Esineiden internet- eli IoT-tyyppisten etämittauslaitteiden käyttö on saavuttanut myös maanrakennuskoneissa käytettävät lisälaitteet. Mittausjärjestelmien käyttötarkoitukset liittyvät laitteiden kunnon- ja käytönvalvontaan. Tietoa hyödynnetään ensisijaisesti laitteiden huollontarpeen määrityksessä ja muissa asiakkaalle suunnatuissa palveluissa. Entisaikojen korjaavasta huollosta on edetty ennaltaehkäisevän huollon kautta ennakoivan huollon malliin, jossa jokainen laite tuottaa itse oman huoltoaikataulunsa laitteen todellisista käyttömääristä ja käyttöolosuhteista mitatun datan perusteella. Huollontarpeen ennakoinnissa voidaan käyttää koneoppismallia, kun laitteen vikahistoriasta on olemassa riittävästi dataa. (Hu & Chen 2020, 7.) Ennakoivan kunnossapidon malli voi perustua kokemukselliseen tietoon, datasta saatuun tilastotietoon tai vikaantumisiin liittyviin fysikaalisiin ilmiöihin. Ennusteen tarkkuus paranee käyttämällä näitä menetelmiä yhdessä. (Hongxia ym. 2016, 54.)
Lisääntyvät datamäärät edellyttävät automatisoitujen analyysijärjestelmien kehittämistä ja ylläpitoa
Lisälaitteiden etämittauksesta syntyy uusia toimintamahdollisuuksia, mutta samalla myös tarpeita laitevalmistajille. Kertyvää dataa voidaan hyödyntää asiakkaalle suunnattujen palvelujen lisäksi esimerkiksi tuotekehityksessä ja tuotannonohjauksessa. Mitatusta datasta voidaan analysoida laitteen käyttöä, ja saatuja tuloksia voidaan hyödyntää tuotteen ominaisuuksien ja sen käyttöön liittyvän ohjeistuksen parantamisessa. Koneoppimisen keinoin laitteiden käyttömääristä voidaan ennustaa uusien laitteiden ja niiden varaosien kysynnän kehitystä, ja siten niiden valmistusmäärät voidaan optimoida. Analyysijärjestelmien kehitystyön lisäksi analyyseistä saadut tulokset vaativat tulkintaa ja lopputulosten siirtämistä käytäntöön.
Yleensä kerätty data ei ole sellaisenaan analysoitavissa, vaan jopa 60 % prosessin kokonaistyömäärästä voi kulua datan muokkaamiseen analyyseille sopivaksi (Wegman & Solka 2005, 14-15). Tavanomainen datan jäsentelyä vaativa asia on jaotella dataa erilaisilla kriteereillä, esimerkiksi laitetyypin mukaiseen järjestykseen, jotta analyyseistä saataisiin vertailukelpoisia. Vaikka kerätty data on yleensä aikasarjadataa, on varmistettava sen ajallisesti oikea järjestys ja sopivuus laskentaan. Lisäksi datassa on usein poikkeavuuksia, vaikka se koneellisesti tuotettaisiinkin.
Datan keruujärjestelmissä ei voida huomioida kaikkia reaalimaailman tapahtumia ja siksi dataa joudutaan yleensä korjaamaan. Analyysijärjestelmän tulee kyetä huomaamaan ja prosessoimaan korjauksista syntyneet epäloogisuudet. Tyypillisesti suurin osa analyyseistä liittyy tuotekehitykseen ja niiden osalta usein riittää, että tulokset voidaan generoida tiettyä tutkimustarvetta varten. Markkinatilanteen ennustaminen vaatii jatkuvaa seurantaa, ja siinä päivittyvä, koneoppimiseen perustuva ennustemalli on toimivampi.
Kirjoittajat
Jukka Mankinen on LAB-ammattikorkeakoulun opiskelija digitaaliset ratkaisut YAMK-koulutuksessa. Hänellä on useiden vuosien työkokemus järjestelmä- ja ohjelmistokehityksestä.
Minna Asplund, TkL, toimii LAB-ammattikorkeakoulussa lehtorina sekä koordinaattorina insinööri (ylempi AMK) digitaaliset ratkaisut ja IoT:stä tekoälyyn -koulutuksissa.
Lähteet
Hongxia, W., Xiaohui, Y. & Ming, Y. 2016. Study on Predictive Maintenance Strategy. Advanced Science and Technology Letters. Vol.137 (UCMA 2016), 52-56. [Viitattu 10.10.2021]. Saatavissa: http://dx.doi.org/10.14257/astl.2016.137.10
Hu, J. & Chen, P. 2020. Predictive maintenance of systems subject to hard failure based on proportional hazards model. Reliability Engineering and System Safety. 196 (2020) 106707, 1-9. [Viitattu 11.10.2021]. Saatavissa: https://doi.org/10.1016/j.ress.2019.106707
Wegman, E. & Solka, J. 2005. Handbook of statistics 24: Data Mining and Data Visualization. Vol. 24 ISSN: 0169-7161. 2005 Published by Elsevier B.V., 1-46. [Viitattu 11.10.2021]. Saatavissa: https://doi.org/10.1016/S0169-7161(04)24001-9
Kuvat
KUVA 1. Peter Dargatz. 2021. Kaivinkone. Pixabay. [Viitattu 17.11.2021]. Saatavissa: https://cdn.pixabay.com/photo/2012/07/06/20/23/excavator-51665_1280.jpg
