Promaint-lehti 1/2024
Promaint-lehti on neljä kertaa vuodessa ilmestyvä teollisuuden ja tuotannon ammattilehti.
Promaint-lehti on neljä kertaa vuodessa ilmestyvä teollisuuden ja tuotannon ammattilehti.
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
MAINOS<br />
min pääkaupunkiseudulla käynnistyneenä<br />
monimuotokoulutuksena. Myös<br />
hankkeen aikana hyödynnettiin mahdollisuutta<br />
kehittää hankehenkilöstön<br />
omaa osaamista ja tarjottiin koulutusta<br />
niin kunnossapidosta kuin kunnonvalvonnasta<br />
sekä data-analytiikasta ja<br />
koneoppimisesta.<br />
Lisäarvoa datasta<br />
Nykyisellään teollisuusprosesseista<br />
tulee paljon dataa eri lähteistä. Rajaarvoihin<br />
ja yksinkertaisiin algoritmeihin<br />
perustuvaa data-analytiikkaa hyödynnetään<br />
jo varsin hyvin. Realististen<br />
tavoitteiden asettaminen, oikeiden<br />
kysymysten kysyminen ja niiden pe-<br />
Virtuaalinen malli bioliuotuskasan puhaltimista.<br />
Kuva: Kajaanin ammattikorkeakoulu<br />
rusteella koneoppimismallien luominen<br />
aiheuttaa uudenlaisia haasteita,<br />
joihin teollisuusyrityksillä itsellään ei<br />
välttämättä ole osaamista ja resursseja.<br />
Tarve tiedostetaan ja esimerkiksi<br />
Teknologiateollisuus ry ilmoitti kotisivuillaan<br />
13 MEur investoinnista<br />
tekoälyyn (14.11.2023).<br />
Hankkeen aikana kehitettiin koneoppimista<br />
kahteen eri käyttötarkoitukseen<br />
yhteistyössä Terrafamen<br />
kanssa. Ensiksi metallien talteenoton<br />
prosessivaiheen ennustettavuutta<br />
pyrittiin parantamaan. Prosessissa tapahtuva<br />
vaihtelu vaikuttaa tuotoksen<br />
laatuun ja on haaste jatkokäsittelyä<br />
silmällä pitäen. Siksi tutkittiin neuroverkolla<br />
toteutettua regressiomallia<br />
antamaan lisätietoa prosessiohjaukseen.<br />
Toinen kohde oli Terrafamen bioliuotuskasojen<br />
puhaltimet ja niiden<br />
huollon ajankohtien ennustaminen.<br />
Siinä käytettiin apuna kunnossapidon<br />
dataa ja huoltokirjauksia sekä pyrittiin<br />
kouluttamaan neuroverkkoluokittelija<br />
tunnistamaan huoltoja edeltäviä<br />
ajankohtia.<br />
Johtopäätökset<br />
Prosessin ennustamisessa validointimenetelmänä<br />
käytettiin oletusta, että<br />
ennustettava kohdemuuttuja pysyy<br />
vakiona ennusteen ajanhetkeen asti (8<br />
tai 12 tai 24 h eteenpäin). Tämä siksi,<br />
että kohdemuuttuja pysyi aika hyvin<br />
vakiona pitkällä aikavälillä, mutta lyhyemmällä<br />
aikavälillä siinä oli eritaajuista<br />
vaihtelua. Neuroverkkomallin<br />
generoima ennuste pystyi seuraamaan<br />
kohdemuuttujaa pääsääntöisesti,<br />
mutta se ei reagoinut nopeisiin<br />
muutoksiin luotettavasti ja testatuilla<br />
ennustepituuksilla se toimi hieman<br />
validointimenetelmää paremmin.<br />
Neuroverkkomallia, joka tunnistaisi<br />
luotettavasti monisyisiä vikatilanteita,<br />
ei ole helppo toteuttaa. Kun kavennettiin<br />
vikatilanteiden valikoimaa<br />
yleisimpiin, esim. lisääntyneeseen<br />
tärinään liittyviin, saatiin parempaa<br />
korrelaatiota. Parhaat tulokset kuitenkin<br />
saavutettiin pääkomponenttianalyysin<br />
poikkeamia analysoimalla.<br />
Lisäksi hankkeen konkreettisia<br />
tuloksia olivat suositukset huoltotapahtumien<br />
kirjauksien tarkemmalle<br />
luokittelulle sekä muille dataan ja sen<br />
hallintaan liittyville toimenpiteille.<br />
Koneoppimisen merkitys tulee korostumaan<br />
tulevaisuudessa, mutta se<br />
ei korvaa kunnossapidon osaamista.<br />
Sen tuoma lisäarvo nojaa osaamiseen<br />
sekä datan järjestelmälliseen keräämiseen<br />
ja laatuun. Joka tapauksessa<br />
mahdollisuuksia on mm. käytettävyyden<br />
parantamisessa, koneiden ja laitteiden<br />
käyttöiän hallinnassa tai ympäristövaikutusten<br />
pienentämisessä.<br />
TEODIMI-hanketta on rahoittanut<br />
EU:n EAKR-rahasto Kainuun liiton<br />
kautta.<br />
1/<strong>2024</strong> promaint 25