Tekoälyn manipulointi ja turvallisuus – kenen pitäisi olla kiinnostunut?

Tekoäly tukee liiketoimintaa tuomalla päätöksiin tietoa ja mahdollistamalla ennakoinnin. Tekoälyyn liittyy myös riskejä: muiden tietoteknisten järjestelmien lailla se on otollinen kohde mahdollisille hyökkäyksille. Sitä voidaan johtaa harhaan tai sen kautta voidaan urkkia yrityksen tietoja. Liiketoiminta saa parhaan hyödyn tekoälystä, kun toteuttajien lisäksi myös yrityksen ylin johto ja hallitus ymmärtävät tekoälyn mahdollisuuksien ja uhkien tasapainon.

Tekoälyn mahdollisuudet ovat kiinnostaneet minua kauan, alkaen opinnoista joskus viime vuosituhannella aina tämän päivän hallitusrooliini Houston Analyticsilla. Tekoälyn soveltamisessa näen tapahtuvan vastaavan
kehityksen kuin muissakin liiketoimintaa radikaalisti muovaavissa innovaatiossa: sen rooli muuttuu erillisestä teknologiasta kiinteäksi osaksi varsinaista liiketoimintaa. Muutoksen voimaan vaikuttaa onnistunut ajoitus.

Usein yritykset aloittavat kuitenkin tekoälyn käyttämisen irrallisista kokeiluista ilman kytkentää liiketoimintaan tai todellista muutostavoitetta. Osaamisen hankkiminen koetaan haasteeksi, ja jos sitä löytyy, osaajat saattavat jäädä omaksi saarekkeekseen organisaation sisälle vailla todellista mahdollisuutta saada aikaan näkyvää muutosta.
Nämä ovat mielestäni tekoälyn kasvukipuja päättäjien yrittäessä hahmottaa sen todellisia mahdollisuuksia yrityksen älykkyyttä lisäävänä voimana.

Tekoälyn rooli täytyy hahmottaa myös strategisella tasolla, jotta kehitys saadaan suunnattua oikein. Kyse on laajamittaisesta muutoksesta yritysten tapaan toimia ja hyödyntää tietovarantojaan. Laajat muutokset eivät onnistu asiaan perehtyneiden yksilöiden tai yksittäisten organisaation osien voimilla ilman ylimmän johdon sitoutumista sekä yhteistä ymmärrystä tavoitellusta suunnasta.

Tekoälyä tutkitaan ja se on teemana myös monien innovaatiohankkeiden kohteena. Esimerkiksi Airbusin vetämä ITEA-hanke Cyberfactory#1 tutkii tekoälyn mahdollisuuksia ja uhkia tulevaisuuden tehdasympäristöissä. Projektin viimeisimmän webinaarin teemana oli tekoälyn manipulointi uhkana. Linkki webinaaritallenteeseen on artikkelin lopussa.

Tekoäly muuttaa päätöksentekoa
Tekoäly näkyy jo yritysten monissa toimintaa ohjaavissa päivittäisissä prosesseissa. Se muuttaa päätöksentekoa radikaalilla tavalla: mallien tekemät luokittelut itseasiassa ovat päätöksiä, jolloin kontrolli on tekoälyllä. Päätökset nopeutuvat, ja niiden laatukin tasaantuu. Tämä luo uuden kohteen mahdollisille hyökkääjille, jotka etsivät tapoja vaikuttaa päätöksiin.

Tekoäly mahdollistaa passiivisten tietovarantojen hyödyntämisen kokonaan uudella tavalla. Datasta voidaan luoda tietämystä opettamalla tekoälymalli sen avulla. Näin dataan sisältyvät ominaisuudet tulevat organisaation käyttöön ja opittu tieto lisää tehokkuutta tai ennakointikykyä.

Tekoäly kohtaa useissa yrityksissä myös asiakkaat ensimmäisenä. Se luo asiakkaalle mielikuvan yrityksen kyvystä vastata asiakkaan tarpeisiin. Siksi sen kyky hoitaa roolinsa on yhtä kriittinen kuin perinteisen asiakaspalvelun. Tekoäly on siis strateginen elementti, joka vaikuttaa läpi yrityksen eri prosessien. Vaikka tekoäly ei vastaa kaikista päätöksistä, sen luokittelut ja ennusteet ohjaavat useita kriittisiä prosesseja, jotka taas vaikuttavat yrityksen toimintaan laajasti.

