Valmistavan teollisuuden toiminnassa syntyy päivittäin suuria määriä dataa. Koneet, sensorit, tuotantojärjestelmät, laaduntarkastukset, kunnossapitotoimenpiteet ja liiketoimintajärjestelmät tuottavat kaikki tietoa siitä, miten laitteet ja prosessit toimivat.
Haasteena ei ole pelkästään tämän datan kerääminen. Valmistajien täytyy muuttaa se hyödylliseksi tiedoksi, jonka avulla voidaan ymmärtää, mitä tuotannossa tapahtuu, tunnistaa ongelmia, kehittää prosesseja ja tehdä parempia operatiivisia päätöksiä.
Teollinen tietoanalytiikka mahdollistaa tämän muuttamalla tuotannon raakadataa käytännössä hyödynnettäviksi havainnoiksi. Sen avulla voidaan seurata tuotannon suorituskykyä, havaita poikkeavaa laitteiden käyttäytymistä, tunnistaa prosessiongelmien syitä, parantaa laatua, optimoida resurssien käyttöä ja ennakoida tulevia kunnossapitotarpeita.
Tuotantoympäristöjen yhdistyessä yhä tiiviimmin teollinen tietoanalytiikka muodostaa myös tärkeän perustan datalähtöiselle valmistukselle. Sen sijaan, että toiminta perustuisi ainoastaan määräajoin laadittaviin raportteihin tai yksittäisiin havaintoihin, tiimit voivat hyödyntää operatiivista dataa koneiden, tuotantolinjojen ja tuotantolaitosten tilanteen ymmärtämiseen.
Mitä teollinen tietoanalytiikka tarkoittaa?
Teollinen tietoanalytiikka tarkoittaa teollisuuslaitteiden, prosessien ja järjestelmien tuottaman datan keräämistä, yhdistämistä, analysointia ja tulkintaa operatiivisen päätöksenteon parantamiseksi.
Valmistavassa teollisuudessa tätä dataa voidaan saada sensoreista, koneista, PLC-logiikoista, tuotantojärjestelmistä, kunnossapitotiedoista, laatujärjestelmistä, ERP- ja MES-järjestelmistä sekä muista operatiivisista tietolähteistä. Analytiikan menetelmien avulla datasta voidaan tunnistaa käyttäytymismalleja, trendejä, riippuvuuksia, poikkeamia ja suorituskyvyssä tapahtuvia muutoksia.
Teollinen tietoanalytiikka voi auttaa vastaamaan esimerkiksi seuraaviin kysymyksiin:
- Miten tuotantolinja toimii juuri nyt?
- Miksi tuotannon tehokkuus on heikentynyt?
- Poikkeaako koneen toiminta sen normaalista toimintatilasta?
- Mitkä prosessiparametrit liittyvät laatuongelmiin?
- Milloin laite todennäköisesti tarvitsee kunnossapitoa?
- Missä energiaa, materiaaleja tai muita resursseja käytetään tehottomasti?
Analyysi voi perustua suhteellisen yksinkertaisiin KPI-mittareihin, trendeihin, raja-arvoihin ja mittaristoihin tai kehittyneempiin menetelmiin, kuten tilastollisiin malleihin, poikkeamien tunnistamiseen, koneoppimiseen ja ennustavaan analytiikkaan.
Tavoitteena ei ole kerätä mahdollisimman paljon teollista dataa. Tavoitteena on tarjota oikeaa tietoa oikeassa kontekstissa, jotta operaattorit, kunnossapitotiimit, tuotantopäälliköt ja muut päätöksentekijät voivat tehdä tarvittavia toimenpiteitä.
Miten teollinen tietoanalytiikka toimii?
Teollinen tietoanalytiikka muuttaa koneiden, prosessien ja liiketoimintajärjestelmien tuottaman datan tiedoksi, jota voidaan hyödyntää operatiivisen päätöksenteon tukena. Käytännössä tähän kuuluu yleensä useita toisiinsa liittyviä vaiheita olennaisen datan keräämisestä aina analyysin tuottamien havaintojen hyödyntämiseen päivittäisessä toiminnassa.
Tarkka prosessi riippuu käyttötapauksesta, mutta tyypillinen teollisen tietoanalytiikan työnkulku sisältää seuraavat vaiheet.
1. Kerää teollista dataa
Ensimmäinen vaihe on kerätä dataa analysoitavan ongelman kannalta olennaisista laitteista, prosesseista ja järjestelmistä.
Tähän voivat kuulua sensorimittaukset, kuten lämpötila, värähtely, paine, virtaus ja energiankulutus, sekä koneiden toimintatilat, hälytykset, sykliajat, tuotantomäärät, laatumittaukset ja kunnossapitotiedot.
Uudemmat laitteet voivat tuottaa tätä dataa suoraan yhdistettyjen ohjausjärjestelmien tai teollisen IoT:n avulla. Teolliset tiedonsiirtostandardit, kuten OPC UA, voivat puolestaan tuoda kone- ja prosessidatan eri laitteiden ja järjestelmien saataville. Vanhempia koneita voidaan usein yhdistää lisäämällä sensoreita, yhdyskäytäviä tai muita tiedonkeruumenetelmiä.
2. Yhdistä ja kontekstualisoi data
Teollinen data on usein hajautunut useisiin järjestelmiin. Konedataa voidaan tallentaa ohjausjärjestelmiin tai historiatietokantoihin, kun taas tuotanto-, kunnossapito-, laatu- ja liiketoimintatiedot voivat sijaita erillisissä järjestelmissä.
Olennaisten tietojen yhdistäminen luo yhtenäisemmän älykkään valmistuksen ympäristön ja mahdollistaa laitteiden ja prosessien analysoinnin laajemmassa operatiivisessa kontekstissa.
Konteksti on erityisen tärkeä. Pelkkä lämpötila-arvo kertoo vain vähän, ellei sitä voida yhdistää tiettyyn koneeseen, komponenttiin, tuotantoprosessiin, toimintatilaan tai ajankohtaan.
Data-integraatiot ja kontekstualisointi muodostavat siten perustan merkitykselliselle teolliselle analyysille.
3. Analysoi käyttäytymismalleja ja suorituskykyä
Kun olennainen data on saatavilla, valmistajat voivat analysoida sitä ymmärtääkseen, miten laitteet ja prosessit toimivat.
Analyysi voidaan aloittaa suhteellisen yksinkertaisilla menetelmillä, kuten KPI-mittareilla, trendeillä, vertailuilla, tilastollisilla laskelmilla ja mittaristoilla. Kehittyneemmissä käyttötapauksissa voidaan hyödyntää tilastollisia malleja, koneoppimista tai muita analyyttisiä menetelmiä sellaisten riippuvuuksien tunnistamiseen, joita on vaikea havaita manuaalisesti.
Tuotantodata voi esimerkiksi paljastaa muutoksia sykliajoissa, laitedata suorituskyvyn asteittaista heikkenemistä ja laatudata auttaa tunnistamaan prosessiolosuhteita, jotka liittyvät laatuvirheisiin.
4. Tunnista poikkeamat ja kehityskohteet
Analytiikan avulla voidaan tämän jälkeen tunnistaa tilanteita, jotka vaativat huomiota.
Tällaisia voivat olla esimerkiksi energiankulutuksen odottamaton kasvu, normaalin toiminta-alueensa ulkopuolella toimiva kone, tuotannon suorituskyvyn heikkeneminen, toistuvat laatupoikkeamat tai epätavalliset prosessiparametrien yhdistelmät.
