Ennakoiva kunnossapito lisää toiminnan tehokkuutta ja vähentää kustannuksia teollisuuden IoT-sovelluksissa. Jäykistä huoltoaikatauluista päästään joustavaan ylläpitoon hyödyntämällä tekoälypohjaisia anturiratkaisuja. Tähän tarkoitukseen on jo tarjolla tehokkaita AI-työkaluja sekä koneiden suunnittelijoille että niiden loppukäyttäjille.

Artikkelin kirjoittaja Cliff Ortmeyer vastaa Premier Farnellin ratkaisujen kehittämisestä. Ortmeyer tuli Farnellin palvelukseen vuonna 2011. Sitä ennen hän työskenteli STMicroelectronicsilla liiketoiminnan kehityksessä yli 13 vuotta. Ortmeyerillä on elektroniikkainsinöörin tutkinto Iowa State Universitystä.

Laitteiden seisokit ovat merkittävä tekijä kaikille valmistajille. Sen vuoksi suurin osa teollisuusyrityksistä noudattaa huoltotarkastuksissa ja kuntotestauksissa täsmällistä aikataulua, joka perustuu kunkin koneen käyttöaikaan. Vaikka tämä sinänsä johtaisi hyvään tulokseen, jäykkään aikatauluun sidottu ylläpito ei ole tehokas toimintatapa.

Ongelman ydin on joustamattomuus, joka vaivaa kaikkia kiinteitä aikatauluja. Ylläpidolle luodut aikataulut ovat tyypillisesti hyvin varovaisia, jotta voitaisiin välttää odottamattomien seisokkien aiheuttamat korkeat kustannukset. Tämä menee pieleen siinä mielessä, että näin tehdään paljon enemmän tarkastuksia kuin olisi tarpeen yllättävien vikojen välttämiseksi.

Teollisen valmistuksen alueella toimiva markkinatutkimusyhtiö ARC Advisory Group on tehnyt tutkimuksen, jossa kartoitettiin valmistajien tapoja hoitaa omaisuuttaan. Sen perusteella todettiin, että jopa puolet kiinteään aikatauluun nojaavaan kunnossapitoon käytetystä rahasta menee hukkaan.

Ylläpidon optimointi

Perinteisen kunnossapidon kustannukset aiheutuvat enimmäkseen kahdesta eri asiasta. Merkittävä tekijä on henkilöstö, jonka on siirryttävä koneelta toiselle ja paikasta toiseen tarkastusten suorittamiseksi. Toisen tärkeän tekijän muodostavat kustannukset, jotka aiheutuvat koneiden kytkemisestä pois tuotantokäytöstä tarkastusten ajaksi.

Vaikka aikatauluissa yritetään välttää kiireisiä ajankohtia, niitä ei ole aina mahdollista tai helppoa ennustaa. Tästä syystä valmistajien on rakennettava tuotantolinjoilleen ylimääräistä kapasiteettia, jotta tuotantokoneiden ruuhka-aikoina seisottamisen aiheuttamista menetyksistä selvittäisiin.

Ennakoiva ylläpito sen sijaan tarjoaa mahdollisuuden merkittäviin kustannussäästöihin suorittamalla ainoastaan manuaaliset tarkastukset tarvittaessa, ja lisäksi vähentämällä sekä odotettuihin että yllättäviin seisokkeihin liittyviä kustannuksia.

Useat asiantuntijat näkevät ennakoivan ylläpidon avainasemassa, kun teollisuudessa siirrytään IIoT-järjestelmiin Industry 4.0 -konseptin puitteissa. Esimerkiksi Feston tuotehallinta- ja markkinointipäällikkö Steve Sands perustelee asiaa sillä, että ”tässä voidaan nähdä selvä tuotto sijoitetulle pääomalle”.

Tiedonkeruu reaaliaikaiseksi

Ennakoivan ylläpidon tekniikalla kiinteää huoltosuunnitelmaa ei enää noudateta, vaan lähtökohtana on laitteiden todellinen kuluminen ja kunnon heikentyminen. Ennakoiva ylläpito kulkee käsi kädessä Industry 4.0 -konseptin kanssa, koska toteutuksissa käytetään yleisiä komponentteja: sulautettuja älykkäitä antureita sekä paikallisten ja pilvipohjaisten laskentaresurssien yhdistelmää. Tärinää, lämpötilaa, sähkövirtaa ja muita suureita mittaavia antureita voidaan käyttää mahdollisten ongelmien havaitsemiseksi tukemalla paikallisia tai etäkäytettäviä ohjelmistomalleja, jotka suorittavat analyysin reaaliajassa.

