Teksti Pasi Ojala, Efora
Kuva Istockphoto

Stora Enson kunnossapitoyhtiö Efora vastaa Suomessa tehtaiden käyttövarmuudesta ja elinkaaren hallinnasta. Efora on rakentanut jo useamman vuoden ajan ennakoivaa analytiikkaa auttamaan kunnossapidon ja käyttövarmuuden prosessia.

Analytiikan rakentamisessa yritys tukeutuu Stora Enson dataekosysteemiin.
Automaatio-, IoT- ja kunnossapitodata siirretään keskitetysti analytiikka-alustalle kaikkien tuotannossa ja kunnossapidossa työskentelevien saataville, jolloin erilaisten sovellusten ja palveluiden kokeilu sekä rakentaminen on helppoa ja nopeaa. Kaikki tulokset ovat jatkossakin käytettävissä ja hyödynnettävissä samassa dataekosysteemissä. Alustan päällä toimivat koneoppivat algoritmit mahdollistavat faktapohjaisen ennakoimisen, jonka avulla korjaavat työt ja ennakkohuollot voidaan toteuttaa tehokkaammin ja oikeaan, reaaliaikaiseen tietoon perustuen.

Tavoitteena on, että tehtaiden koneet ja laitteet pystyvät itse kertomaan
mahdollisista häiriötilanteista ja ennakoimaan huoltotarpeen. Nykyään
koneiden käyttövarmuus on niin kehittynyttä, että se tuo haasteita häiriöhavaintojen koneoppimiseen, kun systemaattisia ja ennustettavia häiriöitä ei juuri ole. Analytiikan pitääkin kyetä löytämään uudet nollapäivän poikkeamat ja ilmiöt, joita ilmenee harvoin.

Analytiikka auttaa päätöksenteossa
Ohjaamaton koneoppiminen, joka käyttää kehittyneitä algoritmeja, on osoittautunut tehokkaaksi lähestymistavaksi tällaisten normaalista poikkeavien tilanteiden tunnistamiseksi. Tämän jälkeen täytyykin vain löytää oikea toimenpide. Koneoppiminen toki auttaa, kunhan riittävä data on kerättynä.
Ennakoivaa analytiikkaa käytetään vikojen ennustamisen sijasta havaitsemaan poikkeamia normaaliin tilaan. Tyypillisesti poikkeaman vaikutuksen ja riskin arviointi jää asiantuntijalle. Siinä tilanteessa pohdittavat asiat ovat: onko sama ongelma ilmennyt aiemmin ja mitä silloin tapahtui, millaisia toimenpiteitä pitäisi tehdä? Perinteisesti asiantuntijat kunnossapidossa tai tuotannossa tekevät päätökset ja kirjaavat tarvittavat toimenpiteet toiminnanohjausjärjestelmään, minkä jälkeen kunnossapidon prosessi hoitaa asian. Tätä rutiinia voidaan analytiikan ja koneoppimisen avulla automatisoida.
Kuva 1 havainnollistaa, kuinka käyttövarmuuden ja kunnossapidon prosessiaa voidaan ohjata datasta ja asiantuntijan toimista kerätyn tiedon avulla. Kuten kuvasta nähdään, ohjaileva kunnossapito yhdistää analytiikan ja asiantuntijan tiedot, oppii tarvittavat toimenpiteet ja automatisoi siten päätöksentekoa.

