Koneoppiminen ja analytiikka - laadun ennustaminen teollisuudessa
Veracellin ydinosaamista on ymmärrys eri tyyppisistä datoista ja integraatioista. Meillä on pitkä kokemus reaaliaikajärjestelmistä ja niiden prosessoinnista sekä analytiikasta. Autamme asiakkaitamme luopumaan exceleistä ja toteuttamaan integratiivisen ja ohjelmistoavusteisen toiminnanohjauksen sekä siihen liittyvän automaation.
Tarjoamme teollisuuden käyttöön osaamisemme esimerkiksi datan käsittelyn, koneoppimismallien kehittämisen ja analytiikan alalta. Rakennamme datan päälle visualisointeja ottaen huomioon ohjelmistojen käyttäjät. Esimerkiksi tuotannon seurantaan rakennettu operatiivinen työpöytä näyttää reaaliajassa kerätyt prosessi- ja laatuparametrit, sekä hälyttää poikkeaminen ilmaantuessa.
Hyödynnämme palvelumuotoilun metodeja löytääksemme tärkeimmät kehityskohteet ja suurimmat ongelmat. Kun otetaan mukaan vielä liiketoiminnan tavoitteet, saadaan kehityksen resurssit suunnattua sinne mistä saadaan irti merkittävimmät tulokset. Hallitsemme tarvittaessa myös käyttöliittymien muotoilun ja visuaalisen suunnittelun.
Laadun ennustaminen ja seuranta (predictive quality monitoring)
Koneoppimisen käyttäminen laadun seurannassa on hyödyllistä tilanteissa, joissa laadun mittaaminen (esim. labrassa) kestää pitkään. Rakennamme koneoppimismallit laadun ennustamiseen prosessiparametrien perusteella. Ratkaisu vaatii toimiakseen laatu- ja prosesidatan integraation (MES-QMS) ja voimme integroida ennustetiedon osaksi tuotannon operatiivista näkymää.
Poikkeamien tunnistaminen ja juurisyyanalyysi (anomaly detection / root-cause analysis)
Tunnistetaan poikkeamia laatuparametreissä ja verrataan historiallisia tilanteita, missä vastaavia laatupoikkeamia on havaittu. Juurisyyanalyysin avulla laatupoikkeamia voidaan selittää muun muassa prosessiparametrien perusteella.
Edge-laskenta
Jos tuotantodataa ei haluta viedä pilveen, tarvitaan järjestelmiä, joissa tehdään laskentaa paikallisesti. Edge-laskentaa voidaan myös tarvita verkkoyhteyden epäluotettavuuden takia, koska verkkokatkojen ei haluta estävän palvelun toimivuutta. Edge-laskentaa käytettäessä on myös mahdollista varastoida ei-sensitiivistä dataa pilveen.
Monimuuttujamenetelmät poikkeamien tunnistamiseen
Perinteinen SPC (statistical process control, tilastollinen prosessinohjaus) voi lakata toimimasta tilanteissa, missä ongelmia selittää nippu muuttujia, eikä yksi muuttuja kerrallaan. Lisäksi yksittäisten muuttujien poikkeamat voivat olla pieniä, jolloin SPC ei tunnista poikkeamaa. Monimuuttujamenetelmillä voidaan tunnistaa tällaisia kompleksisempia poikkeamia. Multivariate-SPC voi toimia, mutta myös koneoppimisimalleja voidaan käyttää tässä apuna.
Reklamaatioiden juurisyyanalyysi tuotannon optimointiin
Tuotantoa voidaan optimoida myös tunnistamalla prosessisuureita, jotka selittävät asiakasreklamaatioita. Toisinaan monimuotoisessa asiakaskunnassa laatuvaatimukset ovat monimuotoiset; jotkut asiakkaat haluat parempaa laatua kuin toiset. Erilaisten laatuvaatimuksien tunnistaminen ja prosessin tai tuotannon optimointi asiakaskohtaisemmaksi voi joissakin tilanteissa olla kannattavaa.
Osaamista monenlaisella taustalla
Veracellilla on kokemusta laaja-alaisesti eri tyyppisistä laadunvalvonnan, ennusteiden kehittämisen ja visualisoinnin projekteista.
Laadunvalvontaa olemme toteuttaneet esimerkiksi tuotekehitysprojektissa, jossa kehitettiin sairaalakäyttöön sekvensointtinäytteitä automaattisesti valmistelevaa laitetta.
“Laitekehittäjien ja data scientistien yhteistyöllä syntyi reaaliaikainen ratkaisu, joka mittasi laitteen suorituskykyä ja eri parametrien vaikutusta laatuun. Sekvensointilaitteen tuottamaa dataa kerättiin automaattisesti ja se siirettiin AWS-pilvipalveluun käsiteltäväksi ja talletettavaksi tietokantaan. Projektissa kehitettiin lisäksi käyttöliittymä, jolla pystyttiin seuraamaan näytteiden laatua ja näytteiden valmistamisessa käytettyjä parametreja välittömästi ajojen valmistuttua.”
Toisena esimerkkinä toteutimme ennustemalleja matkapuhelinverkon tukiasemien komponenttien energiankulutuksesta, tunnistaen samalla korjaustarpeita sekä optimointimahdollisuuksia.
“Toteutus tehtiin käyttäen historiadataa sähkönkulutuksista, komponenttityypeistä ja verkon kuormituksista. Tähän liittyi esimerkiksi uusiutuvien energianlähteiden tuotantolaitosten tuotannonennustaminen säätietojen perusteella. Valvonta toteutettiin aikasarjamenetelmillä ottaen huomioon ulkopuolisia tekijöitä. Komponenttien tilat voitiin visualisoida ja operaattorille luotiin hälytykset mahdollisista anomalioista.”
