Algoritmit ja koneoppiminen tehostavat teollisuuden kunnonvalvontaa. Dataohjautuva huoltotarpeiden ennakointi auttaa hillitsemään kuluja ja lisää arvoa palveluliiketoimintaan jo tänään. Tulevaisuudessa IoT-data voi yhdessä lohkoketjuteknologian kanssa luoda aivan uudenlaisia tulovirtoja.
Jokaisen IoT-ratkaisun lisäarvo syntyy datan tulkinnasta. Ennakoivaa analytiikkaa voi hyödyntää, kun on ensin ymmärretty ja mallinnettu ilmiöitä kuvailevan ja diagnostisen analytiikan keinoin.
Cinian ohjelmistokehittäjä Sakari Hassi työskentelee IoT:n ja teollisuuden kunnonvalvonnan kehittämisen parissa. Mitä mahdollisuuksia on mahdollista hyödyntää nyt, mitä odottaa kulman takana?
IoT-arkkitehtuurin pohjatyöt kuntoon
Parhaimmillaan nopea, mutta silti monivaiheinen: sellainen on IoT-datan matka sensoreilta analytiikan kautta selkeiksi raporttinäkymiksi. Loppukäyttäjien, kuten huoltotiimien, tarpeet sanelevat ratkaisuja alusta alkaen. Haluavatko he nähdä graafeja vai listoja kohteista? Mitä tietoa niiden pitäisi sisältää, ja minkälaisissa tilanteissa heidän on päästävä tarkastelemaan historiallista dataa?
Lähtökuopissa on hyvä etsiä vastaukset myös näihin kysymyksiin:
- Millaisista datamääristä on kyse?
- Kuinka tiheästi sensorien kannattaa tehdä mittauksia?
- Missä muodossa ja millä tavoin dataa on järkevää tallentaa, siirtää, käsitellä ja varastoida?
Kunnonvalvonnan IoT-ohjelmistoratkaisuissa kaikki yllämainitut vaikuttavat teknologia- ja arkkitehtuurivalintoihin ja edelleen analytiikan mahdollisuuksiin.
Reaaliaikaisesta kunnonvalvonnasta ennakoivaan analytiikkaan
IoT-kehitystiimi, jossa myös Hassi on mukana, työstää värähtelysensorien keräämää raakasignaalidataa ja jatkojalostaa sitä algoritmien avulla kunnonvalvonnallisiksi indikaattoreiksi. “Indikaattoreiden arvoa ja tuloksia seurataan eri aikaväleillä. Näin saadaan tietoa siitä, onko mekaanisessa osassa jokin menossa vinksalleen”, Hassi kuvailee.
Aikasarjoittain mitatusta datasta voi piirtää graafeja, jotka kuvaavat historiallista kehitystä. Pelkkä graafien seuraaminen ei kuitenkaan auta, jos halutaan tehdä dataan perustuvia ja ennakoivia päätöksiä. Siksi hälytyksiä automatisoidaan algoritmien avulla. Näin pystytään reagoimaan nopeasti, kun muuttujissa tapahtuu poikkeamia tai kehitystä, joka ennakoi ylläpitotoimien tarvetta.
Datapohjaiseen ennustamiseen on mahdollista liittää sovelluksissa paitsi hälytyksiä, myös automatisoitua toimintaa. Ennakoivan huollon kontekstissa se voi tarkoittaa esimerkiksi, että:
- IoT-ratkaisu osaa kertoa optimoidun ajankohdan varaosan vaihtamiseen,
- se tarkistaa automaattisesti varaosan saatavuuden,
- toimittaa oikea-aikaisen varaosatilauksen toimittajalle sekä
- tuottaa huoltotyöhön liittyvän työmääräyksen tai tiketin suoraan vastuuhenkilöiden kalenteriin.
