DATAN KERUU ei ole kunnossapidolle vierasta, joten lähtökohtaisesti sillä on suuret mahdollisuudet hyötyä datamassojen paremmasta ymmärtämisestä. Big data on jo käsitteenä epämääräinen. Ei siis ole ihme, että big datan mahdollisuuksia myös epäillään. Kolmea V:tä käytetään usein kuvaamaan big datan osa-alueita: datan monimuotoisuus (variety), datan käsittelyn nopeus (velocity) ja datan määrä (volume).

Loppujen lopuksi kyse on kuitenkin melko yksinkertaisesta asiasta. Monen yrityksen data ei ole enää perinteisin keinoin hallittavissa siten, että siitä voidaan jalostaa kaikki merkityksellinen tieto liiketoiminnan päätöksentekoa tukemaan. Syvällinen, yrityksen omaan, monista muuttujista ja parametreista koostuvaan dataan pohjautuva tieto voi auttaa yritystä ymmärtämään paremmin omaa ja asiakkaan toimintaa. Tästä big datan hyödyntämisessä on kyse.

Datan evoluutio

Aikaisemmin huoltoa ja kunnossapitoa tehtiin lähinnä korjaavana toimenpiteenä sen jälkeen, kun jokin ei enää toiminut kuten piti. Tällöin datan keruun merkitys ei ollut erityisen suuri. Myöhemmin, yritysten siirtyessä kohti ennakoivaa huoltoa ja kunnossapitoa, datan keruun rooli kasvoi huomattavasti. Enää ei riittänyt tehtyjen korjaavien huoltojen ylös kirjaaminen. Lisäksi oltiin kiinnostuneita myös siitä, kuinka konerikot voitaisiin estää etukäteen. Datan käsittelyn osalta tämä tarkoitti tiedon jalostamista liittyen tuhansien laitteiden ja niiden osien vikaantumisaikoihin sekä huollon suunnittelua datasta johdettujen keskilukujen pohjalta.

Datan keruu on kuitenkin kehittynyt yhä pidemmälle. Nykyisin kunnossapitoon liittyvää dataa on paljon esimerkiksi huoltokirjoissa, mutta vielä suurempi määrä dataa löytyy laitteiden käyttödatasta ja prosessidatasta, joita kuitenkin hyödynnetään kunnossapidossa vielä hyvin rajallisesti. Kunnossapidon näkökulmasta suuri osa yrityksen datasta voidaankin nähdä ainakin osittain hyödyntämättömänä resurssina, jonka keräämiseen on investoitu, mutta käyttö on jäänyt puolitiehen.

Konkreettiset hyödyt kunnossapitoon

Myös huollossa ja kunnossapidossa big datan hyödyntäminen on ennen kaikkea tiedon jalostamista yrityksen olemassa olevista datalähteistä. Tämän tiedon lupaavimpia sovellusalueita on juuri ennakoiva kunnossapito, joka ei perustu ainoastaan huoltokirjoista johdettuihin vikaantumisaika-arvioihin vaan todelliseen huollettavan laitteen kuntoon ja käyttödataan.

Esimerkiksi tehtaan tuotantokoneen tai maailmalla olevan liikkuvan työkoneen huoltotarve vaihtelee paljon riippuen eri tekijöistä, kuten mitä materiaaleja työstetään, miten konetta ajetaan ja missä konetta käytetään. Näiden tekijöiden huomioon ottaminen yksittäisen koneen huollon suunnittelussa onnistuu tehokkaammin yhdistettäessä prosessia ja käyttöä mittaavien antureiden data ja huoltokirjadata.

Eri lähteistä peräisin olevien datojen käsittely yhdessä edellyttää usein monimuuttuja-analyysia ja riippuvuussuhteiden löytämistä eri muuttujien välillä. Toisin sanoen tiedon jalostamista siitä, miten muuttujat kuten lämpötila, värähtely ja nopeus vaikuttavat koneen kuntoon ja vikaantumiseen. Perinteisillä keinoilla tämä data käy hallitsemattomaksi, kun mahdollisia kuntoon vaikuttavia muuttujia on koneen ominaisuuksista riippuen useista kymmenistä tuhansiin ja muuttujakohtaisia mittauspisteitä on jopa satoja minuutissa.

Kunnossapidon kannalta data-analyysi mahdollistaa siis suunnittelemattomien huoltokatkojen ja konerikkojen vähentämisen ja omalta osaltaan auttaa varmistamaan häiriöttömän tuotannon ja toiminnan. Usein yritys ei kuitenkaan halua jättää kehitystyötä tähän, vaan karttuneen ymmärryksen myötä data-analyysia halutaan hyödyntää myös toisesta näkökulmasta, kuten esimerkiksi tuotannon optimoinnissa ja laadun ohjauksessa.

Kunnossapidolle olennainen data koostuu monista eri lähteistä.

Samankaltaisuuden tai poikkeavien tapausten määritys on usein esiin tuleva kysymys suurten data-aineistojen käsittelyssä.

Tulevaisuus

Ennen teollisen internetin ja big datan aikakautta datan pohjalta tehtävä huollon ja kunnossapidon ennakointi tai mikään ennakointi ylipäänsä ei ole ollut helppoa, saati luotettavaa. Datan parantunut saatavuus ja kehittyneen dataanalyysin hyödyntäminen tuovat siis merkittävän muutoksen tapaan tehdä huoltoa ja kunnossapitoa.

Tulevaisuudessa jokainen kone on mahdollista huoltaa yksilönä, jonka koko toiminta- ja huoltohistoria on tarkasti tiedossa. Sen kautta ennakoivat huoltotoimet on mahdollista suunnitella konekohtaisesti, automatisoidusti ja erittäin kustannustehokkaasti. Mitatun ja kerätyn datan kokonaisvaltainen hyödyntäminen tulee jatkossa mahdollistamaan yhä tarkemman ennakoinnin. Selvää kuitenkin on, ettei mikään menetelmä mahdollista täysin odottamattomien tapahtumien, kuten sähkökatkojen tai äkillisten sääilmiöiden, aiheuttamien tuotantohaittojen estämistä. Tästäkin huolimatta data-analyysin mahdollisuudet ennakoivassa huollossa ja kunnossapidossa ovat merkittävät.

Yritysten oman datan syvällinen ymmärtäminen ja sen tiedon käyttäminen liiketoiminnan päätöksenteon tukena nousee yhä suurempaan rooliin tulevaisuudessa. Quva Oy on omalta osaltaan auttamassa yrityksiä erityisesti ennakoivan huollon ja laadun ohjauksen saralla kehittäen räätälöityjä data-analyysiratkaisuja muun muassa konepajayrityksille ja prosessiteollisuuteen.

Emil Ackerman

toimitusjohtaja,

Quva Oy,

emil.ackerman@quva.fi

Pekka Ruusuvuori

tutkimus- ja tuotekehitysjohtaja,

Quva Oy, pekka.

ruusuvuori@quva.fi