Data-analytiikan ja tekoälyn hyödyntäminen ennustavaan kunnossapitoon
Hakala, Janne (2021)
Hakala, Janne
2021
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-202102021845
https://urn.fi/URN:NBN:fi:amk-202102021845
Tiivistelmä
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.
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.