Kiinteistöt ovat päivä päivältä älykkäämpiä. Niiden prosesseja ja olosuhteita seurataan ja ohjataan useilla taloteknisillä järjestelmillä ja dataa analysoidaan pilvessä ja kentällä dataa keräävillä ja prosessoivilla reunalaitteilla. Analytiikalla datasta löydetään kuvioita, joita ihmisen olisi vaikeaa tai mahdotonta huomata ja näin tehostetaan kiinteistöhuoltoa.
Älykäs analytiikka
Kiinteistöjen optimaalisen toiminnan kannalta on tärkeää, että prosessit toimivat suunnitellusti. Jos jokin laite hajoaa, eikä sitä korjata ajoissa, voi se vaikuttaa mm. kiinteistön viihtyvyyteen tai energiankulutukseen. Ennakoimattoman vian korjaus voi kestää pitkään, jos korvaavaa laitetta ei ole nopeasti saatavilla, tai korjaajan paikan päälle saanti kestää kauan.
Ennustavalla analytiikalla pyritään ennustamaan datasta, mitä todennäköisesti tulee tapahtumaan (Gartner 2023). Kiinteistön laitteiden datan analysoinnilla voidaan ennustaa laitteiden vikaantumista ja ohjata ylläpitoa huoltamaan laite ennen vian ilmentymistä. Ennustava analytiikka tarvitsee laitteelta reaaliaikaista dataa ennusteen tekemiseen, joten dataa siirretään analysointipaikkaan jatkuvasti. Datan varastointi vaatii tallennustilaa ja analysointi laskentatehoa. Voitaisiinko dataa analysoida suoraan laitteella, jolloin säästyttäisiin datan siirtelyltä ja vain vikatilanteessa tietoa lähetettäisiin eteenpäin?
TinyML
Datan analysoiminen suoraan laitteella on mahdollista TinyML:n avulla. Se on pieni, edullinen, energiatehokas ja pattereilla toimiva mikrokontrolleri, joka sisältää muistia ja sisääntuloja, ja voi suorittaa koneoppimissovelluksia (Tan 2021). Koneoppimisessa ei ohjelmoida valmista ohjelmaa, vaan kone oppii tapahtumista. TinyML voi toimia pattereilla jopa vuosia ja se seuraa laitteen käyttäytymistä, huomaa poikkeavan toiminnan ja lähettää ennakoivan vikatiedon tarvittaessa eteenpäin (Tan 2021). Se tallentaa datan paikallisesti ja datan siirtomäärä on minimoitu, kun eteenpäin lähetetään vain datasta analysoitu ennuste (Tan 2021). Tiedonsiirtoon voidaan käyttää mm. langatonta verkkoa. TinyML sisältää kaiken tarvittavan vikojen analysointiin. Kuvassa 1 on kuvattu TinyML:n rakenne, jossa on laitteisto, joka koostuu IoT-antureista, ohjelmisto, jolla sovelluksia voidaan ajaa, ja algoritmit (Ray 2022).
TinyML voi siis minimoida vioista johtuvia käyttökatkoksia ja pienentää huoltokustannuksia, kun huolto voidaan rauhassa suunnitella sopivaan ajankohtaan. Ennakoinnin avulla myös rutiininomaisia tarkastuksia voidaan vähentää, kun huoltoja tehdään kuntoon perustuen. Nopealla reagoinnilla voidaan vaikuttaa myös käyttäjätyytyväisyyteen, kun normaalista poikkeava toiminta havaitaan välittömästi, eikä se ehdi vaikuttaa kiinteistön toimintaan. TinyML:n avulla myös dataa kerätään palvelimille mahdollisimman vähän, jolloin säästetään kallista tallennuskapasiteettia ja laskentaresurssia asioille, jotka oikeasti vaativat datan käsittelyä palvelimilla.
Kirjoittajat
Marika Korhonen on LAB-ammattikorkeakoulun opiskelija IoT:stä tekoälyyn YAMK-koulutuksessa. Hänellä on useita vuosia kokemusta kehitystyöstä kiinteistöjen valvonnan ja hallinnan saralla ja hän työskentelee tällä hetkellä palvelupäällikkönä kiinteistön ylläpito palveluissa.
Minna Asplund, TkL, toimii LAB-ammattikorkeakoulussa lehtorina sekä koordinaattorina insinööri (ylempi AMK), IoT:stä tekoälyyn -koulutuksessa.
Lähteet
Gartner. 2023. What is Data and Analytics? Gartner. Viitattu 21.5.2023. Saatavissa https://www.gartner.com/en/topics/data-and-analytics
Ray, P. P. 2021. A review on TinyML: State-of-the-art and prospects. Journal of King Saud University – Computer and Information Sciences. Vol.34(4), 1595-1623. Viitattu 21.5.2023. Saatavissa https://www.sciencedirect.com/science/article/pii/S1319157821003335
Tan, J. 2021. Everything About TinyML – Basics, Courses, Projects & More!. Seeed Studio. Viitattu 21.5.2023. Saatavissa https://www.seeedstudio.com/blog/2021/06/14/everything-about-tinyml-basics-courses-projects-more/
