Koneoppiminen on teollisuudessakin hyvä työkalu, jonka avulla prosessit voidaan pitää stabiileina ja optimoituina kustannustehokkaasti. Automaatiopalveluja tarjoava Insta on todistanut tämän pilottihankkeensa ensimmäisessä vaiheessa Bolidenin rikkihappotehtaalla Harjavallassa.

Mika Riikonen uskoo turvalliseen datan hyödyntämiseen älykkäässä kunnossapidossa.

Instan hanke on nyt edennyt datan tutkimusvaiheesta koodausvaiheeseen, johon osallistuu puolenkymmentä suomalaisyhtiön ammattilaista, Insta Automationin liiketoimintajohtaja Mika Riikonen kertoo.

– Tutkimus oli yllättävän vaikeaa ja työlästä. Onneksi Installa on tarpeeksi automaation osaajia, jotka kykenevät puhumaan samaa kieltä asiakkaan kanssa.

Tavoitteena on etsiä firmasta oikeat juttukaverit, jolloin asiakasta ei vaivata liikaa säätöjen takia tai datan analysoinnissa, Riikonen selostaa koneoppimisen ensi vaiheita.

Hän huomauttaa myös siitä, että Boliden on Installe vanha ja tuttu asiakas, joka ymmärtää prosessien mallinnuksen arvon.

Koneoppiminen on vielä sen verran uusi asia prosessinhallinnassa, että asiakkaat eivät hevin uskalla luottaa dataansa palvelutarjoajan käyttöön – eivät siitäkään huolimatta, että edut ovat ilmeiset.

Asiakas voi luottaa turvalliseen digitalisaatioon

– Olemme pohtineet näitä asioita omalla porukalla ja huomanneet syiden vaihtelevan asiakkaiden mukaan. Yrityksissä saattaa olla vaikea uskoa sitä, että heidän prosesseissaan olisi parantamisen varaa. Joskus kyse voi olla siitä, että vastuuhenkilöiden on hankala hyväksyä ulkoa tulevien neuvoja prosessien kohentamiseksi. Syitä riittää, Riikonen aprikoi.

Ratkaisuksi Insta tarjoaa turvallista digitalisaatiota, jossa asiakas voi luottaa herkän informaationsa palvelutarjoajan julkiseen pilveen. Turvallinen digitalisaatio mahdollistaa prosessidatan hyödyntämisen, kaiken säästöpotentiaalin ulosmittaamisen ja aidosti älykkään kunnossapidon.

– Bolidenin prosessin datan analysoinnissa meidänkin laskentakapasiteettimme tuppasi loppumaan. Kustannustehokas tapa on suorittaa laskenta kaupallisen palveluntarjoajan pilvessä. Tämä on mahdollista, kun asiakkaan data muutetaan tunnistamattomiksi ykkösiksi ja nolliksi, jotka viedään pilveen laskutoimituksia varten.

Sitten opetusdata palautetaan ennalleen yrityksen ohjausjärjestelmiin, Riikonen kuvailee turvallisen digiloikan ideaa.

Teollisuudessa koneoppiminen ohittaa tekoälyn

Mika Riikonen on ollut niin pitkään teollisuuden it-automaatiossa mukana, että hän puhuu mieluummin koneoppimisesta ja oppivista koneista kuin niiden isosta serkusta tekoälystä. Kuulemma tekoäly vie käytännön puheita vähän turhan filosofiseen suuntaan.

– Koneoppimisen malli ei toimi huonolla datalla. Yrityksellä pitää olla varmuus siitä, että prosessi toimii oikein. Vasta tämän varmuuden jälkeen dataa voidaan hyödyntää opettamiseen.

Riikonen luettelee syitä, joiden vuoksi data voi olla kelvotonta oppiviin malleihin. Näitä ovat merkittävien laitteiden vaihdokset tai konerikot, huoltoseisokit tai tuotannon muut prosessiongelmat. Kaikki näissä oloissa kerätty opetusdata on käyttökelvotonta.

– Tärkeää on sekin, että ei analysoida koko tehdasta vaan tunnistetaan dataanalytiikan kannalta tärkeät prosessien osat. Opetusdatan validointi on helpompaa rajallisella datan määrällä kuin niin että keräyspisteitä on liikaa.

Digikaksonen ennustaa tarvittavia muutoksia

Bolidenin Harjavallan-tehtaalla prosessin osa mallinnettiin ja kokeiltiin mallin avulla, miltä tulos näyttäisi. Tuloksena syntyi eräänlainen digitaalinen kaksonen, jonka avulla tuotantoa voidaan simuloida erilaisilla ajoparametreillä. Onko digikaksonen prosessiautomaatiossakin samanlainen muoti-ilmiö kuin se tuntuu olevan kaikkialla muualla, aina keväällä palanutta Pariisin Notre-Damen katedraalia myöten?

– No ei suinkaan, meille digikaksonen oli lähinnä välttämätön paha. Sen avulla luotu koodi pystyy ennustamaan prosessin läpimenoajan jälkeistä tilaa noin seitsemän minuutin päähän, ja jos lopputulema ei ole haluttu, voidaan tähän vaikuttaa säädön avulla, Riikonen kertoo.

Prosessien stabiloinnista paljon hyötyjä

Yleisesti hyödyt ovat ilmeiset: työturvallisuus kohentuu, hävikki ja päästöt putoavat samoin kuin energiankulutus. Kaiken kaikkiaan tuottavuus kohentuu Instan stabiloidun ja oppivan prosessiautomaation ansiosta. Tuotannon ennustettavuus paranee huomattavasti.

– Suurimmat voitot saavutetaan prosessien stabiloinnissa. Esimerkkeinä muista vastaavista selvityksistä voidaan vastaavista selvityksistä voidaan mainita höyrynkulutuksen putoamisen noin 25 prosenttia ja sen, että erään laitteen vikaväli on ainakin nelinkertaistunut, Riikonen kuvailee stabiloinnin hyötyjä.

Kuluminen ja rikkoutuminen voidaan ennustaa ja laite korjata suunnitellusti, järkevänä ajankohtana.

– Koneoppiva malli huomaa välittömästi, kun prosessissa tapahtuu jotakin outoa. Kun dataa on tarpeeksi ja kun malli on opetettu, koneoppiva malli osaa ehdottaa, mistä häiriö voi johtua.

Koneoppiminen on teollisuuden tätä päivää

Oppivat koneet etenevät prosessiteollisuudessa kovalla vauhdilla. Riikosen mielestä koneoppimisen palvelutarjoajien pitää ymmärtää ennen kaikkea automaatiota. Hänen mukaansa sekin on totta, että it-alan osaajapula vallitsee lähes kaikkialla alan yrityksissä.

– Installa on ollut sikäli onnea, että meillä on parisensataa automaatioinsinööriä palkkalistoillamme ja koodareitakin varmaan kolmensadan paremmalla puolella.

Mika Riikosen mielestä teollisuusyritysten kannattaa ajoissa hyödyntää koneoppimista prosesseissa, jotta kilpailijat eivät pääse yllättämään. Instan puolesta hän ei ole huolissaan. Yrityksellä on pitkä kokemus prosessiteollisuudesta, instrumentoinnista ja automatisaatiosta.

– Maailman mitassakin koneoppimisen ja oppivien prosessien osaajia on vain kourallinen, joten töitä riittää varmasti kaikille, hän sanoo.