Neljä erilaista tapaa häiritä AI-ratkaisua.

Tekoälyratkaisun heikot kohdat ovat rajapinnoissa
Tekoälyratkaisu on osa yrityksen normaalia infrastruktuuria. Kuten muidenkin integroitujen tietoteknisten ratkaisujen osalta, sen turvallisuutta arvioitaessa on syytä tunnistaa kohdat, joissa siihen voidaan vaikuttaa ulkoisesti. Erityisen kiinnostavan vaikuttamisen kohteen tekoälyratkaisusta tekee sen merkittävä rooli päätöksentekoprosessien osana.

Tekoälyratkaisu elää saamastaan datasyötteestä. Data ja sen lähteet muodostavat luonnollisen haavoittuvuuden, jossa hyökkääjä voi yrittää vaikuttaa prosessin toimintaan. Kaikkea vaikuttamista ei voida ennalta estää, siksi tarvitaan myös aktiivisia keinoja prosessin toimiessa. Hyökkäysmalleja on neljä pääryhmää: myrkytys, väliintulo, uuttaminen ja hämäys.

Mallin myrkyttäminen johtaa väärään oppimiseen. Hyökkääjä tuntee tällöin opetusdatan lähteet ja voi saastuttaa sen vääristetyllä aineistolla. Tavoitteena on muuttaa mallia oppimisvaiheessa. Sen avulla hyökkääjä pyrkii muuttamaan mallin ohjaamaa prosessia välillisesti. Mallin kehittäjän on hahmotettava datan puhtaus ja luotettavuus: mistä data muodostuu ja mitkä tekijät ovat voineet vaikuttaa sen sisältöön. Puhtauden kannalta on olennaista ymmärtää, miltä manipuloimaton data näyttää ja mikä on sallittu vaihteluväli sen arvoissa.

Väliintulo mahdollistaa yrityksen tietojen paljastamisen. Kun malli opetetaan sisäisen ja julkisen datan yhdistelmällä, hyökkääjä voi käyttää omaa luokittelijaa julkiseen dataan ja siten päätellä yrityksen sisäisen datan ominaispiirteitä. Tämän mahdollistaa sisäisen ja ulkoisen datan tilastollinen korrelaatio. Usein ulkoista dataa on myös enemmän käytössä, mikä vain vahvistaa korrelaatiota ja parantaa näkyvyyttä sisäiseen dataan. Väliintulohyökkäystä voidaan vaikeuttaa minimoimalla julkisen datan käyttöä sekä rikkomalla tilastollista korrelaatiota aineistojen välillä.

Uuttaminen tuottaa tietoa käytetystä mallista. Siinä hyökkääjän tavoitteena on ymmärtää mallin toiminta ja sen avulla joko luoda mallista kopio omaan käyttöön tai koostaa näkymä alkuperäiseen malliin käytetystä opetusdatasta. Mallin kopio antaa hyökkääjälle näkymän yrityksen liiketoimintamalliin tai toimintaan, joka on mallin ohjauksessa.
Hyökkäykset tapahtuvat avoimiksi jääneiden rajapintojen kautta. Käyttöoikeuksia ja rajapintojen käyttöä kannattaa seurata, jotta mahdolliset poikkeamat havaitaan ajoissa.

Hämäyshyökkäys puolestaan aiheuttaa harhoja tekoälymallille. Mallia hämätään syötteellä, johon on lisätty luokittelun epäonnistumisen aiheuttavia piirteitä. Tämä on mahdollista, kun malli on vuorovaikutuksessa ulkoisen syötteen kanssa. Lisätyt piirteet voivat olla ihmiselle mahdottomia havaita, esimerkiksi taustalle lisätyt korkeataajuiset äänet tai kuvassa mallia hämäävät lisäkuviot. Suojautuminen edellyttää syötteen ominaisuuksien ja normaalien vaihteluvälien tuntemista. Myös mallin reagointi äärisyötteisiin on syytä hahmottaa. Syötettä voidaan myös esikäsitellä toisella poikkeavuudet tunnistavalla mallilla.

AI:n omaksumisasteita organisaatioissa.

