Onko suurempi virhe kerätä turhaa dataa vai jättää keräämättä data, jota olisi viiden vuoden päästä tarvittu?

Vielä vähän aikaa sitten tuotannon tiedonkeruussa oli hyvä nyrkkisääntö: kerätään sitä tietoa, jota oikeasti tarvitaan.

Tekoälyn kehittyminen on tuonut rinnalle toisenlaisen ajatuksen. Entä jos tulevaisuudessa arvokkainta onkin data, jonka käyttötarkoitusta emme vielä tiedä?

Nykyaikaisessa tuotannossa dataa syntyy lähes kaikkialla. Automaatiojärjestelmät, koneet, taajuusmuuttajat ja anturit tuottavat jatkuvasti tietoa prosessin tilasta. Tiedon keräämisestä ja tallentamisesta on myös tullut entistä helpompaa.

Perinteisesti tiedonkeruuta on suunniteltu tarpeen kautta. Ensin tunnistetaan ongelma, jota halutaan ratkaista. Sen jälkeen selvitetään, mitä tietoa tarvitaan ja mistä se saadaan.

Tämä on edelleen järkevä lähtökohta.

Mutta jos keräämme vain sitä tietoa, jonka käyttötarkoituksen tunnemme tänään, saatamme jättää tallentamatta jotain, mikä osoittautuisi myöhemmin arvokkaaksi.

Entä jos emme vielä tiedä, mitä datasta pitäisi etsiä?

Tuotannon kehittämisessä lähdetään yleensä liikkeelle konkreettisista kysymyksistä.

Miksi tuotantotavoitteeseen ei päästä? Mistä suunnittelemattomat seisokit johtuvat? Miksi energiankulutus kasvaa?

Kun kysymys tunnetaan, voidaan määritellä, mitä tietoa sen selvittämiseen tarvitaan.

Tekoäly ja kehittynyt data-analytiikka tuovat tähän uuden mahdollisuuden. Laajasta historiadatasta voidaan löytää yhteyksiä, joita ei ole osattu etsiä.

Esimerkiksi tuotteen laatuun vaikuttava muutos voi alkaa prosessissa jo kauan ennen kuin se näkyy lopputuloksessa. Muutos ei välttämättä näy yhdessä mittausarvossa, vaan useiden muuttujien yhteisvaikutuksessa.

Jos tällaisia riippuvuuksia halutaan tutkia jälkikäteen, tarvitaan riittävän kattavaa historiatietoa.

Datan arvoa ei siis aina voida määritellä sillä hetkellä, kun se syntyy.

Tämä on hyvä peruste suhtautua tuotantodatan tallentamiseen aiempaa avarakatseisemmin. Se ei kuitenkaan tarkoita, että kaikki mahdollinen pitäisi tallentaa ilman harkintaa.

Mitä kannattaa tallentaa tulevaisuutta varten?

Tuotannon seurannassa tallennetaan usein valmiiksi laskettuja tunnuslukuja, kuten käyttöasteita, häiriöiden määriä ja seisokkien kokonaiskestoja.

Ne ovat hyödyllisiä päivittäisessä johtamisessa, mutta eivät välttämättä riitä myöhempään analyysiin.

Jos halutaan esimerkiksi selvittää, mitä ennen tiettyjä tuotantokatkoksia tapahtui, tarvitaan myös alkuperäistä prosessitietoa.

Muuttuiko moottorin kuormitus? Alkoiko lämpötila nousta? Esiintyikö tietty hälytysyhdistelmä? Oliko häiriöllä yhteys valmistettavaan tuotteeseen?

Näihin kysymyksiin ei välttämättä voida vastata pelkkien yhteenvetoraporttien avulla.

Siksi kannattaa harkita, mitä alkuperäisestä datasta säilytetään myöhempää käyttöä varten.

Kaikkea ei kuitenkaan tarvitse tallentaa samalla tarkkuudella tai säilyttää yhtä pitkään.