Automatisoitua päätöksentekoa
Ensimmäisessä vaiheessa kunnossapidon tai tuotannon asiantuntija tekee päätöksen toimenpiteistä analytiikan raportoiman poikkeaman perusteella. Yksittäinen poikkeama normaalista toiminnasta on kuitenkin harvoin riittävä tieto. Analyysiä varten käytetään myös muuta tietoa prosessin tilasta. Siksi tarvitaan myös poikkeaman konteksti eli muutokseen mahdollisesti vaikuttavat tekijät ja olosuhteet. Päätökseen vaikuttavat myös aiempi kokemus vastaavanlaisista tilanteista ja prosessin tuntemus. Kaikki tämä tieto tarvitaan myös silloin, kun päätöksentekoa automatisoidaan.
Kun ennakoivaa analytiikkaa käytetään poikkeamien löytämiseen, voidaan samalla kerätä kontekstidataa poikkeamia selittävistä tekijöistä sekä tarkempaa tietoa kohteesta. Määrittämällä korreloivat signaalit, syy-seuraus -suhteet ja poikkeaman luonne saadaan kerättyä tietopaketti, joka luokittelee löydöksen yksikäsitteisesti. Päätöksentekoa varten tarvitaan lisäksi tietoa, joka ei lähtökohtaisesti ole mitattavissa. Jotta päästään automaattiseen toimintaan, on kerättävä tietoa asiantuntijan toiminnasta. Tätä varten olemme rakentaneet ohjailevan kunnossapidon sovelluksen, jonka avulla poikkeamasta voidaan tehdä analyysi keräämällä lisätietoja tarkasti määritetyillä työtavoilla ja tietorakenteilla.

Tavoitteena automaattiset toimenpiteet
Uusi poikkeamahavainto laitteistossa tai prosessissa hälyttää asiantuntijan käsittelemään tilannetta. Asiantuntija ohjataan sovellukseen esimerkiksi sähköposti-ilmoituksen avulla. Automaattisesti kerätyn tiedon perusteella asiantuntija lisää löydökseen sovelluksessa näkemyksensä poikkeamahavaintoon vaikuttavista tekijöistä ja mahdollisista juurisyistä. Tärkeintä on, että sovellus mahdollistaa myös sen, että toiminnanohjausjärjestelmään voi luoda tarvittavan toimenpiteen. Kaikki nämä työvaiheet ja löydökset tallennetaan sovelluksen tietokantaan. Tuloksena on ohjailevan kunnossapidon tietokanta, joka yhdistää asiantuntijan kokemuksen ja analytiikan tulokset. Kuva 2 esittää ohjailevan kunnossapidon keräämän tiedon tallennuksen.
Ennakoivan analytiikan havaitsemat poikkeamat osataan nyt datan perusteella ohjata tarvittaviksi toimenpiteiksi. Kuvan 2 mallin mukaan ohjailevan kunnossapidon sovellus osaa yhdistellä aiemmin kerättyjä tietoja uusiin löydöksiin ja vastata asiantuntijan pohtimiin kysymyksiin: onko jotain vastaavaa tapahtunut aiemmin, missä yhteydessä tapahtuma oli ja mikä on tarvittava toimenpide. Silloin kun kaikki tiedot täsmäävät riittävällä tarkkuudella, sovellus osaa itsenäisesti tehdä päätöksen tarvittavasta toimenpiteestä tai olla myös tekemättä mitään. Käyttäjän ei siinä vaiheessa enää tarvitse puuttua tilanteeseen, vaan toimenpiteet ovat täysin dataohjautuvia.

Jatkuvasti kehittyvää rutiinia
Eforassa ohjaileva kunnossapito tekee jo rutiinityötä ja luo datan perusteella toimenpiteitä käyttövarmuuden prosessiin. Poikkeamia ei enää tarvitse kaikilta osin seurata manuaalisesti raportilta tai analytiikan työkaluista, vaan löydökset kirjautuvat automaattisesti toiminnanohjausjärjestelmään esimerkiksi häiriöilmoituksena. Sitä kautta häiriön tarvitsemat toimet suunnitellaan kunnossapidon prosessin mukaan ja tehdään tarvittava huoltotyö.
Ohjailevan kunnossapidon sovellus oppii luonnollisesti koko ajan uutta, kun nollapäivän ilmiöitä lisätään analyysin kautta järjestelmään. Asiantuntija hälytetään aina uuden tilanteen kohdalla tai silloin, kun automatiikka ei kykene tekemään luotettavaa päätöstä. Analytiikkaa kehitetään edelleen käyttäjäkokemusten ja saatujen löydösten perusteella. Datamallit ja algoritmit oppivat uusista tilanteista ja löydöksistä, jolloin johtopäätöksiä voidaan entistä enemmän tehdä automaattisesti. Entistä enemmän rutiininomaista prosessin toiminnan valvontaa siirtyy automatiikalle.