Valmistavan teollisuuden tehtaat ovat pitk\u00e4lle automatisoituja. Ohjelmoitavat logiikat ovat olleet yleisi\u00e4 jo vuosikymmeni\u00e4 ja kokoonpanoa tekev\u00e4t nyky\u00e4\u00e4n robottisolut. Monenlaisia antureita ja mittalaitteita k\u00e4ytet\u00e4\u00e4n prosessien mittaamiseen ja ohjaamiseen. Nyt on aika katsoa eteenp\u00e4in. Jos automatisointi oli ensimm\u00e4inen askel, mik\u00e4 on seuraava? Kuinka tehd\u00e4 tuotantolinja tai laitos viel\u00e4 tehokkaammaksi? Voidaanko jo nyt ker\u00e4tty\u00e4 dataa hy\u00f6dynt\u00e4\u00e4 paremmin?<\/p>\n\n\n\n
Keino-\/teko\u00e4ly, koneoppiminen ja neuroverkot ovat kuumia puheenaiheita t\u00e4ll\u00e4 hetkell\u00e4. Monet povaavat niist\u00e4 teollisuuden seuraavaa vallankumousta. Onko t\u00e4m\u00e4 pelkk\u00e4\u00e4 hype\u00e4? AI (artificial intelligence, teko\u00e4ly) on itse asiassa laaja valikoima erilaisia teknologioita joista puhutaan paljon mutta usein tiedet\u00e4\u00e4n aika v\u00e4h\u00e4n. Potentiaalia niiss\u00e4 joka tapauksessa on. Kun puhutaan suurista datam\u00e4\u00e4rist\u00e4 useissa ulottuvuuksissa tai dimensioissa liittyen teollisuuden prosesseihin, ovat koneet l\u00e4hes aina ihmist\u00e4 p\u00e4tev\u00e4mpi\u00e4 ratkomaan ongelmia.<\/p>\n\n\n\n
Kuinka sitten erottaa turha hype todellisesta mahdollisuudesta? T\u00e4rke\u00e4\u00e4 on ajatella ongelmakeskeisesti. Pohtia ennemmin mit\u00e4 halutaan saavuttaa, kuin ty\u00f6kaluja tai menetelmi\u00e4 joita voidaan k\u00e4ytt\u00e4\u00e4. T\u00e4st\u00e4 syyst\u00e4 me Etteplanissa mieluummin puhumme analytiikasta (emmek\u00e4 teko\u00e4lyst\u00e4), jonka toteuttamiseen luonnollisesti voidaan k\u00e4ytt\u00e4\u00e4 my\u00f6s viimeisimpi\u00e4 teko\u00e4lyn ty\u00f6kaluja. Analytiikka tarkoittaa olemassa olevan datan hy\u00f6dynt\u00e4mist\u00e4 p\u00e4\u00e4t\u00f6ksenteossa, laadun parantamisessa ja tuotantolinjan yll\u00e4pidossa. \u201dAutomaatio kertoo mit\u00e4 tapahtuu. Analytiikka kertoo miksi jotain tapahtuu tai milloin jotain tapahtuu\u201d, sanoo Jan M\u00fcller, Etteplanin analytiikan kehitysjohtaja. T\u00e4m\u00e4 on tietysti ensiarvoisen t\u00e4rke\u00e4\u00e4 kun halutaan optimoida prosesseja ja tuotantoa.<\/p>\n\n\n\n
Mit\u00e4 analytiikka on k\u00e4yt\u00e4nn\u00f6ss\u00e4? Seh\u00e4n ei ole tuote jonka voit ostaa, liitt\u00e4\u00e4 olemassa olevaan j\u00e4rjestelm\u00e4\u00e4n ja odottaa tuloksia. Tuloksellinen analytiikka ja jatkuva prosessi. Sen pit\u00e4\u00e4 liitty\u00e4 tiiviisti prosessiin ja k\u00e4ytt\u00e4\u00e4 prosessi spesifist\u00e4 dataa prosessi spesifisten ongelmien ratkomiseen. Jan M\u00fcller jatkaa: \u201dOnnistuneeseen analytiikkaan tarvitaan seuraavat kolme asiaa – asiantuntemusta itse prosessista, asiantuntemusta soveltuvista analytiikkamenetelmist\u00e4 ja saumatonta yhteisty\u00f6t\u00e4 n\u00e4iden asiantuntijoiden v\u00e4lill\u00e4\u201d. Pit\u00e4isik\u00f6 teollisuusyritysten sitten investoida analytiikkaosaamiseen? Luultavasti ei koska se on hidas ja vaikea tie. Itse analytiikka osaamisen saa helposti talon ulkopuolelta, prosessiasiantuntemusta ei.<\/p>\n\n\n\n