Älykkäämpien yritysten rakentaminen jatkuu
Tietoisuus tekoälyn strategisesta merkityksestä on vähitellen nousemassa yrityksissä. Tosin tässä siirtymävaiheessa edelleen kuulee kommentteja, että tekoäly on vain yksi teknologia muiden joukossa. Se toki pitää paikkansa, tekoäly on teknologia. Sillä on kuitenkin erityinen piirre: kyky muuntaa yrityksen tietovarannot toimintaa ohjaavaksi osaamiseksi ja jatkuvan oppimisen kautta tuottaa kumulatiivista hyötyä. Eristettynä varsinaisesta toiminnasta ja prosesseista tekoäly voi jäädä sarjaksi kokeiluja ja yksittäiseksi tekniseksi tavaksi toteuttaa perinteisiä prosessin vaiheita. Oikein hyödynnettynä se taas tuottaa kumulatiivista hyötyä, joka on strateginen tekijä yritykselle.

Ajatus tekoälystä osana strategiaa sai minut yhdessä kollegani Colin Shearerin kanssa aloittamaan artikkelien sarjan, jonka päämääränä on koostaa aiheesta kirja. Etenemistämme ja uusia artikkeleitamme aiheesta voi seurata LinkedIn-ryhmässä: ” Building Smarter Businesses: Guidance for company leaders on adopting and succeeding with AI”.

Tavoitteenamme on avata tekoälyn strategista roolia yritysten johdon näkökulmasta ja tuoda esille tekoälyn mahdollisuuksia ja haasteita, kun yrityksistä tahdotaan tehdä entistä älykkäämpiä.

Lisää aiheesta:
Building Smarter Businesses: Guidance for company leaders on adopting and succeeding with AI
https://www.linkedin.com/groups/9050394/
Resilience Capabilities for the Factory of the Future
https://www.cyberfactory-1.org/blog/webinar-resilience-capabilities/

Tekoäly ja tietoturva

Tekoäly yleistyy ja samalla arkipäiväistyy teollisuudessa ja kuluttajasovelluksissa. Yleensä tekoälyllä tarkoitetaan datasta oppivia tai datan avulla opetettavia keinotekoisia neuroverkkoja. Puhutaan myös syväoppimisesta tai yleisemmin koneoppimisesta.
Koneoppiminen soveltuu erityisen hyvin asioiden tunnistamiseen signaaleista ja ennustamiseen. Tuttuja esimerkkejä ovat kasvojen tunnistus, konenäköön pohjaava kaistavahti autossa tai prosessiteollisuuden ohjauksen optimointi.

Koneoppiminen nojaa dataan. Dataa tarvitaan mallin opettamiseen käyttöönottovaiheessa ja tuotantokäyttö perustuu reaaliaikaisen datan hyödyntämiseen. Ei siis ihme, että tekoälyä on ensin hyödynnetty aloilla, joissa dataa on helpoiten saatavissa: finanssi- ja vakuutusaloilla, verkkokaupassa, telekommunikaatiossa sekä some- ja mediabisneksessä.

Kun tekoälyä halutaan hyödyntää teollisuudessa ja automaatiossa, datainfran on oltava kunnossa. Usein ensimmäinen vaihe laajamittaisen tekoälyn hyödyntämisessä onkin data engineering, eli datan saatavuuden ja laadun saaminen kuntoon. Näin päästään hyötymään koneoppimisen tuomasta tuottavuusparannuksesta ja jopa uusista liiketoimintamalleista.

Vaikka tekoälystä puhutaan usein erillisenä murroksellisena teknologiana, on kuitenkin hedelmällisempää ajatella se osana laajempaa digitalisaation trendiä. Samalla on syytä huomata digitalisaation vaikutukset yritysten liiketoimintaan ja jopa liiketoimintamalleihin.

Digitalisaatio ja sen mahdollistama alusta- ja datatalous ovat jo muokanneet monta sektoria uuteen asentoon. Digitalisaatioon liittyy valitettavasti aina myös kyberuhkia. Kun teollisuudessa on otettu käyttöön laajasti IoT-laitteita ja monet prosessit ovat tavalla tai toisella kiinni verkossa, hyökkääjien mahdollisuudet, ja siis uhat, ovat kasvaneet.

