Ennustava kunnossapito sanomalehtipainossa
Pelkonen, Petri (2025)
2025
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-202503194595
https://urn.fi/URN:NBN:fi:amk-202503194595
Tiivistelmä
Tiedolla johtamisen avulla on erittäin suuret mahdollisuudet kehittää yrityksen tuottavuutta, laatua ja kustannustehokkuutta. Yrityksissä on kerättynä suuret määrät dataa, jota oikein analysoimalla pystytään ohjaamaan toimintaa ja toimintakulttuuria oikeaan suuntaan.
Opinnäytetyössä kehittämistehtävän tavoitteena oli toteuttaa Kaleva Median Oulun sanomalehti-painoon koneoppimismalli, joka tunnistaa prosessin poikkeavia toimintoja normaalista käyttäytymisestä. Malli hyödynsi tekoälyä analysoidakseen suuria määriä painoprosessista kertynyttä aikasarjadataa ja havaitakseen poikkeavuuksia, jotka voivat viitata tuleviin vikoihin. Tavoitteena oli myös parantaa painokoneen käytettävyyttä ja vähentää yllättävistä vioista johtuvia seisokkeja, mikä tehostaa tuotantoa. Näiden toimenpiteiden ansiosta tuotannon tehokkuus kasvaa ja kunnossapidon kustannukset pienenevät, sillä laitteiston ennakoimattomat korjaustarpeet vähenevät.
Työssä käytettiin reaaliaikaisia mittaustietoja ja analytiikkaa laitteiden kunnon arvioimiseksi ja vikaantumisen ennustamiseksi. Data-analytiikassa hyödynnettiin CRISP-mallia, joka on vakiintunut prosessimalli data-analytiikan projekteissa.
Keskeiset tulokset osoittivat, että ennustavan kunnossapidon malli mahdollistaa painokoneen huollon ennakoinnin ennen vakavia ongelmia. Tämä vähentää laitteiden seisokkeja ja parantaa kunnossapidon kustannustehokkuutta. Lisäksi malli auttoi löytämään piileviä vikoja, jotka eivät välttämättä näkyneet silmämääräisesti.
Koneoppimismallista oli selkeää hyötyä myös laadunvalvonnassa, joka paransi painolaadun hallintaa ja tuotannon tehokkuutta. Jatkossa mallia voitaisiin kehittää edelleen integroimalla se osaksi laajempaa tuotannonohjausjärjestelmää, jolloin sen analysoimaa dataa voitaisiin hyödyntää reaaliaikaisesti päätöksenteossa ja prosessien optimoinnissa.
Opinnäytetyössä kehittämistehtävän tavoitteena oli toteuttaa Kaleva Median Oulun sanomalehti-painoon koneoppimismalli, joka tunnistaa prosessin poikkeavia toimintoja normaalista käyttäytymisestä. Malli hyödynsi tekoälyä analysoidakseen suuria määriä painoprosessista kertynyttä aikasarjadataa ja havaitakseen poikkeavuuksia, jotka voivat viitata tuleviin vikoihin. Tavoitteena oli myös parantaa painokoneen käytettävyyttä ja vähentää yllättävistä vioista johtuvia seisokkeja, mikä tehostaa tuotantoa. Näiden toimenpiteiden ansiosta tuotannon tehokkuus kasvaa ja kunnossapidon kustannukset pienenevät, sillä laitteiston ennakoimattomat korjaustarpeet vähenevät.
Työssä käytettiin reaaliaikaisia mittaustietoja ja analytiikkaa laitteiden kunnon arvioimiseksi ja vikaantumisen ennustamiseksi. Data-analytiikassa hyödynnettiin CRISP-mallia, joka on vakiintunut prosessimalli data-analytiikan projekteissa.
Keskeiset tulokset osoittivat, että ennustavan kunnossapidon malli mahdollistaa painokoneen huollon ennakoinnin ennen vakavia ongelmia. Tämä vähentää laitteiden seisokkeja ja parantaa kunnossapidon kustannustehokkuutta. Lisäksi malli auttoi löytämään piileviä vikoja, jotka eivät välttämättä näkyneet silmämääräisesti.
Koneoppimismallista oli selkeää hyötyä myös laadunvalvonnassa, joka paransi painolaadun hallintaa ja tuotannon tehokkuutta. Jatkossa mallia voitaisiin kehittää edelleen integroimalla se osaksi laajempaa tuotannonohjausjärjestelmää, jolloin sen analysoimaa dataa voitaisiin hyödyntää reaaliaikaisesti päätöksenteossa ja prosessien optimoinnissa.