Valmistavan teollisuuden tehtaat ovat pitkälle automatisoituja. Ohjelmoitavat logiikat ovat olleet yleisiä jo vuosikymmeniä ja kokoonpanoa tekevät nykyään robottisolut. Monenlaisia antureita ja mittalaitteita käytetään prosessien mittaamiseen ja ohjaamiseen. Nyt on aika katsoa eteenpäin. Jos automatisointi oli ensimmäinen askel, mikä on seuraava? Kuinka tehdä tuotantolinja tai laitos vielä tehokkaammaksi? Voidaanko jo nyt kerättyä dataa hyödyntää paremmin?
Keino-/tekoäly, koneoppiminen ja neuroverkot ovat kuumia puheenaiheita tällä hetkellä. Monet povaavat niistä teollisuuden seuraavaa vallankumousta. Onko tämä pelkkää hypeä? AI (artificial intelligence, tekoäly) on itse asiassa laaja valikoima erilaisia teknologioita joista puhutaan paljon mutta usein tiedetään aika vähän. Potentiaalia niissä joka tapauksessa on. Kun puhutaan suurista datamääristä useissa ulottuvuuksissa tai dimensioissa liittyen teollisuuden prosesseihin, ovat koneet lähes aina ihmistä pätevämpiä ratkomaan ongelmia.
Kuinka sitten erottaa turha hype todellisesta mahdollisuudesta? Tärkeää on ajatella ongelmakeskeisesti. Pohtia ennemmin mitä halutaan saavuttaa, kuin työkaluja tai menetelmiä joita voidaan käyttää. Tästä syystä me Etteplanissa mieluummin puhumme analytiikasta (emmekä tekoälystä), jonka toteuttamiseen luonnollisesti voidaan käyttää myös viimeisimpiä tekoälyn työkaluja. Analytiikka tarkoittaa olemassa olevan datan hyödyntämistä päätöksenteossa, laadun parantamisessa ja tuotantolinjan ylläpidossa. ”Automaatio kertoo mitä tapahtuu. Analytiikka kertoo miksi jotain tapahtuu tai milloin jotain tapahtuu”, sanoo Jan Müller, Etteplanin analytiikan kehitysjohtaja. Tämä on tietysti ensiarvoisen tärkeää kun halutaan optimoida prosesseja ja tuotantoa.
Mitä analytiikka on käytännössä? Sehän ei ole tuote jonka voit ostaa, liittää olemassa olevaan järjestelmään ja odottaa tuloksia. Tuloksellinen analytiikka ja jatkuva prosessi. Sen pitää liittyä tiiviisti prosessiin ja käyttää prosessi spesifistä dataa prosessi spesifisten ongelmien ratkomiseen. Jan Müller jatkaa: ”Onnistuneeseen analytiikkaan tarvitaan seuraavat kolme asiaa – asiantuntemusta itse prosessista, asiantuntemusta soveltuvista analytiikkamenetelmistä ja saumatonta yhteistyötä näiden asiantuntijoiden välillä”. Pitäisikö teollisuusyritysten sitten investoida analytiikkaosaamiseen? Luultavasti ei koska se on hidas ja vaikea tie. Itse analytiikka osaamisen saa helposti talon ulkopuolelta, prosessiasiantuntemusta ei.
Ok, kuinka analytiikka toteutetaan meidän tuotantolinjalle? Ensin perustavaa laatua oleva kysymys: Miksi? – ”Koska kaikki muutkin käyttävät [tähän joku hieno sana], niin kyllä meidänkin pitää”. Väärin. Ilman selkeää tavoitetta jäävät tulokset saamatta. Entä sitten: ”tutkitaan olemassa olevaa dataa ja katsotaan mitä sieltä voisi löytää”. Edelleen väärin.
Mikä olisi riittävän selkeä tavoite? Esimerkiksi: ”Voidaanko tämän koneen rikkoutuminen ennustaa ja tehdä huoltotoimenpiteitä ennen sitä?” Yleinen toive kunnossapidon puolella. Tai sitten: ”Nämä 13 parametria näyttävät vaikuttavat saavutettuun laatuun. Voidaanko niiden perusteella havaita ja ehkäistä laatutason vaihteluja?” Nämä kysymykset konkreettisen ongelman johon voidaan lähteä hakemaan ratkaisua.
Avainhenkilö tässä on prosessin ”omistaja”, henkilö joka tuntee prosessin ja osaa kuvata ongelman johon lähdetään hakemaan ratkaisua. Analytiikka menetelmien mahdollisuudet ja puutteet on myös tärkeää tuntea jotta osataan asettaa rima riittävän korkealla.
Seuraava vaihe tavoitteen asettamisen jälkeen on valita menetelmät joilla lähdetään liikkeelle ja tietysti tarkistaa onko tarvittava data saatavilla. Joskus havaitaan että dataa tarvitaan lisää. Tämä saattaa vaatia lisää anturointia tai datan tuomista jostain muusta järjestelmästä eli integrointia järjestelmien välille. Kannattaa myös miettiä laajemmin. Auttaisiko joku prosessin ulkopuolelta saatava data? Esimerkiksi taloushallinnon tai tuotannonohjauksen puolelta. Entä joku muu ulkopuolinen avoin data?
Mitä sitten odottaa? Kolme tärkeää asiaa on syytä tiedostaa. Ensinnäkin edessä on ”oppimisprosessi”. Kone ei osa tehdä mitään ennen kuin se opetetaan siihen. Tämä tarkoittaa datan analysointia ja päätöksentekoparametrien säätämistä. Mikäli dataa on jo valmiiksi suuria määriä saattaa ”oppiminen” sujua nopeasti, jos dataa taas ei ole, pitää aloittaa sen keräämisellä. Toinen toteutusta hidastava tekijä on se että kaikki prosessit ovat erilaisia. Mikään analytiikkamenetelmä ei välttämättä sellaisenaan anna riittävän hyvää vastausta vaan itse analytiikkaa pitää hienosäätää iteratiivisesti.
Lopuksi on syytä ymmärtää miten lähtötiedot vaikuttavat lopputulokseen ja mitä voidaan realistisesti odottaa ottaen huomioon lähtötietojen laatu. Tämä on aina tapauskohtaista ja otettava huomioon kun prosessia aloitetaan.
Teollinen maailma on vallankumouksen kynnyksellä jota usein kutsutaan nimellä Teollisuus 4.0. Jokainen yritys on osa yritysten digitaalista verkkoa. Yhteistyötä tekevien yritysten järjestelmät integroituvat yhteen ja muodostavat suuremman kokonaisuuden jossa sinä toimit oleellisena osana. Tietoa syntyy entistä suurempia määriä ja sen perusteella pitää pystyä tekemään päätöksiä entistä nopeammin. Selviääkö ihminen enää tästä ilman koneen tietokoneen ja analytiikan apua?
”Meidän saatavilla on jatkuvasti kasvava määrä dataa sekä automaatiojärjestelmistä että liiketoimintajärjestelmistä. Paljon tästä jää hyödyntämättä. Ihmiset yrittävät tehdä analyysejä jotka koneet tekisivät paljon paremmin”, Jan Müller kiteyttää.
Teksti julkaistu alunperin Etteplan.com -sivustolla