Koneoppiminen ja tekoäly vievät ennusteet askelta pidemmälle
Sakari Hassi näkee, että koneoppimisen (machine learning) potentiaalia ei vielä täysin hyödynnetä teollisuuden kunnonvalvonnassa, vaikka sillä onkin varmasti lähitulevaisuudessa paljon annettavaa. Yksinkertaistettuna tekoälylle on mahdollista opettaa, miltä näyttää laitteelta kerättyyn dataan perustuva graafi vikatilanteessa, miltä taas normaalitilanteessa. Koneoppimista hyödyntämällä vikatilanteiden ennakointi tehostuisi näin entisestään.
“Yliopistomaailmassa on tutkittu kunnonvalvontaa, jossa ennustemalleja varten ei tarvittaisi jatkossa loogisia algoritmeja, vaan opetettaisiin konetta tunnistamaan poikkeamia, jotka sitten täsmäytetään aiempaan tietoon,” Hassi kertoo.
Värähtelysensoreilla kerätty raakadata on altista ympäristön muutoksille. Koneoppimisen hyödyntämisen haasteena onkin muuttuvien olosuhteiden vaikutuksen huomiointi. On tärkeää pystyä luottamaan siihen, että data on laadukasta ja tilastollisesti vertailukelpoista, jotta siitä voi tehdä johtopäätöksiä.
Toinen pulma, joka on hidastanut koneoppimisen hyödyntämisen yleistymistä kunnonvalvonnassa, on vertailudatan löytäminen algoritmien ja laitteistojen opettamiseksi. Miten tekoälyn voisi opettaa tietämään, miltä esimerkiksi yksittäinen vioittunut laakeri näyttää hyväkuntoiseen verrattuna?
Riittävän kattavien tietokantojen luominen, säilöminen ja tarjoileminen on tässä yhteydessä haastavaa, mutta jos yritys on pystynyt keräämään aikasarjadataa esimerkiksi kolmen vuoden ajan, se alkaa olla hyvin arvokasta. Tuosta arvo saattaa kiinnostaa myös muita kuin yritystä itseään.
Lohkoketjut luovat uusia ansaintamahdollisuuksia
“Viime vuosina lohkoketjuteknologiaa on yritetty ottaa käyttöön eri tavoin, mutta ratkaisut eivät ole vielä eheitä. Voisin silti kuvitella, että big data -alustat, jotka pohjautuvat lohkoketjuteknologiaan, yleistyisivät jossakin vaiheessa” Hassi ennakoi. Kun IoT-laitteet ja lohkoketjut yhdistetään toisiinsa, tuotettu data ei enää keskity yhteen paikkaan, vaan se hajautuu lohkoketjun vertaisverkkoon. IoT-laitteet siis tuottavat anturidataa suoraan lohkoketjuun. Samalla tietoturva lisääntyy, sillä lohkoketjuun lisättyjä arvoja ei pysty muokkaamaan jälkikäteen.
Dataa kertyy teollisuudessa jatkuvasti monista lähteistä, kuten eri mittalaitteilta ja teollisuus-pc:iltä. Jos jokin taho haluaisi tarjota syntyneitä analyyttisia tietoaineistoja (data set) muille organisaatioille, lohkoketjupohjaiset alustat tarjoaisivat siihen helpon ja turvallisen väylän.
Käytännössä se tarkoittaisi, että yritys pystyisi ostamaan valmista verrokkidataa esimerkiksi koneoppimisen mallien pohjaksi tai harjoitusdataksi. Toisaalta yritys pystyisi tuotteistamaan oman, jatkuvan datankeruunsa myymällä dataa muille.
Jo nyt investointi kunnonvalvontaan kannattaa: se tuo yritykselle säästöjä ja auttaa pitämään sekä omasta että asiakkaiden konekannasta parempaa huolta. Tulevaisuudessa samojen prosessien ympärille rakennettu IoT-ratkaisu voi tuoda mukanaan kokonaan uusia liiketoiminnan malleja.
![Sakari Hassi](https://www.cinia.fi/hubfs/CN%20-%20Blogikuvat/CN%20-%20Henkil%C3%B6kuvat/sakari_hassi.jpg)