Hitaasti muuttuva lämpötila ja nopeasti tapahtuva koneen tilanmuutos tarvitsevat erilaista tallennustarkkuutta. Joissakin tilanteissa jokainen tapahtuma aikaleimoineen on olennainen. Toisissa harvempi näytteenotto riittää.

Samalla on huomioitava tallennuskustannukset, tietoturva, tiedonsiirto ja automaatiojärjestelmien toimintavarmuus.

Tärkeintä on ymmärtää, mitä tietoa valittu tallennustapa säilyttää ja mitä se jättää pois.

Paljon dataa ei vielä tarkoita käyttökelpoista dataa

Kuvitellaan tuotantolinja, josta tallennetaan tuhansia mittausarvoja sekunnin välein.

Muutaman vuoden kuluttua käytettävissä on valtava määrä historiatietoa. Mutta tiedetäänkö, mihin prosessivaiheeseen kukin mittaus liittyy? Onko mittausten aikaleimat synkronoitu? Näkyvätkö laitteistoon ja prosessiin tehdyt muutokset historiatiedoissa?

Entä voidaanko mittausarvot yhdistää siihen, mitä tuotannossa samaan aikaan valmistettiin ja millainen lopputuloksen laatu oli?

Jos näitä yhteyksiä ei tunneta, datan hyödyntäminen voi olla huomattavasti vaikeampaa kuin sitä kerättäessä kuviteltiin.

Tekoäly voi löytää datasta tilastollisia yhteyksiä, mutta se ei automaattisesti tiedä, mitä ne tarkoittavat tai mistä ne johtuvat.

Siksi datan määrän lisäksi pitää huolehtia sen laadusta ja ymmärrettävyydestä.

OEE on hyvä esimerkki lähtötiedon merkityksestä

OEE ja muut tuotannon tehokkuutta kuvaavat mittarit voivat antaa arvokasta tietoa. Niiden hyödyllisyys riippuu kuitenkin siitä, kuinka luotettavasti mittareiden taustalla olevat tapahtumat tunnistetaan.

Perinteisessä toteutuksessa esimerkiksi tuotantokatkoksen syy saatetaan kysyä koneen käyttäjältä.

Kiireisessä tuotantotilanteessa käyttäjän tärkein tehtävä on kuitenkin saada tuotanto jälleen käyntiin. Jos pysähdyksen jälkeen pitää valita syy pitkästä valikosta, nopein vaihtoehto voi olla ”muu syy”. Eri käyttäjät voivat myös tulkita saman tilanteen eri tavoin.

Näin järjestelmä voi kerätä tietoa, joka näyttää raportilla täsmälliseltä mutta sisältää todellisuudessa paljon tulkintaa.

Jos tätä tietoa myöhemmin käytetään tekoälymallin kouluttamiseen, ongelma ei katoa. Malli voi oppia myös virheellisiä tai epäjohdonmukaisia kirjauskäytäntöjä.

Siksi automaatiojärjestelmästä saatavaa tietoa kannattaa hyödyntää mahdollisimman pitkälle.

Järjestelmä tietää usein, mikä laite oli käynnissä, mikä ehto puuttui, mikä hälytys aktivoitui ja missä järjestyksessä tapahtumat etenivät.

Tällaisen tiedon automaattinen tallentaminen vähentää riippuvuutta käyttäjän muistikuvasta.

Automaatiojärjestelmä ei kuitenkaan välttämättä tunnista tapahtuman varsinaista juurisyytä. Siksi ihmisen havainnoilla on edelleen tärkeä rooli.

Hyvässä tiedonkeruussa koneesta saatava tieto ja ihmisen osaaminen täydentävät toisiaan.

Kaikkea kerättyä dataa ei tarvitse näyttää

Tiedon kerääminen ja sen esittäminen käyttäjälle ovat kaksi eri asiaa.

