Tuotanto-omaisuuden hallinta (Physical Asset Management) on teollisuuden kunnossapidossa aivan keskeistä. Hyödykkeiden ja palvelujen tuottamiseen tarvitaan resursseja, joihin kuuluvat muun muassa laitteet, koneet ja kiinteistöt ja näiden käytön tehokkuuteen kohdistettujen panostusten, investointien ja kehitystyön arvoa yrityksen menestykseen ei voi liikaa korostaa.

Kokonaisuus on laaja ja haluankin käsitellä aihetta käynnissäpidon ja mittaustekniikan merkityksen näkökulmasta. Näillä voidaan merkittävästi vaikuttaa tuotanto-omaisuuden käyttövarmuuteen, sekä kustannusten ennakointiin ja hallintaan.

Kunnossapito on tuotanto-omaisuuden hallintaa ja teollisuuden kunnossapito vaatii tiivistä yhteistyötä tuotannon eri vaiheissa ammattilaisten kesken. Yksin tai erillisissä siiloissa ei päästä yhteisiin tavoitteisiin. Kunnossapito on kokonaisuuksien hallintaa ja optimointia, jossa haetaan parempaa tuottavuutta kestävällä tavalla. Kunnossapidossa korostuu yhteistyön merkitys ja saumaton, reaaliaikainen tiedon kulku niin ihmisten kuin koneiden, laitteiden ja eri järjestelmien välillä. Kehittämisen rakennusaineeksi tarvitaan myös suhteellisen korkeat laatuvaatimukset täyttävää dataa. Laadukas ja käyttäjäystävällinen toiminnanohjausjärjestelmä auttaa tässä ja tiedonkeruun kulttuuri on muutoksessa kohti parempaa suuntaa.

Käyttövarmuuden analysointi, kone- ja laitosautomaation tiedot sekä sensoreilla kerättävä tieto tukevat toinen toisiaan. Käyttövarmuutta ja tapahtumahistoriaa analysoimalla löydetään sensoroitavia kohteita ja voidaan todentaa mittausteknisten ratkaisujen hyötyjä ja toimivuutta. Jos käyttövarmuuden analysointia ajatellaan aikajanalla, se tarkoittaa aikaväliä kaukaa menneisyydestä pitkälle tulevaisuuteen. Puhutaan jopa kymmenistä vuosista ja tällä aikavälillä kertynyttä dataa me voimme muuttaa monenlaiseksi informaatioksi ja vastaukseksi liiketoiminnan tarpeisiin. Päätökset perustuvat tässä toimintamallissa huolellisesti analysoituun dataan ja siitä jalostettuun tietoon.

Lyhyemmällä aikavälillä ja kriittisten kohteiden poikkeamien havainnointiin on keinoälyn hyödyntäminen muuttanut mittaustekniikkaan liittyvän signaalinkäsittelyn täydellisesti.

Koneoppivilla algoritmeillä opetamme keinoälylle oikean signaalin muodon, josta poikkeamia haetaan automaattisesti. Normaaliin toimintaan kuuluvien poikkeamien kohdalla järjestelmä voidaan opettaa hyväksymään uudet löydökset. Tätä mallia me hyödynnämme ja keräämme pilvialustaan vikaantumismallin kannalta olennaista tietoa ja tutkimiseen hyödynnämme koneoppimisen menetelmiä. Vastaavaa ideaa käytämme myös toisessa ratkaisussa, joka voidaan liittää tehtaan automaatio- tai mittausjärjestelmiin. Näistä datalähteistä saadaan suuri määrä muuttujia, joiden korrelaatiota keinoäly tutkii tehtaan erilaisten ajotilanteiden aikana. Mikäli muodostetut korrelaatiot poikkeavat normaalista, saadaan siitä hälytys, joka analysoidaan ja tehdään parantavat toimenpiteet. Järjestelmä oppii uudesta datasta ja asiantuntijoiden palautteen avulla järjestelmää opetetaan ja kehitetään jatkuvasti tarkemmaksi.

Digitaalisten teknologioiden käyttö käynnissäpidossa ja mittaustekniikassa on arkipäivää, mutta kehitys ja muutos on kiihtyvää. Tässä kiihtyvässä tahdissa meidän kaikkien on hyvä olla mukana etsimässä uusia toimintatapoja ja -malleja, joilla konkreettiset hyödyt saavutetaan ja teollisuus toimii kuten on suunniteltu, jolloin ei synny tuotantokatkoksia, hallitsemattomia päästöjä tai hävikkiä. Tehokkaasti, turvallisesti ja kestävän kehityksen mukaisesti.

Tatu Pekkarinen
on Caverion Industria Oy:n kehitysinsinööri