Kaikki poikkeamat eivät tarkoita vikaa. Analytiikan tarkoituksena on tarjota riittävästi kontekstia merkityksellisten muutosten erottamiseksi normaalista vaihtelusta ja auttaa tiimejä keskittymään olennaisiin ongelmiin.
5. Muuta havainnot operatiivisiksi toimenpiteiksi
Teollinen tietoanalytiikka tuottaa arvoa silloin, kun sen avulla tehdyt havainnot johtavat parempiin päätöksiin ja käytännön toimenpiteisiin.
Käyttötapauksesta riippuen havainto voi johtaa siihen, että operaattori säätää prosessiparametria, kunnossapitotiimi tarkastaa laitteen, tuotantopäällikkö selvittää suorituskyvyn heikkenemisen syitä tai energianhallinnasta vastaava henkilö puuttuu resurssien tehottomaan käyttöön.
Näiden toimenpiteiden tulokset voivat puolestaan tuottaa uutta dataa. Ajan mittaan muodostuu palautesilmukka, jossa toteutuneita operatiivisia tuloksia hyödynnetään KPI-mittareiden, raja-arvojen, analyyttisten mallien ja tulevan päätöksenteon kehittämiseen.
Teollisen tietoanalytiikan tyypit
Teollinen tietoanalytiikka voidaan jakaa neljään päätyyppiin: kuvailevaan, diagnostiseen, ennustavaan ja ohjaavaan analytiikkaan. Kukin niistä vastaa eri kysymykseen aina jo tapahtuneen ymmärtämisestä siihen, mitä seuraavaksi tulisi tehdä.
Valmistavassa teollisuudessa näitä lähestymistapoja käytetään usein yhdessä eikä toisistaan erillään. Yritys voi aloittaa historiallisen ja nykyisen suorituskyvyn seurannasta, selvittää havaittujen poikkeamien syitä, ennustaa tulevia tapahtumia ja lopulta hyödyntää analytiikkaa päätöksenteon tukena sopivien toimenpiteiden määrittämisessä.
Kuvaileva analytiikka
Kuvaileva analytiikka vastaa kysymykseen: Mitä tapahtui?
Se hyödyntää historiallista ja ajantasaista dataa ja tarjoaa näkyvyyttä laitteiden, tuotannon, laadun ja muun operatiivisen toiminnan suorituskykyyn. Tyypillisiä esimerkkejä ovat mittaristot, raportit, trendit, KPI-mittarit, tuotantomäärät, käyttökatkostiedot ja energiankulutuksen yhteenvedot.
Kuvaileva analytiikka voi esimerkiksi osoittaa, että tuotantomäärä laski tietyn työvuoron aikana, koneella oli tavallista enemmän käyttökatkoksia tai energiankulutus kasvoi tietyllä tuotantojaksolla.
Tällainen analyysi tarjoaa perustason näkyvyyden, jota tarvitaan operatiivisen suorituskyvyn ymmärtämiseen ja lisäselvitystä vaativien kohteiden tunnistamiseen.
Diagnostinen analytiikka
Diagnostinen analytiikka menee askeleen pidemmälle ja vastaa kysymykseen: Miksi se tapahtui?
Sen sijaan, että tunnistettaisiin pelkästään suorituskyvyssä tapahtunut muutos, diagnostisessa analyysissä tarkastellaan eri muuttujien välisiä yhteyksiä mahdollisten syiden selvittämiseksi.
Valmistajat voivat esimerkiksi vertailla koneasetuksia, käyttöolosuhteita, tuotantoeriä, kunnossapitotapahtumia ja laatumittauksia selvittääkseen, miksi virheellisten tuotteiden määrä kasvoi tai miksi tuotantolinjan läpimeno heikkeni odottamattomasti.
Menetelmät voivat vaihdella trendien ja korrelaatioiden vertailusta useita tietolähteitä hyödyntävään yksityiskohtaisempaan juurisyyanalyysiin.
Ennustava analytiikka
Ennustava analytiikka vastaa kysymykseen: Mitä todennäköisesti tapahtuu seuraavaksi?
Se hyödyntää historiallista ja ajantasaista dataa tunnistaakseen käyttäytymismalleja, jotka voivat ennakoida tulevia olosuhteita tai tapahtumia. Tilastollisia malleja ja koneoppimista voidaan käyttää silloin, kun datan sisältämät riippuvuudet ovat liian monimutkaisia arvioitaviksi tehokkaasti yksinkertaisten sääntöjen tai raja-arvojen avulla.
Valmistavassa teollisuudessa ennustava analytiikka voi auttaa arvioimaan laitteiden tulevaa kuntoa, ennakoimaan laatuongelmia, ennustamaan prosessien käyttäytymistä tai tunnistamaan kasvavan vikaantumisriskin.
Yleinen käyttötapaus on ennustava kunnossapito, jossa laite- ja operatiivista dataa analysoidaan kehittyvien ongelmien tunnistamiseksi ja kunnossapitotarpeen ennakoimiseksi ennen kuin vika keskeyttää tuotannon.
Ohjaava analytiikka
Ohjaava analytiikka vastaa kysymykseen: Mitä meidän tulisi tehdä?
Se hyödyntää kuvailevan, diagnostisen ja ennustavan analytiikan tuottamaa tietoa ja auttaa määrittämään, millä toimenpiteellä voidaan saavuttaa paras operatiivinen lopputulos.
Ohjaava analytiikka voi esimerkiksi tukea päätöksiä prosessiparametrien säätämisestä, tuotantoaikataulun muuttamisesta, kunnossapitotöiden priorisoinnista tai sellaisen toimintatavan valinnasta, jossa huomioidaan samanaikaisesti tuotantomäärä, laatu, energiankulutus ja laitteiden kunto.
Ohjaavissa menetelmissä voidaan yhdistää analyyttisiä malleja liiketoimintasääntöihin, optimointimenetelmiin, simulaatioihin tai tekoälyyn. Käytännössä automaation taso voi vaihdella huomattavasti. Osa järjestelmistä tarjoaa suosituksia päätöksentekijöille, kun taas toiset voivat tukea automaattisia säätöjä ennalta määriteltyjen operatiivisten rajojen puitteissa.
Mitä dataa teollisessa tietoanalytiikassa käytetään?
Teollisessa tietoanalytiikassa voidaan hyödyntää tietoa monista eri lähteistä tuotantoympäristössä. Tarvittava data riippuu ratkaistavasta ongelmasta, mutta hyödyllisiä havaintoja syntyy usein silloin, kun kone- ja sensoridataa yhdistetään tuotanto-, kunnossapito-, laatu- ja liiketoimintatietoihin.
Dataa voidaan saada PLC-logiikoista ja ohjausjärjestelmistä, sensoreista, historiatietokannoista, SCADA-järjestelmistä, kunnossapito- ja laatujärjestelmistä sekä ERP- ja MES-järjestelmistä. Teollisen tietoanalytiikan tarkoituksena ei ole korvata näitä järjestelmiä, vaan yhdistää niiden olennaiset tiedot niin, että niitä voidaan analysoida laitteiden, prosessien ja koko tuotantotoiminnan näkökulmasta.
Näin saadaan kontekstia paitsi siihen, mitä laitteet tekevät, myös siihen, mitä tuotetaan, millaisissa olosuhteissa tuotanto tapahtuu ja miten operatiiviset tapahtumat vaikuttavat suorituskykyyn.
Kone- ja sensoridata
Koneet, sensorit, PLC-logiikat ja ohjausjärjestelmät tuottavat laitteiden kuntoa ja toimintaa kuvaavaa dataa.
Tyypillisiä mittauksia ovat lämpötila, värähtely, paine, virtaus, nopeus, vääntömomentti, sähkövirta, tehonkulutus, koneiden toimintatilat, hälytykset ja käyttötunnit.