Kyber-hyökkäykset voivat kohdistua tekoälysovelluksiin monella tavalla, mutta hyökkäyksille voidaan tunnistaa kaksi erilaista tavoitetta: yhtäältä koneoppivan järjestelmän manipulointi niin, että se tuottaa vääriä tuloksia ja toisaalta järjestelmän käyttämän datan hankkiminen hyökkääjän käyttöön. Manipuloinnin tarkoitus voi olla sabotaasi, kiristys tai luottamuksen rapauttaminen. Datan varastamisessa tavoite voi olla vakoilu, kiristys tai mainehaitan aiheuttaminen.

Yrityksen tulee varautua näihin uhkiin.Onneksi hyvät tietoturvakäytännöt ja valppaus suojaavat myös tässä tapauksessa digitaalisia järjestelmiä kohtuullisen hyvin.

Heikki Ailisto on VTT:n FCAI-toiminnasta vastaava tutkimusprofessori.

Automaatiovaylä 4/2021 on ilmestynyt

Lehdessä juttuja muun muassa seuraavista aiheista:

Tekoälyn turvallisuus
Tekoäly mukana vallankumouksessa
Tekoäly mukana arjessa
Liiketoiminta vaatii tietoturvaa
Työhyvinvointi ja tekoäly
Robottien etähallintatyökalut
Energiajärjestelmien dynaaminen simulointi
Simulointimalli ydinvoimalassa
Vaikuttaja: Teemu Pajala
Kiinteistöautomaatio alustataloutena
Robottihaasteen satoa
Turvallisuusjaos esittäytyy
Kirja-arvostelu

Nykyisen käytännön mukaisesti lehden verkkoversio löytyy paperilehdessä olevasta QR-koodista.
Näille kotisivuille linkki verkkolehteen tulee seuraavan lehden ilmestymisen aikoihin.

Verkkolehtiin pääsee myös etusivulta klikkaamalla lehden etusivun yläosan palkkia.

Automaatioväylä 3/2021 on ilmestynyt

Lehdessä juttuja muun muassa seuraavista aiheista:

Kansainvälinen prosessiturbo
Digitaalinen malli on askel kohti AR:ää
Robotit ja konenäkö apuna elektrolyysiprosessissa
Kiertotalous kukoistaa Jyväskylässä
Energiajaos esittäytyy
Simuloinnilla merkittäviä säästöjä
Teollinen työ muuttuu
Kohti tiedolla johtamista
Projektityö tutuksi
Robottien etähallinta
Vaikuttaja Hans Aalto

Nykyisen käytännön mukaisesti lehden verkkoversio löytyy paperilehdessä olevasta QR-koodista.
Näille kotisivuille linkki verkkolehteen tulee seuraavan lehden ilmestymisen aikoihin.

Verkkolehtiin pääsee myös etusivulta klikkaamalla lehden etusivun yläosan palkkia.