Schneider Electricin teollisuusjohtaja Martin Walter perustelee toimintamallia: - Kuvittele, että seuraat mekaanisesti liikkuvia laitteita kuten robotteja ja lineaarisia liukuyksikköjä. Tarkkailemalla näiden laitteiden moottoreita, voi helposti ymmärtää, kuinka nopeasti ne kuluvat. Mitä pitempään niitä tarkkailee, sitä enemmän voi ymmärtää eri asioita ja parametreja niiden ympärillä ja tätä kautta oppia, kuinka niiden kunnossapito kannattaa järjestää.

Panasonicin auto- ja teollisuusjärjestelmien avainosaajista vastaava henkilöstöjohtaja Sara Ghaemi yhtyy Walterin kommentteihin. Hänen mielestään pilvipalvelun saatavuus ja sen tarjoamat lisäominaisuudet ovat koneoppimisen kannalta elintärkeitä ennustavan tekniikan algoritmien kehitystyössä. - Meillä on jo ennestään ennakoivan ylläpidon muotoja, mutta niistä tulee paljon älykkäämpiä, koska tarvittava data on IoT:n kautta paljon paremmin saatavissa ja tiedot voidaan myös ymmärtää paremmin tekoälyn (AI) avulla.

Tekoäly keskeisellä sijalla

- Tekoälyllä on erittäin tärkeä rooli tällä markkinasektorilla, ja alueella voidaan myös ottaa paljon uusia edistysaskelia, jotka tekevät AI-työkalujen käyttämisen helpommaksi koneiden suunnittelijoille ja loppukäyttäjille, Ghaemi jatkaa.

Menneinä vuosina on jo nähty yrityksiä ennakoivan ylläpidon toteuttamiseksi, mutta niissä on tyypillisesti luotettu ihmisten asiantuntemukseen, koska datan määrä ja kyky tulkita sitä ovat olleet rajalliset. Tekoälyn ja IoT:n avulla kerättyjen yhteismuotoisten datavirtojen yhdistelmä antaa mahdollisuuden opettaa malleja sen sijaan, että luotettaisiin käsin koodattuihin algoritmeihin. Tekoälyn lisäetuna on, että sen avulla voidaan hyödyntää paljon enemmän datalähteitä kuin käsin viritetyillä malleilla.

Hyvin usein anturien tuottamaan dataan sisällytetään signaaleja, joiden tutkimiseen tai algoritmien koodaamiseen verkkopuolen asiantuntijoilla ei ole aikaa. Koneoppimisen malleilla voidaan helposti löytää anturien tuottamien signaalimuotojen väliset korrelaatiot, jotka luotettavasti paljastavat kaikki ongelmat ja antavat arvion odotettavan vikaantumisen ajankohdasta. Näin ne tarjoavat valmistajille mahdollisuuden kehittää entistä tehokkaampia ja dynaamisempia aikatauluja huolto- ja korjaustöille. Omega-yhtiön suunnittelupäällikkö Thomas Dalen mukaan kyky hyödyntää aiemmin havaitsemattomia korrelaatioita tekee ennakoivasta valvonnasta ja seurannasta paljon tehokkaampaa.

Festo kuuluu niihin yrityksiin, jotka ovat lisänneet tekoälyä kunnossapidon ratkaisuihinsa. - Pari vuotta sitten ostimme Resulta-nimisen tekoälyfirman, jonka sitten olemme integroineet omiin kehitystoimintoihimme. Näin voimme kehittää ohjelmia, jotka kykenevät havaitsemaan kaikki poikkeamat ja siirtämään niihin liittyvät tiedot ulkoiseen ympäristöön. Toinen edistysaskeleemme on Smartenance-niminen työkalu, joka on kuin ylimääräinen älykäs ylläpitotyökalu, jonka avulla asiakas voi tuottaa ylläpitolokin tabletille tai muulle laitteelle, Sands esittää.

Smartenance-työkalu tarjoaa olennaisen linkin poikkeamien havaitsemisen ja tekoälyn välille sekä varmistaa, että arvokasta ihmisen näkemystä ei menetetä. - Jos poikkeamien havaitseminen aloitetaan tekoälyä hyödyntämällä, on tästä saatava data syötettävä jonkun ylläpitoaikatauluun. Se kannattaa yleensä lähettää henkilölle, joka on koulutettu koneen käyttäjäksi, Sands lisää.