Tätä dataa voidaan analysoida laitteiden normaalin käyttäytymisen ymmärtämiseksi, kunnon muutosten tunnistamiseksi, suorituskyvyn seuraamiseksi ja kehittyvien ongelmien havaitsemiseksi.
Tuotanto- ja prosessidata
Tuotanto- ja prosessidata kuvaa tuotantotoiminnan suorituskykyä.
Esimerkkejä ovat sykliajat, läpimeno, tuotantomäärät, koneiden käyttöaste, prosessiparametrit, toimintatilat, tuotevaihdot, pysähdykset ja tuotantoaikataulut.
Näiden tietojen analysointi voi auttaa valmistajia tunnistamaan pullonkauloja, vertaamaan toteutunutta suorituskykyä tavoitteisiin, selvittämään tuotannon menetyksiä ja ymmärtämään, miten käyttöolosuhteiden muutokset vaikuttavat tuotantoon.
Laatudata
Laatudata voi sisältää tarkastustuloksia, mittauksia, virhetietoja, hylkäysasteita, uudelleentyöstöä, testituloksia ja tietoja tuotannon poikkeamista.
Kun laatutietoa analysoidaan yhdessä kone- ja prosessidatan kanssa, voidaan selvittää käyttöolosuhteiden ja tuotteiden laadun välisiä yhteyksiä.
Esimerkiksi toistuvat laatuvirheet voivat liittyä tiettyihin prosessiparametreihin, laitteiden kuntoon, materiaaleihin, tuotantoeriin tai tuotantoajankohtiin. Näiden yhteyksien tunnistaminen auttaa puuttumaan ongelman taustalla olevaan syyhyn sen sijaan, että reagoitaisiin ainoastaan syntyneisiin laatuvirheisiin.
Kunnossapito- ja laitetiedot
Kunnossapitotiedot tarjoavat tärkeää historiallista kontekstia laitteiden analysointiin.
Näihin tietoihin voivat kuulua työmääräimet, tarkastustulokset, kunnossapitoaikataulut, vikahistoria, vaihdetut komponentit, korjaustiedot, laitehierarkiat ja laitteiden kuntotiedot.
Suuri osa näistä tiedoista voidaan hallita Enterprise Asset Management (EAM) – tai CMMS-järjestelmissä. Kunnossapitohistorian yhdistäminen reaaliaikaiseen ja historialliseen laitedataan voi auttaa tiimejä selvittämään toistuvia vikoja, arvioimaan laitteiden suorituskykyä ja tekemään paremmin perusteltuja kunnossapitopäätöksiä.
Energia- ja resurssidata
Valmistajat voivat analysoida myös sähkön, kaasun, veden, paineilman, polttoaineiden, raaka-aineiden ja muiden resurssien kulutusta.
Kulutuksen tarkastelu yhdessä tuotanto- ja laitedatan kanssa tarjoaa hyödyllisempää tietoa kuin kokonaiskulutuksen tarkastelu yksinään. Valmistajat voivat esimerkiksi vertailla energiankulutusta eri koneiden, tuotteiden, työvuorojen tai käyttöolosuhteiden välillä ja tunnistaa prosesseja, jotka kuluttavat poikkeuksellisen paljon energiaa tai muita resursseja.
Tämä voi tukea sekä kustannusten vähentämistä että teollisuuden resurssien tehokkaampaa käyttöä.
Liiketoiminta- ja operatiivinen data
Teollisessa tietoanalytiikassa voidaan hyödyntää myös liiketoiminta- ja tuotannonohjausjärjestelmistä saatavaa tietoa.
ERP- ja MES-järjestelmät voivat tarjota kontekstia esimerkiksi tuotantotilauksista, aikatauluista, varastoista, materiaaleista, tuotteista, tuotantoeristä ja muusta operatiivisesta toiminnasta.
Näiden tietojen yhdistäminen kone- ja prosessidataan auttaa liittämään tuotantotasolla tapahtuvat asiat laajempaan tuotannon kontekstiin. Yksittäisen koneen mittausarvon sijaan voidaan ymmärtää, mitä tuotetta sillä hetkellä valmistettiin, mikä tuotantotilaus oli käynnissä ja millaiset käyttöolosuhteet vallitsivat.
Hyödyllisimmät teollisen tietoanalytiikan käyttötapaukset perustuvatkin harvoin vain yhteen tietolähteeseen. Eri järjestelmistä saatavan tiedon yhdistäminen luo kontekstin, jota tarvitaan laitteiden ja prosessien ymmärtämiseen osana laajempaa tuotantotoimintaa.
Teollisen tietoanalytiikan käyttötapaukset valmistavassa teollisuudessa
Teollinen tietoanalytiikka voi tukea päätöksentekoa tuotannossa, kunnossapidossa, laadunhallinnassa ja resurssien hallinnassa. Arvokkaimmat käyttötapaukset lähtevät yleensä liikkeelle tietystä operatiivisesta ongelmasta ja yhdistävät sen ymmärtämiseen tarvittavat tiedot.
Seuraavassa on yleisiä tapoja hyödyntää teollista tietoanalytiikkaa valmistavassa teollisuudessa.
Tuotannon suorituskyky ja tehokkuus
Tuotantodataa voidaan analysoida sen ymmärtämiseksi, kuinka tehokkaasti koneet, tuotantolinjat ja prosessit toimivat.
Valmistajat voivat seurata esimerkiksi läpimenoa, sykliaikoja, käyttöastetta, pysähdyksiä, tuotannon menetyksiä ja muita KPI-mittareita. Näiden tietojen vertailu eri koneiden, tuotteiden, työvuorojen tai ajanjaksojen välillä voi paljastaa pullonkauloja ja toistuvia tuottavuuden menetyksen syitä.
Yhdessä teollisuuden valvonnan kanssa tietoanalytiikka voi myös auttaa siirtymään määräajoin tehtävästä raportoinnista tuotannon suorituskyvyn jatkuvaan seurantaan. Kun näitä operatiivisia tietoja on tarpeen tarkastella tuotantoalueen tai tuotantolaitoksen ulkopuolelta, etävalvonta voi tarjota valtuutetuille käyttäjille näkyvyyden olennaisiin laite-, prosessi- ja suorituskykytietoihin toisesta sijainnista. Näin poikkeamat voidaan havaita ja ongelmien syitä selvittää helpommin jo silloin, kun ne vielä vaikuttavat operatiiviseen toimintaan.
Laitteiden kunto ja ennustava kunnossapito
Laitedataa voidaan analysoida sellaisten toimintakunnon muutosten tunnistamiseksi, jotka voivat viitata kulumiseen, kunnon heikkenemiseen tai kehittyvään vikaan.
Esimerkiksi värähtelyn, lämpötilan, sähkövirran, paineen tai muiden kuntoindikaattorien trendejä voidaan verrata laitteen historialliseen käyttäytymiseen ja kunnossapitotietoihin. Vähitellen kehittyvät muutokset voivat tarjota mahdollisuuden selvittää laitteen kuntoa ennen varsinaista vikaantumista.
Tämä muodostaa tärkeän perustan ennustavalle kunnossapidolle, jossa laitteiden kuntoa ja toimintaa kuvaavaa dataa hyödynnetään kunnossapitotarpeiden ja mahdollisten vikojen ennakointiin. Kunnossapitotiimit voivat tällöin suunnitella toimenpiteet laitteen todellisen kunnon perusteella sen sijaan, että ne tukeutuisivat ainoastaan kiinteisiin huoltoaikatauluihin tai odottaisivat laitteen vikaantumista.
