Big Datan käsittely ja koneoppiminen ovat olleet kuumia aiheita viime aikoina eri julkaisuissa ja tapahtumissa. Itsekin näen aiheissa huomattavia hyötyjä teollisuudelle, monessa eri muodossa. Erityisen mielenkiintoisena koen kuitenkin Big Datan ja koneoppimisen hyödyntämisen kunnonvalvonnassa. Soveltamiskohteita on monia, mutta tavoitteena on kunnonvalvonnan tehostaminen ja siirtyminen kustannustehokkaampaan ennakoivaan tai ennustavaan kunnossapitoon, joka myös parantaa käytettävyyslukuja.

Teollisuuden prosesseissa on usein merkittävä määrä instrumentteja, jotka seuraavat prosessiparametrejä reaaliaikaisesti. Tiedot toimitetaan valvomoon, jossa operaattori seuraa prosessin tilannetta parametrien näyttämien perusteella. Prosessitiedot kerätään usein myös talteen mittausjärjestelmistä, mm. helpottamaan laitevikojen juurisyiden selvittämistä. Lopputuloksena on suuri määrä prosessidataa, jotka kuvastavat paitsi prosessin tilaa, myös prosessiin kytkettyjen laitteiden toimintaa ja kuntoa.

Analysoimalla mittauksista kerättyä Big Dataa ja vertailemalla sitä esim. prosessilaitteiden vikatilastoihin, voidaan koneoppimisen avulla tuottaa sovelluksia, jotka seuraavat reaaliaikaisesti teollisuusprosessin mittausdataa ja tunnistavat datan perusteella prosessilaitteiden ikääntymistä käytön aikana. Koneoppimisen avulla suodatetusta Big Datasta saadaan tehtyä projektioita, jotka ennustavat prosessilaitteiden vikaantumisen todennäköisyyttä tulevaisuudessa. Projektioita voidaan käyttää ennakoivan kunnossapidon helpottamiseen ja kunnossapitotoimenpiteiden optimaaliseen ajoittamiseen.

Ennakoiva kunnonvalvonta ja kunnossapito puolestaan edistävät laitteiden käytettävyyttä, kun huoltotoimenpiteet saadaan tehtyä ennen laitteiden vikaantumista. Tämä parantaa myös prosessin turvallisuutta, kun turvallisuuteen liittyvien laitteiden käytettävyys kasvaa. Siirtymällä määräaikaisista tarkastuksista ja huolloista ennakoiviin, optimoidaan samalla sekä kunnonvalvonta- että kunnossapitokustannuksia, kun toimenpiteet voidaan ajoittaa prosessidatan näyttämien perusteella. Prosessin huoltoseisokkia suunniteltaessa voidaan datan ja projektioiden avulla katsoa, mitkä laitteet ovat sen aikana huollettava tai tarkastettava, ja mitkä laitteet tulevat todennäköisesti toimimaan vielä ainakin seuraavaan huoltoseisokkiin asti. Tämä vähentää sellaisten määräaikaistarkastusten määrää, joiden aikana laite avataan ja todetaan että kaikki on kunnossa. Jokainen avaava tarkastus sisältää myös riskin, että laitteen kokoonpanossa tapahtuu virhe, joka aiheuttaa laitteen vikaantumisen, joten ylimääräisten tarkastusten minimointi vähentää laitteen vikaantumisen kokonaisriskiä.

Big Datan käsittely ja koneoppiminen ovat tulevaisuuden kunnonvalvonnan työkaluja, joilla saadaan teollisuuden prosesseista turvallisempia, tehokkaampia ja luotettavampia. Suosittelen seuraamaan aiheisiin liittyvää tutkimusta ja kehitystä, jota on jo meneillään monella eri suunnalla!