Data-analytiikan ja tekoälyn hyödyntäminen ennustavaan kunnossapitoon

Abstract

Monissa kunnossapito-organisaatioissa keskeisenä päivittäisen toiminnanohjauksen työkaluna on kunnossapidon tietojärjestelmä. Näihin järjestelmiin kerääntyy päivittäin suuria määriä ihmisten tuottamaa dataa, mutta niiden jatkohyödyntämismahdollisuudet ovat usein jääneet vähemmälle huomiolle.

Uusimpien dataanalytiikan ja tekoälyn menetelmien avulla datasta on mahdollista saada esiin malleja, joita voi hyödyntää kunnossapitotoiminnassa muun muassa tehokkaampaan vikaantumisten ennustettavuuteen.

Tässä opinnäytetyössä tutkittiin vikaantumisten ennustettavuutta kunnossapitojärjestelmään kerääntynyttä dataa käyttämällä. Opinnäytetyössä on tutkittu kunnossapidon nykytilaa ja tulevaisuuden näkymiä sekä uusimpien data-analytiikkamenetelmien periaatteita ja hyödyntämismahdollisuuksia.

Tämän opinnäytetyön Case study -tutkimusosiossa käytettiin suomalaisen teollisuusyrityksen kunnossapitojärjestelmään keräämää dataa kahdeksan vuoden ajalta, yli miljoonan tapahtumarivin verran. Tämän datan perusteella pyrittiin löytämään tekoälyn ja koneoppimisen menetelmää käyttämällä vikaantumisten ennustemallia, joita verrattiin toteutuneisiin vikaantumisiin.

Lähtökohdiltaan tutkimusongelma oli haasteellinen, sillä kunnossapitojärjestelmään kerättyä dataa ja datamalleja ei lähtökohtaisesti oltu suunniteltu vikaantumisten ennustamiseen. Tämän takia myös vikaantumisennusteet olivat parhaimmillaankin vain kohtalaisia.

Tutkimustyö oli teoriaa ja käytäntöä hyödyntävä toimintatutkimus, jonka perusteella voitiin antaa kunnossapitojärjestelmän kehitykseen ja toimintatapoihin liittyviä parannusehdotuksia. Tämä osaltaan mahdollistaa paremman ennustettavuuden sekä yhdistämisen osaksi kognitiivista kunnossapitoa. Tutkimuksen tuloksista ei voida yleisesti päätellä ennustettavuuden mahdollisuuksia olemassa olevan datan perusteella, mutta ne parantavat käsityksiä datan laadun merkityksestä ennustettavuuden parantamiseksi.

In many maintenance organizations, the maintenance management system is a key tool for day-to-day operations management. These systems accumulate large amounts of human-generated data on a daily basis, but their potential for further utilization has often received less attention.

Thanks to the latest data analytics and artificial intelligence methods, it is possible to derive models from the data that can be utilized in maintenance operations of more efficient predictability of failures for instance.

In this thesis, the predictability of failures was investigated using data accumulated in the maintenance management system. The current state and future prospects of maintenance as well as the principles and utilization possibilities of the latest data analysis methods have been studied in the thesis.

In the case study section of this thesis, the data collected by the Finnish industrial company for the maintenance management system over a period of eight years, using more than a million event lines, was used. Based on this data, an attempt was made to find a method of artificial intelligence and machine learning using a failure prediction model that was compared to actual failures.

From the point of view, the research problem was challenging, as the data and data models collected in the maintenance system were not, in principle, designed to predict failures. Because of this, even the failure predictions were only moderate at best.

The research work was an action research utilizing theory and practice, on the basis of which suggestions for improvement related to the development and operating methods of the maintenance system could be given. This contributes to better predictability as well as integration into cognitive maintenance. The results of the study do not generally suggest predictability based on existing data, but they improve perceptions of the importance of data quality to improve predictability.