Tunnistamalla kehittyvät laiteongelmat aikaisemmin teollinen tietoanalytiikka voi myös auttaa valmistajia vähentämään suunnittelemattomia käyttökatkoksia ja välttämään osan odottamattomien laitevikojen aiheuttamista tuotannon menetyksistä.
Poikkeamien ja vikojen tunnistaminen
Teollisen tietoanalytiikan avulla voidaan tunnistaa epätavallista käyttäytymistä, joka poikkeaa odotetuista käyttöolosuhteista.
Poikkeama voi olla esimerkiksi sensorin mittausarvon äkillinen muutos, epätavallinen prosessiparametrien yhdistelmä, koneen käyttäytymisen asteittainen muutos tai normaalista vaihtelusta poikkeava tuotantotulos.
Näiden poikkeamien varhainen tunnistaminen voi auttaa operaattoreita ja kunnossapitotiimejä selvittämään mahdollisia ongelmia ennen kuin ne kehittyvät suuremmiksi tuotantohäiriöiksi.
Poikkeamien tunnistamisessa voidaan hyödyntää ennalta määriteltyjä raja-arvoja ja sääntöjä, tilastollisia menetelmiä tai kehittyneempiä analyyttisiä malleja laitteesta, käytettävissä olevasta datasta ja prosessin monimutkaisuudesta riippuen.
Laadun seuranta ja parantaminen
Laatudatan yhdistäminen kone- ja prosessitietoihin voi auttaa valmistajia ymmärtämään, miksi laatuvirheitä ja vaihtelua syntyy.
Sen sijaan, että tarkasteltaisiin ainoastaan lopputarkastuksen tuloksia, tietoanalytiikan avulla voidaan analysoida olosuhteita, joissa tuote valmistettiin. Tiimit voivat verrata prosessiparametreja, koneasetuksia, ympäristöolosuhteita, materiaaleja, tuotantoeriä ja muita muuttujia laatutuloksiin.
Ajan mittaan tämä voi paljastaa laatuvirheisiin, hylkäyksiin tai uudelleentyöstöön liittyviä toistuvia malleja ja auttaa valmistajia ylläpitämään tasaisempia prosessiolosuhteita.
Prosessien optimointi
Teollista tietoanalytiikkaa voidaan käyttää myös tuotantoprosessien kehitysmahdollisuuksien tunnistamiseen.
Vertaamalla prosessiparametreja esimerkiksi läpimenoon, laatuun, energiankulutukseen ja laitteiden suorituskykyyn valmistajat voivat tunnistaa, millaiset käyttöolosuhteet tuottavat parempia tuloksia.
Analyysi voi esimerkiksi osoittaa, että tietyt parametriyhdistelmät pidentävät sykliaikoja, tietyt käyttöolosuhteet lisäävät tarpeettomasti energiankulutusta tai pienet prosessimuutokset parantavat tuotteiden tasalaatuisuutta.
Nämä havainnot voivat tukea jatkuvaa parantamista ja tarjota dataan perustuvan pohjan prosessien optimoinnille.
Energian ja resurssien käytön optimointi
Energian ja muiden resurssien kulutusta voidaan analysoida suhteessa tuotantomääriin, laitteiden kuntoon, tuotteisiin, työvuoroihin ja käyttöolosuhteisiin.
Näin voidaan siirtyä koko tuotantolaitoksen kokonaiskulutuksen tarkastelusta selvittämään, missä resursseja todellisuudessa käytetään.
Valmistajat voivat tunnistaa poikkeuksellisen paljon energiaa kuluttavia laitteita, vertailla energiankulutusta tuotettua yksikköä kohden, havaita tehottomia käyttöjaksoja ja arvioida, vähentävätkö prosessimuutokset sähkön, paineilman, veden, materiaalien tai muiden resurssien kulutusta.
Teollinen tietoanalytiikka tukee siten tuotannon suorituskyvyn lisäksi pyrkimyksiä vähentää valmistuksen kustannuksia ja käyttää resursseja tehokkaammin.
Teollisen tietoanalytiikan hyödyt
Teollinen tietoanalytiikka voi auttaa valmistajia hyödyntämään paremmin tietoa, jota syntyy jo valmiiksi koneissa, tuotantoprosesseissa ja operatiivisissa järjestelmissä. Hyödyt riippuvat käyttötapauksesta ja saatavilla olevan datan laadusta, mutta monet edut ovat yhteisiä erilaisille tuotantoympäristöille.
Parempi operatiivinen näkyvyys
Tuotantoon liittyvä tieto on usein hajautunut koneisiin, ohjausjärjestelmiin, tuotantojärjestelmiin, kunnossapidon työkaluihin ja liiketoimintajärjestelmiin.
Teollinen tietoanalytiikka voi yhdistää olennaiset tiedot ja tehdä operatiivisesta suorituskyvystä helpommin ymmärrettävää. Yksittäisten datapisteiden tai erillisten raporttien sijaan tiimit voivat tarkastella laitteisiin, tuotantoon, laatuun ja resurssien käyttöön liittyviä tietoja oikeassa kontekstissa.
Näin saadaan selkeämpi kokonaiskuva tuotannon tapahtumista ja siitä, missä tarvitaan huomiota.
Nopeampi ja paremmin perusteltu päätöksenteko
Ajantasaisen ja kontekstualisoidun datan saatavuus voi vähentää aikaa, jonka tiimit käyttävät tiedon keräämiseen ja tapahtumien selvittämiseen.
Operaattorit, kunnossapitotiimit, insinöörit ja tuotantopäälliköt voivat tietoanalytiikan avulla tunnistaa suorituskyvyn muutoksia, selvittää niiden mahdollisia syitä ja verrata nykyisiä olosuhteita historialliseen käyttäytymiseen.
Näin päätöksiä voidaan tehdä operatiivisen tiedon perusteella sen sijaan, että ne perustuisivat ainoastaan oletuksiin, määräajoin laadittaviin raportteihin tai yksittäisiin havaintoihin.
Vähemmän käyttökatkoksia
Teollinen tietoanalytiikka voi auttaa tunnistamaan laitteiden kunnon heikkenemistä, toistuvia vikoja, poikkeavia käyttöolosuhteita ja muita ongelmia, jotka voivat lopulta keskeyttää tuotannon.
Ongelmien aikaisempi havaitseminen antaa kunnossapito- ja tuotantotiimeille enemmän aikaa selvittää kehittyviä ongelmia ja tarvittaessa suunnitella kunnossapitotoimenpiteet ennen kuin laitevika aiheuttaa odottamattoman pysähdyksen.
Tuloksena voi olla vähemmän suunnittelemattomia keskeytyksiä ja kriittisten tuotantolaitteiden parempi käytettävyys.
Parempi tuotannon tehokkuus
Sykliaikojen, läpimenon, pysähdysten, käyttöasteen, prosessiparametrien ja muun tuotantodatan analysointi voi paljastaa, missä suorituskykyä menetetään.
Valmistajat voivat tunnistaa pullonkauloja, toistuvia viiveitä, tehottomia käyttöolosuhteita sekä eroja koneiden, tuotteiden, työvuorojen tai tuotantojaksojen välillä.
Nämä havainnot tarjoavat dataan perustuvan pohjan prosessien kehittämiselle ja olemassa olevan tuotantokapasiteetin tehokkaammalle hyödyntämiselle.
Parempi laatu ja prosessien tasalaatuisuus
Teollisen tietoanalytiikan avulla laatutulokset voidaan yhdistää olosuhteisiin, joissa tuotteet on valmistettu.