Simuloinnilla on mahdollista saavuttaa merkittäviä säästöjä

TEKSTI: MIKA NIINIRANTA KUVA: ABB

Ilmastonmuutos vaatii teollisuudelta panostusta energiatehokkuuteen. ABB:n ja Semantumin hankkeessa lymyää iso säästöpotentiaali niin energiatehokkuudessa kuin rahassakin mitaten.
Innovaatioilla on nyt kysyntää teollisuuden prosessien tehostamisessa. Globaali teknologiayritys ABB ja kotimainen simulaatioihin erikoistunut ohjelmistotalo Semantum lähestyivät asiaa uudesta kulmasta Metsä Boardin Simpeleen kartonkitehtaalla. Ennestäänkin kilpailukykyisen tehtaan pumppausprosessista löytyi potentiaalia yli 30 prosentin säästöihin energiankulutuksessa.
Semantum ja ABB kehittivät yhdessä menetelmän laitevalintojen tekemiseksi elinkaarikustannusten kannalta optimaalisella tavalla. Dynaaminen prosessisimulointi tehtiin pilvessä, ja laitevalinnat pumppu-, moottori- ja taajuusmuuttajatuotteille tuotettiin yhteissimulaatiolla erilaisia käyttöskenaarioita vertaillen.
”Dynaamista prosessisimulointia on käytetty jo ainakin 40 vuotta, mutta uusi asia tässä on se, että mallinsimme koko toiminta-alueen ja pystyimme yhteissimuloinnilla tarkastelemaan eri laitteiden valinnat samanaikaisesti. Näin prosessi pystyttiin optimoimaan kokonaisuutena”, kertoo ohjelmistotalo Semantumin hallituksen puheenjohtaja Tommi Karhela.
Mitoitus kerralla kuntoon
Semantumin ja ABB:n hankkeessa on keskitytty nesteiden pumppauksen mallintamiseen teollisessa prosessissa. Collaborative Digital Twin -menetelmällä voidaan suunnitella ja mitoittaa järjestelmiä yhdessä kaikkien laitetoimittajien kanssa.
”Lähdimme Semantumin kanssa haastamaan perinteistä mallia, jossa kaikki laitteet mitoitetaan erikseen. Vertailemalla prosessin dynaamisia simulaatioita saamme systeemistä pois ylimääräiset riskimarginaalit”, kertoo projektipäällikkö Antti Lukkari ABB:ltä.
”Simulointi on ennen kaikkea päätöksenteon työkalu. Tarve paremmalle päätöksenteolle kasvaa, ja dynaaminen simulaatio on nopea sekä kustannustehokas menetelmä tuottaa tietoa hankintapäätösten pohjaksi. Digital Twin on eräänlainen tehokas loppuhionta, jossa optimoidaan prosessista viimeisetkin löysät pois. Se voisi hyvin olla osa jokaista päätöksentekoprosessia”, Karhela lisää.
Mittavin potentiaali pumpuissa
Teollisuusalan ehkäpä suurin säästöpotentiaali piilee vanhentuneissa ja ylimitoitetuissa teollisen pumppaamisen laitteissa. Motivan arvioon perustuvan laskelman mukaan potentiaalia on peräti 160 miljardin euron ja 550 hiilidioksidigigatonnin säästöihin vuosittain.
Modernien laitteiden energiatehokkuudessa ja elinkaarikustannuksissa päästään jopa kymmenien prosenttien säästöihin. ABB:n ja Semantumin yhdessä kehittämä, moderni simulaatiopohjainen lähestymistapa mahdollistaa laitoksen kokonaisoptimoinnin järkevällä tavalla.
Hillitsevä ilmastovaikutus
ABB:n ja Semantumin kehittämälle uudelle yhteissimulaatiomallille on globaalit markkinat. Motiva arvioi tuoreessa tutkimuksessaan, että teollisuusalan pumppausjärjestelmät muodostavat peräti 20 prosentin osuuden koko maailman sähkönkäytöstä. Motivan arvioissa näissä järjestelmissä piilee jopa 30 prosentin tehostamispotentiaali.
Rahaksi ja hiilidioksidiksi muunnettuna kyseisessä Motivan arviossa mainitut prosenttimäärät tarkoittavat huikeaa 160 miljardia euroa ja 550 gigatonnia maailmanlaajuisesti. Laskelman määrät vastaavat Suomen valtion budjettia 2,5 vuoden ajalta ja 45 000-kertaisesti koko Suomen kotimaanliikenteen vuosipäästöjä.
Teollisuusalalla vanhentuneiden laitteiden uusiminen voisi vähentää maailman hiilidioksidipäästöjä jopa 1,5 prosenttia. Tavoitteen saavuttamisessa ja kohteiden priorisoinnissa dynaaminen simulaatio on tehokas apukeino.
Vähäpäästöisyydellä voittaa
Yksittäisen teollisuuslaitoksen näkökulmasta kilpailukyvyn kohentaminen energiatehokkuutta parantamalla ja hiilijalanjälkeä pienentämällä on merkittävä asia, sillä tänä päivänä teollisuusalan ostajat kiinnittävät alihankkijoidensa hiilipäästöihin jatkuvasti enemmän huomiota. Myös sijoittajat ovat aktivoituneet asian suhteen, ja sen vuoksi sellaiset teollisuusyritykset, joilla on parhaat strategiat hiilidioksidin vähentämiseen löytävät pääomaa markkinoilta muita toimijoita helpommin ja edullisempaan hintaan.
Lisäksi dynaamisesta simulaatiosta saadaan kestävä, elinkaarikustannukset huomioiva työkalu yrityksen laitehankinnoista vastaavien päättäjien käyttöön.
”Digital Twin on skaalautuva ja yrityksille suhteellisen vaivaton tapa optimoida hankinnat”, toteaa Lukkari.
Yhteinen kehityshanke antaa jalansijaa maailmanmarkkinoille. ABB voi tarjota simulaatiota omalle asiakaskunnalleen osana kokonaispalvelua, ja Semantum pystyy toteuttamaan simulaatioon vaadittavat ohjelmat sekä asiantuntijapalvelut. Digital Twin soveltuu esimerkiksi energiateollisuuden, kemianlaitosten, paperi- ja sellutehtaiden, ja metallinjalostuslaitosten käyttöön.
Metsä Boardin Simpeleen kartonkitehtaan pilotti on nyt vaiheessa, jossa laitehankintapäätökset on tehty ja simulaation tulosten toteutumista voidaan alkaa seurata aidossa prosessissa. 