Ok, kuinka analytiikka toteutetaan meid\u00e4n tuotantolinjalle? Ensin perustavaa laatua oleva kysymys: Miksi? – \u201dKoska kaikki muutkin k\u00e4ytt\u00e4v\u00e4t [t\u00e4h\u00e4n joku hieno sana], niin kyll\u00e4 meid\u00e4nkin pit\u00e4\u00e4\u201d. V\u00e4\u00e4rin. Ilman selke\u00e4\u00e4 tavoitetta j\u00e4\u00e4v\u00e4t tulokset saamatta. Ent\u00e4 sitten: \u201dtutkitaan olemassa olevaa dataa ja katsotaan mit\u00e4 sielt\u00e4 voisi l\u00f6yt\u00e4\u00e4\u201d. Edelleen v\u00e4\u00e4rin.<\/p>\n\n\n\n
Mik\u00e4 olisi riitt\u00e4v\u00e4n selke\u00e4 tavoite? Esimerkiksi: \u201dVoidaanko t\u00e4m\u00e4n koneen rikkoutuminen ennustaa ja tehd\u00e4 huoltotoimenpiteit\u00e4 ennen sit\u00e4?\u201d Yleinen toive kunnossapidon puolella. Tai sitten: \u201dN\u00e4m\u00e4 13 parametria n\u00e4ytt\u00e4v\u00e4t vaikuttavat saavutettuun laatuun. Voidaanko niiden perusteella havaita ja ehk\u00e4ist\u00e4 laatutason vaihteluja?\u201d N\u00e4m\u00e4 kysymykset konkreettisen ongelman johon voidaan l\u00e4hte\u00e4 hakemaan ratkaisua.<\/p>\n\n\n\n
Avainhenkil\u00f6 t\u00e4ss\u00e4 on prosessin \u201domistaja\u201d, henkil\u00f6 joka tuntee prosessin ja osaa kuvata ongelman johon l\u00e4hdet\u00e4\u00e4n hakemaan ratkaisua. Analytiikka menetelmien mahdollisuudet ja puutteet on my\u00f6s t\u00e4rke\u00e4\u00e4 tuntea jotta osataan asettaa rima riitt\u00e4v\u00e4n korkealla.<\/p>\n\n\n\n
Seuraava vaihe tavoitteen asettamisen j\u00e4lkeen on valita menetelm\u00e4t joilla l\u00e4hdet\u00e4\u00e4n liikkeelle ja tietysti tarkistaa onko tarvittava data saatavilla. Joskus havaitaan ett\u00e4 dataa tarvitaan lis\u00e4\u00e4. T\u00e4m\u00e4 saattaa vaatia lis\u00e4\u00e4 anturointia tai datan tuomista jostain muusta j\u00e4rjestelm\u00e4st\u00e4 eli integrointia j\u00e4rjestelmien v\u00e4lille. Kannattaa my\u00f6s mietti\u00e4 laajemmin. Auttaisiko joku prosessin ulkopuolelta saatava data? Esimerkiksi taloushallinnon tai tuotannonohjauksen puolelta. Ent\u00e4 joku muu ulkopuolinen avoin data?<\/p>\n\n\n\n
Mit\u00e4 sitten odottaa? Kolme t\u00e4rke\u00e4\u00e4 asiaa on syyt\u00e4 tiedostaa. Ensinn\u00e4kin edess\u00e4 on \u201doppimisprosessi\u201d. Kone ei osa tehd\u00e4 mit\u00e4\u00e4n ennen kuin se opetetaan siihen. T\u00e4m\u00e4 tarkoittaa datan analysointia ja p\u00e4\u00e4t\u00f6ksentekoparametrien s\u00e4\u00e4t\u00e4mist\u00e4. Mik\u00e4li dataa on jo valmiiksi suuria m\u00e4\u00e4ri\u00e4 saattaa \u201doppiminen\u201d sujua nopeasti, jos dataa taas ei ole, pit\u00e4\u00e4 aloittaa sen ker\u00e4\u00e4misell\u00e4. Toinen toteutusta hidastava tekij\u00e4 on se ett\u00e4 kaikki prosessit ovat erilaisia. Mik\u00e4\u00e4n analytiikkamenetelm\u00e4 ei v\u00e4ltt\u00e4m\u00e4tt\u00e4 sellaisenaan anna riitt\u00e4v\u00e4n hyv\u00e4\u00e4 vastausta vaan itse analytiikkaa pit\u00e4\u00e4 hienos\u00e4\u00e4t\u00e4\u00e4 iteratiivisesti.<\/p>\n\n\n\n
Lopuksi on syyt\u00e4 ymm\u00e4rt\u00e4\u00e4 miten l\u00e4ht\u00f6tiedot vaikuttavat lopputulokseen ja mit\u00e4 voidaan realistisesti odottaa ottaen huomioon l\u00e4ht\u00f6tietojen laatu. T\u00e4m\u00e4 on aina tapauskohtaista ja otettava huomioon kun prosessia aloitetaan.<\/p>\n\n\n\n