Tarkastelemalla yhdessä prosessiparametreja, laitteiden käyttäytymistä, materiaaleja, ympäristöolosuhteita ja laatumittauksia valmistajat voivat tunnistaa laatuvirheisiin tai prosessin vaihteluun liittyviä toistuvia malleja.
Näiden yhteyksien ymmärtäminen voi auttaa tiimejä puuttumaan laatuongelmien syihin ja ylläpitämään tasaisempia tuotanto-olosuhteita.
Pienemmät operatiiviset kustannukset
Laitteiden parempi käytettävyys, tehokkaampi tuotanto, parempi laatu, kunnossapidon suunnittelu ja resurssien tehokkaampi käyttö voivat osaltaan pienentää operatiivisia kustannuksia.
Tietoanalytiikka voi auttaa valmistajia tunnistamaan, missä tuotannon menetyksiä syntyy, missä resursseja käytetään tehottomasti ja missä kunnossapidon tai prosessien kehittämisellä voidaan saavuttaa suurin operatiivinen vaikutus.
Sen sijaan, että kustannusten vähentämistä käsiteltäisiin erillisenä toimenpiteenä, teollinen tietoanalytiikka tarjoaa tietoa, jonka avulla tiimit voivat tunnistaa ja priorisoida mahdollisuuksia pienentää operatiivisia kustannuksia koko tuotantotoiminnassa.
Teollisen tietoanalytiikan yleiset haasteet
Teollinen tietoanalytiikka voi tuottaa arvokkaita havaintoja tuotannon ja muun operatiivisen toiminnan tueksi, mutta onnistunut käyttöönotto ei tarkoita pelkästään suuremman datamäärän keräämistä. Tuotantoympäristöissä on usein eri-ikäisiä laitteita, erillisiä tietojärjestelmiä, epäyhtenäisiä tietorakenteita ja prosesseja, joita ei alun perin ole suunniteltu integroitua tietoanalytiikkaa varten.
Näiden haasteiden tunnistaminen jo varhaisessa vaiheessa voi auttaa valmistajia rakentamaan luotettavamman perustan teolliselle tietoanalytiikalle.
Datasiilot ja erilliset järjestelmät
Tuotantodata on usein hajautunut PLC-logiikoihin, SCADA-järjestelmiin, historiatietokantoihin, MES- ja ERP-järjestelmiin, kunnossapitojärjestelmiin, laatusovelluksiin, laskentataulukoihin ja muihin tietolähteisiin.
Kun nämä järjestelmät toimivat toisistaan erillään, koko tuotantoprosessin kattava tietojen analysointi voi olla vaikeaa. Tiimeillä voi olla pääsy yksittäisiin tietoaineistoihin, mutta silti puuttua yhtenäinen näkymä laitteisiin, tuotantoon, kunnossapitoon ja laatuun.
Datasiilojen purkaminen ei välttämättä tarkoita olemassa olevien järjestelmien korvaamista. Käytännöllisempi lähestymistapa on usein yhdistää olennaiset tietolähteet ja tuoda niiden sisältämä tieto saataville yhteiseen operatiiviseen kontekstiin.
Heikko datan laatu
Analytiikan tulokset riippuvat vahvasti niiden taustalla olevan datan laadusta.
Puuttuvat mittaukset, virheelliset sensorilukemat, epäyhtenäiset aikaleimat, päällekkäiset tietueet, muuttuvat nimeämiskäytännöt ja puutteelliset kunnossapitotiedot voivat kaikki heikentää analyysin luotettavuutta.
Dataa täytyykin validoida, puhdistaa ja seurata jatkuvasti. Valmistajien on myös arvioitava, mikä data on riittävän luotettavaa tiettyyn käyttötapaukseen sen sijaan, että kaikkea saatavilla olevaa dataa oletettaisiin automaattisesti hyödylliseksi.
Vanhemmat laitteet ja tiedonsiirtoyhteydet
Monissa tehtaissa käytetään rinnakkain moderneja yhdistettyjä koneita ja vanhempia laitteita, joita ei alun perin ole suunniteltu välittämään dataa ulkoisiin järjestelmiin.
Vanhemmat koneet voivat käyttää valmistajakohtaisia rajapintoja tai vanhempia tiedonsiirtoprotokollia, tai niiden tuottama digitaalinen tieto voi olla hyvin rajallista. Joissakin tapauksissa hyödyllistä operatiivista dataa on saatavilla koneen sisällä, mutta siihen ei ole helppoa päästä käsiksi.
Näiden laitteiden yhdistäminen voi edellyttää yhdyskäytäviä, lisäsensoreita, protokollamuunnoksia tai muita integraatiomenetelmiä. Tavoitteena tulisi olla käyttötapauksen kannalta tarvittavan datan saaminen käyttöön sen sijaan, että kaikki koneet yhdistettäisiin vain siksi, että se on teknisesti mahdollista.
Datan kontekstin puute
Pelkkä mittausdatan kerääminen ei tee siitä automaattisesti hyödyllistä.
Esimerkiksi tieto sensorin mittaamasta lämpötilasta kertoo vain vähän, ellei tiedetä, mihin laitteeseen mittaus liittyy, mitä kone teki kyseisellä hetkellä, mitä tuotetta valmistettiin ja edustaako mittausarvo normaalia toimintaa.
Teollinen tietoanalytiikka edellyttääkin kontekstia laitteista, prosesseista, tuotantotapahtumista ja eri tietolähteiden välisistä suhteista. Rakenteinen digitaalisen kaksosen ontologia voi auttaa määrittelemään nämä suhteet ja jäsentämään teollisen tiedon sitä vastaavien fyysisten laitteiden ja prosessien ympärille.
Paljon dataa mutta vähän hyödynnettävää tietoa
Teollisuusympäristöt voivat tuottaa valtavia määriä dataa, mutta suurempi datamäärä ei automaattisesti johda parempiin päätöksiin.
Valmistajat voivat kerätä tuhansia mittausarvoja, vaikka operaattoreiden ja esihenkilöiden olisi edelleen vaikea tunnistaa, mitkä tiedot todella vaativat huomiota. Sama ongelma voi syntyä mittaristoissa, jos niissä esitetään suuri määrä KPI-mittareita ilman selkeää yhteyttä operatiivisiin päätöksiin.
Onnistuneen teollisen tietoanalytiikan tulisi siksi lähteä liikkeelle selkeästi määritellyistä kysymyksistä tai ongelmista. Data, KPI-mittarit, hälytykset ja analyyttiset mallit voidaan tämän jälkeen valita sen perusteella, millaista päätöksentekoa niiden on tarkoitus tukea.
Osaaminen ja käyttöönotto organisaatiossa
Teollinen tietoanalytiikka yhdistää osaamista useilta eri alueilta, kuten tuotantoprosesseista, laitteista, automaatiosta, datan käsittelystä, analytiikasta ja IT:stä.
Tekniset asiantuntijat voivat ymmärtää dataa, mutta heiltä voi puuttua yksityiskohtainen tuntemus tuotantoprosessista. Operaattorit ja kunnossapitotiimit puolestaan voivat tuntea laitteet perusteellisesti, mutta tarvita tukea analyyttisten tulosten tulkitsemiseen.
Onnistunut käyttöönotto edellyttääkin näiden ryhmien välistä yhteistyötä. Tietoanalytiikan tulisi myös sopia olemassa oleviin operatiivisiin työnkulkuihin, jotta havainnot tavoittavat ihmiset, jotka voivat tehdä niiden perusteella tarvittavia toimenpiteitä. Teknisesti kehittyneestäkään mallista on vain vähän hyötyä, jos sen tuloksia on vaikea ymmärtää tai niitä ei hyödynnetä päivittäisessä päätöksenteossa.
