(Teko)älyä tuotantoon

Tuotannollisista laitteista ja prosesseista saadaan valtavat määrät dataa – joskus jopa tuhansista muuttujista ja millisekunnin tarkkuudella. On selvää, että tämä data voisi auttaa tuotannon tehostamisessa. Ihmisaivot eivät kuitenkaan kykene käsittelemään datamassasta kuin murto-osan. Olisiko tekoälystä apua?

Teollinen internet mahdollistajana

Teollinen internet tarkoittaa internet-verkon laajentumista teollisiin koneisiin ja laitteisiin. Sen myötä laitteeseen saadaan datayhteys, jota voidaan hyödyntää niin valvontaan kuin ohjaukseenkin.

Monet laitteet kahviautomaateista paperikoneisiin tuottavat dataa jo lähtökohtaisesti – suurimmissa laitteissa jopa tuhansien muuttujien osalta. Esimerkkejä voivat olla vaikkapa nopeudet, virtaukset ja värähtelyt. Toisinaan asennetaan erillisiä sensoreita keräämään myös muuta oleellista dataa, vaikkapa lämpötilasta tai kosteudesta. Monesti dataa kerätään itse laitteen osalta myös ympäröivistä olosuhteista.

Varhaiset hyödyntämiskohteet ovat olleet laitteiden reaaliaikaista monitorointia suoraan erilaisten muuttujien osalta tai laskennallisten mittareiden muodossa. Tämä antaa arvokasta tietoa laitteen suorituskyvystä ja tilasta tässä ja nyt.

Tekoälyn myötä laitteista ja prosesseista kerättävää dataa voidaan hyödyntää vielä paljon pidemmälle.

Ennakoivalla kunnossapidolla lisää käytettävyyttä

Lähes laite kuin laite vikaantuu tai kokee häiriöitä aika ajoin, ja seurauksena voi olla merkittäviä kustannuksia tai tulonmenetyksiä. Menetetty tuotantoaika on laitteen osalta turhaa pääomakustannusta ja henkilöresurssien osalta tyhjästä maksettua palkkakustannusta. Lyhyellä varoitusajalla tilatun huollon kustannukset voivat olla korkeammat ja varaosien saatavuudessa saattaa olla ongelmia. Keskeytynyt tuotanto voi myös estää täyttämästä asiakastilauksia aikataulussa, aiheuttaen viivästyskorvauksia, menetettyä myyntiä tai vähintäänkin tyytymättömyyttä.

Kuinka näihin tilanteisiin sitten voi varautua? Laitteita voi tietysti huoltaa etukäteen tietyn huolto-ohjelman tai valmistajan määrittelemän käyttöajan perusteella. Todennäköisesti näin kuitenkin hukataan resursseja, eikä välttämättä ratkaista varsinaista ongelmaa.

Usein laitteesta kerättävästä datasta pystytään päättelemään jo etukäteen ongelmien olevan todennäköisesti tulossa. Tietty värähtely tai lämpötila voi kasvaa osien kuluessa tai virtaus heikkenee tukkeutumisen johdosta. Monesti käytännön esimerkeissä selitys löytyy useammasta tekijästä yhtäaikaisesti, jolloin ilmiötä on haastavaa hahmottaa ihmisen toimesta. Myös kriittisyyden tai ajoituksen arviointi eksaktisti voi olla ongelmallista.

Tekoälyn piiriin kuuluvan koneoppimisen menetelmät ovat tässä kohtaa paikallaan. Jos ongelmatilanteita on historiassa riittävästi, koneoppimismallilla kyetään määrittämään ongelman ja siihen vaikuttavien tekijöiden välinen yhteys. Tyypillinen mallin antama lopputulos voisi olla todennäköisyys kullakin ajanhetkellä sille, että laite vikaantuu. Toisinaan pyritään mallintamaan laitteen jäljellä olevaa ”elinaikaa”. Parhaimmillaan viive taustatekijöiden käyttäytymisen muutosten ja ongelmatilanteen välillä on niin pitkä, että mallilla kyetään nimenomaan ennakoimaan, milloin vian tai häiriön ilmeneminen on lähitulevaisuudessa todennäköistä

Tuloksia voidaan hyödyntää eri tavoin osana tuotannon huoltokäytäntöjä. Mallin antama tulos voi olla suora ”hälytys” tai vaihtoehtoisesti indikaatio, jonka pohjalta arvioidaan esimerkiksi kestääkö laite seuraavaan huoltoseisakkiin asti.

Tukea tuotannon tehokkuuteen – jalat maassa pitäen

Ongelmatilanteet eivät ole suinkaan ainut asia, jota voidaan koneoppimisen avulla ennakoida. Kohteena voi olla yhtä lailla laitteen tai kokonaisen prosessin nopeus, energiatehokkuus tai laatu. Eräässä esimerkkitapauksessa reaaliaikaisesti laitteesta ja materiaalinkäytöstä kerättävää dataa kyettiin koneoppimisen ja visualisoinnin avulla hyödyntämään siinä, että lopputuotteen tietty laatuominaisuus saatiin jatkuvasti pidettyä toleranssirajoissa ja materiaalin käyttö puolestaan kustannustehokkaalla tasolla.

Oli tekoälysovellutuksen kohde mikä hyvänsä, aihetta on syytä lähestyä pala palalta ja jalat tukevasti maassa. Laitteesta kerättäviä muuttujia voi olla valtava määrä, ja niitä on syytä rajata jo lähtökohtaisesti vain oleellisiin – laitteen toiminnan hyvin tuntevan asiantuntijan opastuksella. Muuttujien vaikutusten tutkiminen, koneoppimismallin muodostaminen ja sen hyödyllisyyden arviointi vaativat aikaa ja iteratiivisuutta. Myös tulosten vieminen soveltuvassa muodossa käytännön toimintaan on äärimmäisen tärkeää.

Teollinen internet on tuotantoympäristöissä jo yleistä, ja tekoälykin tekee tuloaan. Hype-termien äärellä on syytä muistaa perusasiat: liiketoimintahyötyjen varmistaminen, datan saatavuus ja laatu sekä riittävä osaaminen käytännön toteutukseen. Tekoälyn avulla voidaan saavuttaa merkittäviä hyötyjä, mutta vain, jos se suunnataan ihmisälyn avulla oikein.