Kiertotalous kukoistaa Jyväskylässä

Jätteiden käsittelyä Mustankorkean biojätesiilossa.

TEKSTI: SAGA WIKLUND KUVAT: MIKA SÄRKIJÄRVI, MEDITA

Jyväskylässä sijaitseva jätehuoltoyhtiö Mustankorkea jalostaa jätteistä biokaasua ja multatuotteita. Prosessi vaatii tarkat hygienisointilämpötilat, laadukkaan automaatio-ohjelmiston ja kestävän laitteiston. Automaatiojärjestelmän toimivuudesta vastaa YSP Oy.
Mustankorkea myi viime vuonna jo noin 69 500 tonnia Omapiha-multatuotteita asiakkailleen, mikä oli kaikkien aikojen ennätys. Yhtiön tuottamaa biokaasua jaellaan kahdella asemalla; biokaasua hyödyntää osa jäteautoista, neljä kaupungin bussia ja joukko yksityisiä autoilijoita.
Jotta jätteistä saadaan jalostettua tuotteita, tarvitaan paljon osaamista ja sopivat laitteistot.  tunnelikompostointilaitoksen oikeanlaisen automaatiojärjestelmän valinta vaati ja sen huolto vaatii erityistä tietotaitoa, jota tarjoaa Mustankorkean pitkäaikainen yhteistyökumppani YSP Oy.
YSP:n asiantuntemukseen pohjautuen Mustankorkealle valittiin Siemensin toimittama edistyksellinen ja skaalautuva avoimen arkkitehtuurin WinCC OA -valvomo, sama järjestelmä, jota hyödyntää esimerkiksi New Yorkin metro sekä Euroopan hiukkasfysiikan tutkimuslaitoksen Cernin LHC-hiukkaskiihdytin.
Yhteistyötä jo yli 20 vuotta
Dynniq Finlandiin kuuluva YSP Oy on jo pitkään toiminut Mustankorkean kumppanina huolehtien automaatiojärjestelmästä, sen huollosta ja toimivuudesta. Yhteistyö on kehittynyt hyväksi ja luottamukselliseksi, ja sama henkilö, YSP:n senior designer Timo Miettinen, on vastannut asiakkuudesta jo parikymmentä vuotta.
”YSP vastaa siitä, että automaatiojärjestelmä toimii suunnitellusti ja tarkoituksenmukaisesti, ja ensimerkiksi anturihäiriöistä otamme yhteyttä Timo Miettiseen”, kertoo Mustankorkean ympäristö- ja kehityspäällikkö Kai Sormunen.
”Meillä on huoltosopimus kompostointilaitoksen osalta, ja YSP on valmiudessa huoltamaan ja ylläpitämään järjestelmiä”, Timo Miettinen vahvistaa.
Jos prosessia täytyy muuttaa esimerkiksi uuden jätejakeen käsittelyn vuoksi, YSP tekee muutokset laitoksen automatiikkaan.

YSP:n senior designer Timo Miettinen Mustankorkean valvomossa.