Miten teollinen tietoanalytiikka otetaan käyttöön?
Teollisen tietoanalytiikan käyttöönotto on tehokkainta silloin, kun lähtökohtana on tietty operatiivinen tarve eikä itse teknologia. Valmistajien ei välttämättä tarvitse yhdistää kaikkia koneita tai integroida kaikkia käytettävissä olevia järjestelmiä ennen kuin tietoanalytiikasta voidaan saada hyötyä.
Käytännöllinen lähestymistapa on aloittaa selkeästi määritellystä ongelmasta, tunnistaa sen ratkaisemiseen tarvittava data, validoida tulokset ja laajentaa ratkaisua tämän jälkeen muihin laitteisiin, prosesseihin tai käyttötapauksiin.
1. Määrittele operatiivinen ongelma
Ensimmäinen vaihe on määrittää, mitä tietoanalytiikan avulla halutaan parantaa.
Tavoitteena voi olla esimerkiksi laitteiden käyttökatkosten vähentäminen, tuotannon pullonkaulojen tunnistaminen, tuotteiden laadun parantaminen, energiankulutuksen vähentäminen tai sen selvittäminen, miksi prosessin suorituskyky vaihtelee.
Ongelma tulisi määritellä riittävän tarkasti, jotta voidaan tunnistaa tarvittavat tiedot ja määrittää, miten onnistumista mitataan. Selkeä operatiivinen tavoite auttaa myös välttämään tilanteita, joissa projekti muuttuu laajaksi datankeruuhankkeeksi ilman selkeää liiketoiminnallista tarkoitusta.
2. Tunnista tarvittava data
Kun ongelma on määritelty, seuraava vaihe on selvittää, mitä dataa sen ymmärtämiseen tarvitaan.
Laitteisiin liittyvässä käyttötapauksessa tähän voivat kuulua esimerkiksi värähtely, lämpötila, koneiden toimintatilat, hälytykset, käyttötunnit ja kunnossapitohistoria. Laatuun liittyvä käyttötapaus voi puolestaan edellyttää prosessiparametreja, tuotantoeriä, koneasetuksia ja tarkastustuloksia.
On myös tärkeää selvittää, onko tarvittava data jo olemassa, missä sitä säilytetään, kuinka usein sitä on saatavilla ja onko sen laatu riittävä suunniteltua analyysiä varten.
3. Yhdistä olennaiset tietolähteet
Seuraava vaihe on tuoda tarvittavat tiedot analysoitaviksi.
Käyttötapauksesta riippuen dataa voidaan joutua keräämään koneista, PLC-logiikoista, sensoreista, historiatietokannoista, SCADA-järjestelmistä, kunnossapitosovelluksista, MES- ja ERP-järjestelmistä, laatujärjestelmistä tai muista teollisista järjestelmistä.
Olemassa olevia järjestelmiä kannattaa hyödyntää aina kun se on käytännöllistä sen sijaan, että niiden rinnalle luotaisiin tarpeettomia uusia tietolähteitä. Valmistajat voivat aloittaa valitun käyttötapauksen kannalta olennaisista koneista ja järjestelmistä ja laajentaa tiedonsiirtoyhteyksiä sitä mukaa, kun uusia tietoanalytiikan käyttötapauksia otetaan käyttöön.
4. Puhdista ja kontekstualisoi data
Ennen analysointia datan täytyy olla riittävän luotettavaa ja ymmärrettävää.
Tähän voi kuulua puuttuvien arvojen käsittely, aikaleimojen yhtenäistäminen, mittayksiköiden ja nimeämiskäytäntöjen standardointi, mittausten validointi sekä eri järjestelmien välisten epäjohdonmukaisuuksien korjaaminen.
Data täytyy myös yhdistää operatiiviseen kontekstiin. Esimerkiksi koneen mittausarvoista tulee hyödyllisempiä, kun ne voidaan yhdistää oikeaan laitteeseen, toimintatilaan, tuotantotilaukseen, tuotteeseen, kunnossapitotapahtumaan tai prosessivaiheeseen.
Tämä kontekstualisointi mahdollistaa alun perin eri järjestelmistä peräisin olevien tietojen välisten yhteyksien analysoinnin.
5. Valitse analyysimenetelmät ja KPI-mittarit
Analyysimenetelmän tulisi vastata ratkaistavaa operatiivista ongelmaa.
Joissakin käyttötapauksissa riittävät trendit, vertailut, raja-arvot ja selkeästi määritellyt KPI-mittarit. Toisissa voidaan hyötyä tilastollisesta analyysistä, poikkeamien tunnistamisesta, ennustemalleista, optimointimenetelmistä tai tekoälystä.
Kehittynein menetelmä ei automaattisesti ole hyödyllisin. Valmistajien tulisi valita lähestymistapa, joka tuottaa riittävän luotettavaa tietoa tuettavaa päätöstä varten ja jonka käyttäjät pystyvät ymmärtämään ja hyödyntämään käytännössä.
Sama periaate koskee KPI-mittareita. Jokaisen mittarin tulisi auttaa vastaamaan olennaiseen operatiiviseen kysymykseen sen sijaan, että mittaristoon lisättäisiin vain enemmän tietoa.
6. Visualisoi havainnot oikeille käyttäjille
Tietoanalytiikan tulosten täytyy tavoittaa ihmiset, jotka vastaavat niiden perusteella tehtävistä toimenpiteistä.
Operaattorit voivat tarvita reaaliaikaista tietoa tietystä koneesta tai tuotantoprosessista, kun taas kunnossapitotiimit tarvitsevat kunnon kehitystä kuvaavia trendejä ja hälytyksiä. Tuotantopäälliköt puolestaan voivat tarvita laajemman näkymän tuotantolinjojen, työvuorojen tai tuotantolaitosten suorituskykyyn.
Mittaristot, hälytykset, raportit ja muut visualisoinnit tulisi siksi suunnitella eri käyttäjäryhmien tarpeiden mukaan sen sijaan, että kaikille esitettäisiin samat tiedot.
Monimutkaisemmissa tuotantoympäristöissä digitaalisen kaksosen käyttöönotto voi tarjota lisäksi tavan yhdistää operatiivinen tieto sitä vastaaviin koneisiin, laitteisiin ja prosesseihin.
7. Validoi tulokset ja laajenna vaiheittain
Teollisen tietoanalytiikan tulokset tulisi validoida todellisten operatiivisten tulosten perusteella.
Tiimien täytyy arvioida, tunnistavatko hälytykset merkityksellisiä tilanteita, säilyvätkö analyyttiset mallit luotettavina, kuvaavatko KPI-mittarit suorituskykyä oikein ja tukevatko analytiikan tuottamat havainnot aidosti parempaa päätöksentekoa.
Operaattoreilta, kunnossapitohenkilöstöltä, insinööreiltä ja muilta käyttäjiltä saatava palaute on erityisen tärkeää, sillä he voivat tunnistaa tilanteita, joita ei välttämättä voida havaita pelkän datan perusteella.
Kun käyttötapaus on osoittanut arvonsa, toimintamallia voidaan laajentaa muihin koneisiin, tuotantolinjoihin, tuotantolaitoksiin tai tietoanalytiikan käyttötapauksiin. Vaiheittainen laajentaminen antaa valmistajille mahdollisuuden hyödyntää uudelleen toimiviksi todettuja integraatioita ja menetelmiä sekä kehittää tietoanalytiikkaa käytännön kokemusten perusteella.
