Vesilaitokset ja puhdistamot optimoidaan analytiikalla
Dataa kertyy kunnossapidon valvontalaitteista ja automaatioprosesseista runsaasti, mutta sitä ei saada näytille tai sen käsittely on nykyisellään hankalaa. Tästä johtuen joudutaan usein turvautumaan yksinkertaisiin hälytysrajoihin ja datan tarkasteluun perusnäkymien kautta. Datan hyödyntäminen esimerkiksi kunnossapidon suunnittelussa tai prosessien optimoinnissa on silloin vaikeaa.
Keskitetyn tietovaraston puute ei ole ainoastaan vesilaitoksille ominaista vaan yleinen ongelma, joka estää datan laajempaa hyödyntämistä ja digitalisaatiota sekä analytiikkaratkaisujen käyttöönottoa. Markkinoilla ei ole saatavilla helppokäyttöisiä ja kaikille valmiiksi sopivia data- ja analytiikkatyökaluja, minkä takia asian edistäminen voi tuntua hankalalta tai valtavia kehityspanoksia vaativalta vaikkei näin tarvitse olla.
Nopeasti alkuun kehityskohteiden priorisoinnilla
Kehityksen aloittamista voidaan helpottaa kartoituksella, jolla tunnistetaan hyödyllisimmät mutta riittävän pienen kehitystyön vaatimat kohteet. Yritykset ovat eri vaiheissa datan hyödyntämisessä. Osa yrityksistä on vasta luomassa datastrategiaa. Toisilla strategiatyö on pitkällä ja seuraavana askeleena on kehityskohteiden priorisointi ja toteutus. Olemme auttaneet eri yrityksiä sekä kehityskohteiden tunnistamisessa että niiden toteutuksessa. Kehitysinvestointia voidaan perustella, kun nähdään sekä pitkän että lyhyen aikavälin liiketoiminta-arvo.
Edistynyt analytiikka ja ennustemallit optimoivat prosessit ja ehkäisevät vikatilanteita
Koneoppimismallit ovat kehittyneet merkittävästi viimeisen kymmenen vuoden aikana. Ne soveltuvat erinomaisesti ennakoivaan data-analytiikkaan eli siis ennustamaan tulevia tapahtumia menneisyydessä kerätyn datan perusteella. Tällaista mallia voidaan käyttää esimerkiksi prosessihäiriön tai laitevian ennustamiseen automaatiojärjestelmän datasta.
Ennusteen perusteella alkavaan vikatilanteeseen voidaan reagoida ennen ongelmien ilmaantumista. Käytännössä tämä mahdollistaa esimerkiksi kemikaalisyötön säätämisen ennen puhdistustuloksen heikentymistä tai pumpun pysäyttämisen ennen rikkoutumista ja mahdollista paineiskun syntymistä.
Ennustavaa mallia voidaan hyödyntää myös arvioitaessa miten erilaiset käyttäjän tekemät muutokset prosessissa vaikuttavat lopputulokseen. Jätevedenpuhdistamolla voitaisiin ennustaa puhdistustuloksen ohella myös energiankulutusta. Pidemmälle kehitetyn mallin avulla olisi mahdollista testata nopeasti valtava määrä erilaisia ajotapoja ja optimoida prosessin toimintaa esimerkiksi energiatehokkuuden tai kemikaalien syötön kannalta.
Mallinnuksella saadaan konkreettisia työkaluja ja toimenpide-ehdotuksia
Erilaisia mallinnuslähestymistapoja yhdistelemällä on mahdollista luoda työkalu, joka antaisi käyttäjälle listan vikatilanteiden välttämiseen ja prosessin optimointiin tähtäävistä toimenpide-ehdotuksista. Jätevedenpuhdistamojen lisäksi data-analytiikkatyökalu voisi valvoa myös pumppaamoita ja vedenpuhdistamoita.
Analytiikan tulokset voidaan integroida yrityksen käytössä oleviin työkaluihin, esim. Power BI:hin ja käyttää suunnittelun ja raportoinnin tukena. Analytiikan tulosten ja järjestelmäintegraatioiden pohjalta on mahdollista kehittää myös uusia sovelluksia ja näkymiä prosessiohjauksen, laadunvalvonnan tai raportoinnin käyttöön.
Koneoppimismallien ohella statistical process control (SPC) on laajasti käytössä valmistavassa teollisuudessa ja hyödynnetään mm. jatkuvassa parantamisessa ja laadunvalvonnassa. Asiantuntijoillamme on kokemusta myös SPC-sovellusten kehittämisestä teollisuusprosessin reaaliaikaiseen laadunvalvontaan.
Hyvät esitiedot ja datastrategia onnistuneen projektin lähtökohtana
Usein projektin alussa tunnistetaan datalähteet ja kartoitetaan mahdollisuudet niiden integroimiseksi keskitettyyn tietovarastoon. Kannattaa myös tunnistaa toiminnan muutostarpeet analytiikan hyödyntämisen tehostamiseksi.
Datastrategia auttaa määrittämään kehityksen tiekartan, jolla pilkotaan tekemistä järkeviin välietappeihin, joille on määritelty selkeä tavoite. Arvoa on hyvä pyrkiä ulosmittaamaan kehityksen edetessä jatkuvasti.
Järjestelmäkehityksessä on usein apuna toimittajia, mutta kokonaisjärjestelmän omistajuus pysyy laitoksella. Esimerkiksi data science- ja data engineering -osaamisen osto ulkopuolelta on usein hyvä idea, jos talon sisällä ei ole riittävästi erikoisosaamista.