- Jos jokin sitten menee pieleen, konetta varten koulutetun henkilön on mietittävä, mikä sen aiheutti ja miten sen voi korjata. Ihminen on pidettävä mukana samassa silmukassa, kun halutaan työskennellä tekoälyn parissa algoritmien tarkistamiseksi ja säätämiseksi, jotta AI-järjestelmä voi oppia ja edetä.

Walterin mukaan Schneider on sulauttanut tekoälyä lukuisiin tuotteisiin parantaakseen laitteiden valvontaa. IoT:n käyttö eri toimittajien anturien (Omega, Festo, Scheider ym.) liittämiseksi yhteen tarjoaa kyvyn hallita ylläpito-ohjelmia entistä tehokkaammin. Esimerkiksi pitkäaikainen analyysi voi paljastaa rasituksia, jotka voivat heikentää tuotannon luotettavuutta, jota taas voidaan parantaa muuttamalla tuotantovirtoja.

Paikallista ja pilvikäsittelyä

Älykkyyttä voidaan levittää siten, että tuotantosoluissa olevat koneet mukautuvat tuotantovirtoihin osallistumatta välttämättä pääohjainten toimintaan. Tämä on Molexin kehittämän IAS 4.0 -ratkaisupaketin (Industrial Automation Solutions) taustalla oleva konsepti. - Annamme kullekin yksittäiselle alueelle mahdollisuuden hallita itseään ja omaa turvallisuuttaan sekä ilmoittaa kaikki tiedot muille ohjaimille, jotta ne voivat reagoida muutoksiin, sanoo Molexin teollisuustuotteiden Euroopan jakelusta vastaava Jeff Barnes.

Valmistajat ja integraattorit voivat sisällyttää järjestelmään räätälöityjä reunalaitteita, joihin tekoälyä on sulautettu. Yksi ratkaisu on käyttää Brainium AI -ohjelmistoa, joka toimii Avnetin kehittämällä SmartEdge Agile -alustalla. Brainium-ratkaisu tarjoaa joustavuutta joidenkin tekoälyalgoritmien suorittamiseen paikallisesti, kun taas muut monimutkaisemmat toiminnot ja ne, joita käytetään pitkän aikavälin suunnitteluun, siirretään pilveen käsiteltäviksi.

Esimerkiksi Scheiderin EcoStruxure hyödyntää valtavaa datamäärää, joka voidaan sijoittaa pilvivarastoon tukemaan laaja-alaista analyysia ja tiedonlouhintaa. Koska prosessointitehon hinta laskee jatkuvasti, on todennäköistä, että valmistajat hyödyntävät entistä enemmän paikallista älykkyyttä lyhentääkseen syvään ymmärrykseen tarvittavaa aikaa.

Uusia palvelumalleja

Molexin Barnes näkee ennakoivan ylläpidon ja Industry 4.0 -tekniikoiden yhdistelmän uusien palvelumallien mahdollistajana. Yksi vaihtoehto on siirtyminen perinteisistä investoinneista tuotantomääriin perustuviin rahoitusmalleihin, joissa koneenrakentajat osallistuvat aktiivisemmin käytettävyyden takaamiseen ja maksimoivat siten sekä omat että asiakkaidensa tulot.

- Koneen rakentanut yritys haluaa tarkistaa koneen, koska se on todennäköisesti laajassa korvausvastuussa, jos kone hajoaa, Barnes sanoo. Ennakoiva ylläpito tarkoittaa, että voidaan välttää nojaamista jäykkiin aikatauluihin ja reagoida nopeasti mahdollisiin ongelmiin.

Barnesin mukaan koneiden tuotantomääriin perustuvassa hinnoittelussa voidaan laitteistoa hyödyntää paremmin kuin perinteisissä myyntimalleissa. - Esimerkiksi, jos asiakas tarvitsee koneelle toisenlaisia ominaisuuksia, koneenrakentaja voi saada laitteensa takaisin ja kunnostaa sen tekemään jotain muuta sen sijaan, että se päätyisi romukasaan, Barnes perustelee.

Ennakoiva ylläpito voi siis tarkoittaa paljon muutakin kuin koneiden tarkastamisen aiheuttamien kustannusten vähentämistä. Mitä enemmän yritykset siirtyvät ottamaan käyttöön ennakoivan ylläpidon ratkaisuja, sitä paremmin ne ymmärtävät, kuinka niiden valmistusjärjestelmät toimivat. Kun ennakoiva ylläpito ja sen taustalla olevat tekniikat hyödyntävät koko potentiaaliaan, toiminnan tehokkuus lisääntyy ja johtaa pitkäaikaiseen menestykseen.