Teollinen tietoanalytiikka ja tekoäly
Tekoäly ja koneoppiminen voivat laajentaa teollisen tietoanalytiikan mahdollisuuksia silloin, kun tuotantodata sisältää käyttäytymismalleja tai riippuvuuksia, joita on vaikea tunnistaa perinteisten sääntöjen, raja-arvojen tai tilastollisten menetelmien avulla.
Koneoppimismallit voivat analysoida historiallista ja reaaliaikaista dataa tunnistaakseen käyttäytymismalleja, luokitellakseen toimintatiloja, havaitakseen poikkeavaa käyttäytymistä, ennustaakseen tulevia tapahtumia ja tukeakseen optimointia. Valmistavassa teollisuudessa näitä ominaisuuksia voidaan hyödyntää esimerkiksi laitteiden kunnon, tuotannon suorituskyvyn, laadun, prosessien käyttäytymisen ja energiankulutuksen analysoinnissa.
Tekoälypohjainen analytiikka voi esimerkiksi auttaa tunnistamaan monimutkaisia yhteyksiä prosessiparametrien ja tuotteiden laadun välillä, havaitsemaan kehittyviin ongelmiin viittaavia muutoksia laitteiden käyttäytymisessä tai arvioimaan, miten prosessi todennäköisesti toimii erilaisissa käyttöolosuhteissa.
Tekoälyä ei kuitenkaan tarvita kaikissa teollisen tietoanalytiikan käyttötapauksissa. Monet operatiiviset ongelmat voidaan ratkaista tehokkaasti KPI-mittareiden, trendien, tilastollisen analyysin, sääntöjen, raja-arvojen ja muiden vakiintuneiden analyysimenetelmien avulla.
Sopiva lähestymistapa riippuu ratkaistavasta ongelmasta, saatavilla olevasta datasta, vaaditusta tarkkuudesta ja siitä, miten tuotettua tietoa aiotaan hyödyntää. Yksinkertaisempi ja läpinäkyvämpi analyysimenetelmä voi olla monimutkaista tekoälymallia arvokkaampi, jos se tuottaa luotettavaa tietoa, jota operaattorit, insinöörit ja esihenkilöt pystyvät ymmärtämään ja hyödyntämään käytännössä.
Tekoäly edellyttää myös samoja perusedellytyksiä kuin muut teollisen tietoanalytiikan menetelmät. Olennainen ja luotettava data, riittävä operatiivinen konteksti, selkeästi määritellyt tavoitteet sekä tulosten validointi todellisissa tuotanto-olosuhteissa ovat edelleen välttämättömiä.
Kun nämä perusedellytykset ovat kunnossa, tekoäly voi toimia yhtenä analytiikan työkaluna, jonka avulla valmistajat voivat tunnistaa käyttäytymismalleja, ennakoida muutoksia ja tukea paremmin perusteltua operatiivista päätöksentekoa.
Miten digitaaliset kaksoset tukevat teollista tietoanalytiikkaa?
Teollisesta tietoanalytiikasta tulee hyödyllisempää, kun data voidaan yhdistää sitä vastaaviin fyysisiin laitteisiin, prosesseihin ja ympäristöihin. Digitaalinen kaksonen valmistavassa teollisuudessa voi tarjota tämän kontekstin luomalla digitaalisen esityksen fyysisistä kohteista ja yhdistämällä niihin olennaisen operatiivisen tiedon.
Sen sijaan, että digitaalinen kaksonen korvaisi olemassa olevat analytiikkatyökalut tai teollisuusjärjestelmät, se voi toimia kontekstuaalisena kerroksena, joka kokoaa eri lähteistä saatavaa tietoa yhteen ja tekee analytiikan tuloksista helpommin ymmärrettäviä ja hyödynnettäviä.
Eri järjestelmistä saatavan datan yhdistäminen
Tuotantoon liittyvä tieto on usein hajautunut koneisiin, sensoreihin, automaatiojärjestelmiin, kunnossapitojärjestelmiin, tuotantojärjestelmiin ja liiketoimintasovelluksiin.
Digitaalinen kaksonen voi yhdistää näistä olemassa olevista lähteistä saatavan olennaisen tiedon sitä vastaavien laitteiden ja prosessien ympärille. Näin käyttäjät voivat tarkastella eri järjestelmien tietoja yhteisessä operatiivisessa ympäristössä sen sijaan, että jokaista tietolähdettä pitäisi tarkastella erikseen.
Teollisen tietoanalytiikan kannalta tämä tarjoaa kattavamman näkymän koneen, tuotantolinjan tai prosessin olosuhteisiin ja toimintaan.
Laite- ja prosessikontekstin lisääminen
Teollista raakadataa voi olla vaikea tulkita, jos ei tiedetä, mistä se on peräisin ja miten eri tiedot liittyvät toisiinsa.
Digitaalinen kaksonen voi yhdistää datan tiettyihin koneisiin, komponentteihin, sijainteihin, tuotantoprosesseihin ja muihin fyysisiin kohteisiin. Myös näiden kohteiden väliset suhteet voivat tuoda analyysiin lisää kontekstia.
Esimerkiksi poikkeavaa mittausarvoa voidaan tarkastella yhdessä kyseiseen laitteeseen, sen lähellä oleviin laitteisiin, käyttöolosuhteisiin, kunnossapitohistoriaan ja olennaiseen tuotantodataan liittyvien tietojen kanssa.
Näin yksittäiset mittausarvot voidaan muuttaa tiedoksi, jota voidaan tulkita todellisen tuotantoympäristön kontekstissa.
Operatiivisen datan visualisointi
Teollisen tietoanalytiikan tuloksia esitetään usein mittaristojen, kaavioiden, taulukoiden ja hälytysten avulla. Nämä esitystavat ovat hyödyllisiä, mutta käyttäjien täytyy silti usein selvittää, mihin fyysisen ympäristön osaan tieto liittyy.
Visuaalinen digitaalinen kaksonen voi esittää operatiivisen datan sitä vastaavan tehtaan, tuotantolinjan, koneen tai komponentin kontekstissa.
Käyttäjät voivat liikkua digitaalisessa ympäristössä, paikantaa laitteita, tarkastella olennaisia KPI-mittareita ja mittausarvoja sekä tunnistaa, missä hälytys tai poikkeava tilanne esiintyy.
Tämä voi tehdä monimutkaisesta teollisesta tiedosta helpommin ymmärrettävää erityisesti silloin, kun käyttäjien täytyy hahmottaa datan ja fyysisten laitteiden välisiä yhteyksiä.
Analytiikan yhdistäminen fyysiseen ympäristöön
Digitaalinen kaksonen voi myös tarjota yhteisen käyttöliittymän analytiikan tulosten ja päivittäisen teollisen toiminnan välille.
Analytiikkajärjestelmä voi esimerkiksi tunnistaa laitteen suorituskyvyn heikkenemisen, poikkeavan energiankulutuksen tai muun huomiota vaativan tilanteen. Digitaalisessa kaksosessa tämä tieto voidaan yhdistää suoraan kyseiseen laitteeseen tai prosessiin ja esittää yhdessä muun olennaisen operatiivisen tiedon kanssa.
Näin käyttäjät voivat siirtyä datan perusteella tunnistetusta ongelmasta ymmärtämään, missä se esiintyy ja mitkä laitteet, prosessit tai ympäröivät olosuhteet voivat liittyä siihen.
Digitaaliset kaksoset voivat siten tukea teollista tietoanalytiikkaa tarjoamalla fyysisen ja operatiivisen kontekstin, jonka avulla analytiikan tuloksia on helpompi tulkita ja hyödyntää käytännön toimenpiteissä.