Koneen käyttäjä tarvitsee ajantasaisen näkymän tuotannon tilaan ja asioihin, joihin hänen pitää reagoida.

Tuotantopäällikkö voi tarvita tietoa viikon tai kuukauden kehityksestä. Prosessin kehittäjä puolestaan voi haluta tarkastella yksittäistä häiriötä ja sitä edeltänyttä mittaushistoriaa.

Tulevaisuudessa tekoälypohjainen analyysi saattaa hyödyntää huomattavasti laajempaa tietoaineistoa kuin kukaan tarvitsee päivittäisessä työssään.

Siksi tiedonkeruun laajuutta ei kannata sekoittaa mittariston laajuuteen.

Selkeä näkymä viidestä olennaisesta asiasta voi olla käyttäjälle arvokkaampi kuin näkymä viidestäkymmenestä, vaikka taustalla tallennettaisiin paljon enemmän tietoa.

Miten tiedonkeruuta kannattaa suunnitella nyt?

Jos tuotannon tiedonkeruuta rakennetaan tänään, ei välttämättä kannata valita kahden ääripään väliltä: kerätään vain välittömästi tarvittava tieto tai tallennetaan kaikki mahdollinen.

Parempi lähtökohta on tarkastella sekä nykyisiä että mahdollisia tulevia tarpeita.

Ensin pitää ymmärtää, mitä tuotannossa halutaan parantaa ja mitä tietoa siihen tarvitaan. Tiedonkeruun pitäisi tuottaa hyötyä jo nyt, eikä sen arvoa kannata perustella pelkästään mahdollisilla tulevilla tekoälysovelluksilla.

Samalla kannattaa kysyä, mitä muuta automaatiojärjestelmästä olisi kohtuullisella vaivalla saatavissa talteen.

Voidaanko mittausarvot ja tapahtumat yhdistää toisiinsa? Säilyykö tieto ymmärrettävänä, vaikka järjestelmiä myöhemmin muutetaan? Saadaanko historiadata tarvittaessa ulos jatkokäsittelyä varten?

Ja voidaanko tiedonkeruuta laajentaa myöhemmin ilman, että koko järjestelmä pitää rakentaa uudelleen?

Laitevalmistajalle tämä tarkoittaa myös sitä, että koneen tiedonkeruuvalmiuksia kannattaa miettiä jo suunnitteluvaiheessa. Kaikkia asiakkaan tulevia tarpeita ei tarvitse tietää etukäteen, mutta koneen tuottaman tiedon saatavuuteen ja hyödynnettävyyteen voidaan vaikuttaa jo nyt.

Datan arvo ei synny sen määrästä

Tekoäly on muuttanut perustellusti keskustelua tuotantodatan keräämisestä.

Aiemmin tarpeettomalta näyttävä tieto voi tulevaisuudessa osoittautua arvokkaaksi. Siksi tiedonkeruuta ei kannata rajata liian tiukasti vain tämän päivän mittareiden perusteella.

Mutta yksi asia ei ole muuttunut.

Datan kerääminen ei itsessään paranna tuotantoa. Jos tieto on epäluotettavaa, irrallaan asiayhteydestään tai vaikeasti käytettävissä, sen hyöty jää helposti pieneksi.

Kaikkia tulevia käyttötarkoituksia ei tarvitse osata ennustaa. Niiden mahdollisuutta ei kuitenkaan kannata sulkea pois liian aikaisin.

Ehkä olennaisin kysymys ei enää ole, kuinka vähän dataa riittää tai kuinka paljon sitä pystytään keräämään.

Olennaisempaa on, miten tuotannosta syntyvä tieto saadaan talteen niin, että sitä voidaan ymmärtää ja hyödyntää myös silloin, kun sen käyttöön löytyy aivan uusia tapoja.

Esys Oy suunnittelee ja toteuttaa teollisuuden automaatio- ja tiedonkeruuratkaisuja tuotannon tarpeista lähtien.