Teollinen maailma on vallankumouksen kynnyksell\u00e4 jota usein kutsutaan nimell\u00e4 Teollisuus 4.0. Jokainen yritys on osa yritysten digitaalista verkkoa. Yhteisty\u00f6t\u00e4 tekevien yritysten j\u00e4rjestelm\u00e4t integroituvat yhteen ja muodostavat suuremman kokonaisuuden jossa sin\u00e4 toimit oleellisena osana. Tietoa syntyy entist\u00e4 suurempia m\u00e4\u00e4ri\u00e4 ja sen perusteella pit\u00e4\u00e4 pysty\u00e4 tekem\u00e4\u00e4n p\u00e4\u00e4t\u00f6ksi\u00e4 entist\u00e4 nopeammin. Selvi\u00e4\u00e4k\u00f6 ihminen en\u00e4\u00e4 t\u00e4st\u00e4 ilman koneen tietokoneen ja analytiikan apua?<\/p>\n\n\n\n
\u201dMeid\u00e4n saatavilla on jatkuvasti kasvava m\u00e4\u00e4r\u00e4 dataa sek\u00e4 automaatioj\u00e4rjestelmist\u00e4 ett\u00e4 liiketoimintaj\u00e4rjestelmist\u00e4. Paljon t\u00e4st\u00e4 j\u00e4\u00e4 hy\u00f6dynt\u00e4m\u00e4tt\u00e4. Ihmiset yritt\u00e4v\u00e4t tehd\u00e4 analyysej\u00e4 jotka koneet tekisiv\u00e4t paljon paremmin\u201d, Jan M\u00fcller kiteytt\u00e4\u00e4.<\/p>\n\n\n\n
Teksti julkaistu alunperin Etteplan.com -sivustolla<\/span><\/em><\/p>\n","protected":false},"excerpt":{"rendered":" Valmistavan teollisuuden tehtaat ovat pitk\u00e4lle automatisoituja. Ohjelmoitavat logiikat ovat olleet yleisi\u00e4 jo vuosikymmeni\u00e4 ja kokoonpanoa tekev\u00e4t nyky\u00e4\u00e4n robottisolut. Monenlaisia antureita ja mittalaitteita k\u00e4ytet\u00e4\u00e4n prosessien mittaamiseen ja ohjaamiseen. Nyt on aika katsoa eteenp\u00e4in. Jos automatisointi oli ensimm\u00e4inen askel, mik\u00e4 on seuraava? Kuinka tehd\u00e4 tuotantolinja tai laitos viel\u00e4 tehokkaammaksi? Voidaanko jo nyt ker\u00e4tty\u00e4 dataa hy\u00f6dynt\u00e4\u00e4 paremmin? Keino-\/teko\u00e4ly, […]<\/p>\n","protected":false},"author":1,"featured_media":611,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_et_pb_use_builder":"off","_et_pb_old_content":"","_et_gb_content_width":"","footnotes":""},"categories":[69],"tags":[],"class_list":["post-609","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-analytiikka"],"_links":{"self":[{"href":"https:\/\/rrweb.fi\/index.php?rest_route=\/wp\/v2\/posts\/609","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/rrweb.fi\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/rrweb.fi\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/rrweb.fi\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/rrweb.fi\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=609"}],"version-history":[{"count":1,"href":"https:\/\/rrweb.fi\/index.php?rest_route=\/wp\/v2\/posts\/609\/revisions"}],"predecessor-version":[{"id":610,"href":"https:\/\/rrweb.fi\/index.php?rest_route=\/wp\/v2\/posts\/609\/revisions\/610"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rrweb.fi\/index.php?rest_route=\/wp\/v2\/media\/611"}],"wp:attachment":[{"href":"https:\/\/rrweb.fi\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=609"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rrweb.fi\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=609"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rrweb.fi\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=609"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}