Teollinen tietoanalytiikka Process Geniuksen avulla
Teollisen tietoanalytiikan hyödyntäminen helpottuu, kun eri tuotantojärjestelmistä saatavaa tietoa voidaan tarkastella yhteisessä operatiivisessa ympäristössä.
Process Genius tukee tätä Genius Core™ -alustalla, joka on 3D Digital Twin -alusta ja tuo koneista, sensoreista, tuotantojärjestelmistä ja muista tietolähteistä saatavan datan tuotantoympäristön visuaaliseen esitykseen.
Sen sijaan, että operatiivista tietoa tarkasteltaisiin ainoastaan erillisissä järjestelmissä, laskentataulukoissa tai mittaristoissa, käyttäjät voivat yhdistää datan sitä vastaaviin koneisiin, tuotantolinjoihin ja tuotantoalueisiin. Näin KPI-mittareita, laitteiden kuntoa, tuotannon suorituskykyä, käyttökatkoksia, energiankulutusta ja muuta operatiivista tietoa voidaan tarkastella fyysisen tuotantoympäristön kontekstissa.
Alusta voi tukea myös reaaliaikaista seurantaa, KPI-mittareiden seurantaa, mittaristoja, hälytyksiä sekä tuotantodatan visualisointia eri operatiivisille käyttäjäryhmille. Näin operaattorit, kunnossapitotiimit, tuotantopäälliköt ja muut käyttäjät voivat tarkastella olennaisia tietoja oman tuotantoympäristönsä kontekstissa.
Genius Core™ ei korvaa taustalla olevia ERP-, MES-, kunnossapito-, automaatio- tai analytiikkajärjestelmiä. Sen sijaan se voi yhdistää näistä lähteistä saatavaa tietoa ja tuoda sen saataville yhteisen 3D-pohjaisen operatiivisen näkymän kautta.
Valmistajille, joiden data on hajautunut useisiin järjestelmiin ja laitteisiin, Genius Core™ 3D Digital Twin -alusta tarjoaa tavan yhdistää teollinen data fyysiseen tuotantoympäristöön ja tehdä operatiivisesta tiedosta helpommin saatavaa, ymmärrettävää ja hyödynnettävää.
UKK
Mitä teollinen tietoanalytiikka tarkoittaa?
Teollinen tietoanalytiikka tarkoittaa teollisuuslaitteista, prosesseista ja järjestelmistä saatavan datan keräämistä, yhdistämistä, analysointia ja tulkintaa operatiivisen päätöksenteon tueksi. Valmistavassa teollisuudessa sen avulla voidaan tarkastella esimerkiksi tuotannon suorituskykyä, laitteiden kuntoa, laatua, resurssien kulutusta ja muita toiminnan osa-alueita.
Mikä on esimerkki teollisesta tietoanalytiikasta?
Yksi esimerkki on koneen värähtelyn, lämpötilan, käyttötuntien ja kunnossapitohistorian analysointi laitteiden kunnossa tapahtuvien muutosten tunnistamiseksi. Valmistajat voivat hyödyntää näitä havaintoja kehittyvien ongelmien selvittämiseen ja kunnossapidon suunnitteluun ennen kuin odottamaton laitevika keskeyttää tuotannon.
Muita esimerkkejä ovat tuotantodatan analysointi pullonkaulojen tunnistamiseksi, prosessiparametrien yhdistäminen laatutuloksiin sekä energiankulutuksen vertailu eri koneiden tai tuotantojaksojen välillä.
Millaista dataa teollisessa tietoanalytiikassa käytetään?
Teollisessa tietoanalytiikassa voidaan hyödyntää kone- ja sensoridataa, tuotanto- ja prosessidataa, laatumittauksia, kunnossapitotietoja, energian ja muiden resurssien kulutustietoja sekä ERP- ja MES-järjestelmien kaltaisista liiketoiminta- ja operatiivisista järjestelmistä saatavaa tietoa.
Tarvittava data riippuu analysoitavasta operatiivisesta ongelmasta. Monissa tapauksissa useiden tietolähteiden yhdistäminen tuottaa hyödyllisempiä havaintoja kuin yksittäisen tietoaineiston analysointi erillään muista.
Mitkä ovat tietoanalytiikan neljä päätyyppiä teollisuudessa?
Neljä päätyyppiä ovat kuvaileva, diagnostinen, ennustava ja ohjaava analytiikka.
Kuvaileva analytiikka kertoo, mitä tapahtui, diagnostinen analytiikka selvittää, miksi se tapahtui, ennustava analytiikka arvioi, mitä todennäköisesti tapahtuu seuraavaksi, ja ohjaava analytiikka auttaa määrittämään, mitä tilanteessa tulisi tehdä.
Miten teollista tietoanalytiikkaa käytetään valmistavassa teollisuudessa?
Valmistajat voivat hyödyntää teollista tietoanalytiikkaa tuotannon suorituskyvyn seurantaan, laiteongelmien tunnistamiseen, kunnossapidon suunnittelun tukemiseen, poikkeamien tunnistamiseen, laatuongelmien selvittämiseen, prosessien optimointiin sekä energia- ja resurssitehokkuuden parantamiseen.
Käyttötapa riippuu saatavilla olevasta datasta ja siitä, millaista operatiivista päätöksentekoa valmistaja haluaa parantaa.
Mitä eroa on teollisella tietoanalytiikalla ja liiketoiminta-analytiikalla?
Teollinen tietoanalytiikka keskittyy ensisijaisesti tuotantolaitteiden, tuotantoprosessien ja operatiivisten järjestelmien tuottamaan dataan. Siinä hyödynnetään usein koneiden toimintatiloja, sensorimittauksia, prosessiparametreja, tuotantotapahtumia, kunnossapitotietoja ja muuta operatiivista dataa.
Liiketoiminta-analytiikka keskittyy tyypillisesti enemmän esimerkiksi talouteen, myyntiin, asiakkaisiin, varastoihin ja liiketoiminnan kokonaisvaltaiseen suorituskykyyn. Nämä kaksi voivat kuitenkin limittyä, kun tuotannon operatiivista dataa yhdistetään ERP-järjestelmän ja muiden liiketoimintajärjestelmien tietoihin.
Tarvitaanko teolliseen tietoanalytiikkaan tekoälyä?
Ei. Monet teollisen tietoanalytiikan käyttötapaukset voidaan toteuttaa KPI-mittareiden, trendien, raja-arvojen, tilastollisten menetelmien, sääntöjen ja mittaristojen avulla.
Tekoälystä ja koneoppimisesta voi olla hyötyä silloin, kun valmistajien täytyy tunnistaa monimutkaisempia käyttäytymismalleja, luokitella toimintatiloja, ennustaa tulevia tapahtumia tai analysoida riippuvuuksia, joita on vaikea tunnistaa yksinkertaisemmilla menetelmillä. Sopiva lähestymistapa riippuu ratkaistavasta ongelmasta ja käytettävissä olevasta datasta.
Miten digitaaliset kaksoset tukevat teollista tietoanalytiikkaa?
Digitaaliset kaksoset voivat yhdistää teollisen datan sitä vastaaviin fyysisiin laitteisiin ja prosesseihin. Koneista, sensoreista, tuotantojärjestelmistä, kunnossapitojärjestelmistä ja muista lähteistä saatava data voidaan jäsentää tuotantoympäristön digitaalisen esityksen ympärille.
Tämä tuo analytiikkaan lisää kontekstia ja auttaa käyttäjiä ymmärtämään, mistä operatiivinen tieto on peräisin, miten eri tiedot liittyvät fyysisiin laitteisiin ja missä tunnistetut ongelmat esiintyvät.
