihmisille, eri käyttötarkoituksiin.

Mitä tapahtuu, kun nämä kaksi datalähdettä yhdistetään – ja annetaan sitten syötteenä tekoälylle?

Enemmän kuin osiensa summa

Tuotantodata kattaa tuotannon automaation käsittelemän prosessidatan, kuten anturimittaukset, ohjausparametrit, prosessiarvot ja laitteiden tilatiedot. Tuotanto optimoi näiden avulla muun muassa läpimenoaikoja, kapasiteettia ja laatua.

Kunnonvalvontadatasta puolestaan nähdään, millaisia suunniteltuja tai suunnittelemattomia huoltotoimia laitteille on tehty ja milloin. Lisäksi kunnonvalvontadatan tulisi sisältää laitekannan metatiedot, esimerkiksi tiedon käytössä olevista laitteista. Kunnossapitotiimi seuraa esimerkiksi laitteiden lämpötiloja, värähtelyjä ja käyntiaikoja.

Reaalimaailmassa toiminnot ovat kuitenkin läheisesti sidoksissa toisiinsa ja edistävät samoja liiketoiminnan tavoitteita. Kokonaisvaltaisessa tuotannon optimoinnissa huomioidaan sekä tuotannon että kunnossapidon näkökulma. Ideaalitilannehan on se, että käytetään tuotantotapaa, jolla maksimoidaan hyvälaatuinen tuotanto aiheuttaen samalla mahdollisimman vähän kunnossapitotarvetta.

Dilemma piileekin tässä: operatiivinen henkilöstö ja kunnossapito voisivat helpottaa toistensa työtä, kunhan ensin tietäisivät, miten.

Yhdistämällä tuotannon ja kunnonvalvonnan data saadaan vastauksia kysymyksiin, joihin kumpikaan ei pystyisi yksinään vastaamaan. Jos yhdistetty data annetaan sitten vielä tekoälyn pureksittavaksi, kysymyksiä voidaan esittää luonnollisella kielellä ja saada päivittäistä työntekoa ja päätöksentekoa helpottavia vastauksia.

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.

Millaisiin kysymyksiin vastauksia voidaan saada?

Kun käytössä on tekoälytyökalu, jolle on syötetty tuotannosta ja kunnonvalvonnasta kerättyä dataa ja parhaimmillaan myös digitaaliset käyttö- ja huolto-ohjeet, siltä voidaan kysyä käytännönläheisiä kysymyksiä yhtä luontevasti kuin kaikkitietävältä työkaverilta.

Operaattorit voivat kysyä vaikkapa:

• Onko laitteeseen X vaihdettu viimeisen viikon aikana varaosia, jotka muuttavat laitteen toimintaa?

• Huomasin pumpun 3 kohdalla poikkeavan hajun. Mistä se johtuu ja vaatiiko ilmoituksen kunnossapidolle?

• Kannattaako prosessi Y ajaa toisenlaisilla parametreilla vähentääksemme kulumista?

Kunnonvalvojat voivat puolestaan kysyä:

• Mihin laitteisiin ennakoivassa kunnossapidossa kannattaa tänään keskittyä ja miksi?

• Onko tämän päivän tuotantosuunnitelmassa ajoja, joista on aiheutunut aiemmin häiriöitä?

• Miksi laitteen valo vilkkuu kolme kertaa punaisena 10 sekunnin välein? Kerro tähän liittyvä huolto-ohje.

• Minkä varaosien saatavuus meidän kannattaa varmistaa tulevien viikkojen tuotantosuunnitelma huomioiden?

• Onko edellisestä työvuorosta jotain olennaista tiedettävää?

Tekoäly helpottaa työtä myös datan syöttämisessä. Sen sijaan, että huoltoteknikko kirjaa tehdyt huoltotoimet monimutkaisiin valikkorakenteisiin, havainnot voi kertoa tekoälyassistentille, joka tekee tarvittavat merkinnät. Se myös kysyy mahdollisesti puuttuvat, kirjauksen kannalta keskeiset tiedot.

Datan yhdistäminen ja tekoälyn hyödyntäminen tuo lisäarvoa niin tuotannon suunnitteluun ja optimointiin kuin myös ennakoivaan kunnossapitoon. Pidemmällä aikavälillä yhdistelmä rakentaa organisaatiolle yhteistä muistia. Kun tiedetään, miten tietynlainen tuotantojakso korreloi historiallisesti laitteiden kunnon kanssa, tuotantostrategioita ja investointipäätöksiä voidaan tehdä dataan perustuen.

Lähtötilanteet vaihtelevat toimialoittain ja yrityksittäin

Tekniseltä kantilta toteutuksen lähtökohtana on yhteinen tietoalusta, johon automaatio- ja kunnossapitojärjestelmien data tuodaan metatietoineen, tietoturva huomioiden.

Eniten lisäarvoa kunnossapitodatan, tuotantodatan ja tekoälyn yhdistelmä tuottaa toimialoilla, joissa tuotantolaitteet ovat arvokkaita, prosessit jatkuvia ja seisokkien hinta korkea. Eurot ja takaisinmaksuaika ohjaavat tässäkin asiassa investointipäätöksiä.

Prosessiteollisuus – kuten metsä-, paperi- ja energiateollisuus – on luonteva soveltamisalue, sillä laitteisto pyörii siellä usein 24/7 ja yksikin odottamaton pysähdys voi maksaa maltaita. Lisäksi tuotanto on jo lähtökohtaisesti pitkälle automatisoitua ja hyödynnettävää dataa on paljon.

Laitevalmistuksessa ja kappaletavarateollisuudessa yhdistetty data auttaa tunnistamaan, miten tuotantojärjestys kannattaa suunnitella laitteiden käyttöiän optimoimiseksi. Elintarviketeollisuudessa taas hygienia- ja laadunhallintavaatimukset tekevät ennakoitavuudesta erityisen tärkeää.

Matka kohti yhdistetyn datan tekoälyavustettua hyödyntämistä on kuitenkin mahdollista aloittaa kaikenlaisista lähtötilanteista, myös ilman olemassa olevaa digitaalista infrastruktuuria. Ratkaisevaa on aito valmius lähteä nostamaan datan hyödyntämistä uudelle tasolle.

Kiinnostuitko ratkaisusta?

Tutustu palveluihimme teollisuudelle