Biokaasulaitos valmistui joulukuussa
Mustankorkean alueella toimii kompostointilaitoksen lisäksi biokaasulaitos ja kaatopaikkakaasujen keräyslaitos. Biokaasulaitoksen kaasua myydään tankkausasemilla ja kaatopaikkakaasua hyödynnetään läheisen asuinalueen Keltinmäen voimalaitoksessa.
Mustankorkean biokaasulaitos valmistui joulukuussa 2020.
”Biokaasulaitoksesta syntyvä mädätysjäännös kulkee kompostoinnin läpi, ja valmiista biokompostista voidaan sekoittaa multatuotteita”, kuvaa Mustankorkean ympäristö- ja kehityspäällikkö Kai Sormunen.
Biokaasu jalostetaan liikennepolttoaineeksi, ja Mustankorkea myy sitä kahdella jukisella tankkausasemalla, joista toinen on jätekeskusalueella.
”Yhdeksän jäteautoa, neljä paikallisliikenteen bussia ja jotkut taksit käyttävät myös biokaasua polttoaineena. Etenkin jäteautot ja bussit ovat meille isoja asiakkaita. Kaasun myyntikin on kehittynyt paremmin kuin odotimme”, Sormunen kertoo.
Kompostointilaitos tuottaa mullan raaka-aineita
Kompostointilaitos koostuu kahdesta tunneliryhmästä. Lietepuoli on kolmen tunnelin ryhmä, jonka loppupäässä on ammoniakin puhdistusta varten rikkihappopesuri. Tässä ryhmässä käsitellään pääasiassa Jyväskylän alueen jätevedenpuhdistamolta Nenäinniemestä tuleva yhdyskuntaliete.
Toisessa, neljän tunnelin ryhmässä käsitellään biokaasulaitoksen mädätysjäännöstä sekä osa biojätteistä.
”Biokaasulaitoksen mädätysjäännös pumpataan kompostointilaitoksen separointitilaan, jossa siihen lisätään polymeeria, jotta massa saadaan jäykemmäksi, ja sen jälkeen se puristetaan ruuvipuristimella kuivemmaksi ja kompostoidaan biotunneleissa. Ensin massa on viikon ensimmäisessä tunnelissa, sitten se käännetään ja siirretään toiseen tunneliin viikoksi. Hygienisointiaika on kymmenen vuorokautta 55 asteen lämpötilassa, joista kaksi vuorokautta 60 asteessa”, Miettinen kuvaa.
Lietepuolen kompostoitavalle materiaalille riittää 48 tuntia 55 asteessa ja yhden viikon kompostointi. Lopuksi kummaltakin puolelta  tuleva massa viedään jälkikypsytyshalliin laatoille, ja vasta tämän jälkeen materiaali viedään ulos aumaan.
”Aumaan vietäessä materiaali on siis jo hygienisoitua, mutta ei vielä kypsää mullan valmistukseen. Myöhemmin mullanvalmistusvaiheessa sitä sekoitetaan maa-aineksiin, hiekkaan ja kalkkiin, eli siitä voidaan tehdä multatuotteita”, Miettinen kertoo.
Jätteenkäsittelyn ja biokaasun tuotannon hajuhaitat Mustankorkean ympäristössä ovat vähentyneet, sillä prosessi tapahtuu suljetussa tilassa. Aumakompostien tavalliset vieraat, kuten lokit ja rotat, pysyvät myös poissa.

Mustankorkean hygienisointiseurantanäyttö.

Tarkka lämpötilaseuranta on tarpeen
Tuotantoprosessia mitataan ja seurataan tarkasti, ja Ruokavirastolle sekä ympäristöviranomaisille täytyy toimittaa vuosittain seurantaraportit. Kompostointiprosessia voi pitää teollisena prosessina, jossa mitattavia suureita ovat lämpötila ja happi. Periaate on yksinkertainen, mutta vaatii tiettyjä asioita.
”Kompostointiprosessissa puhalletaan ilmaa kompostimassan läpi ja pidetään pöpöt tyytyväisinä. Kun on sopivasti happea ja ravinteita, niin massa kompostoituu. Mitattavista suureista happi on määräävämpi: jos happi loppuu ja pöpöt kuolevat, lopputulos ei ole hyvä”, Miettinen kertoo.
Prosessi tuottaa lämpöä, eikä lisälämpöä yleensä tarvita.
”Jos ei ole häiriöitä ja sähköä tulee valtakunnanverkosta, niin lisälämpöä tuottavaa kattilaa ei tarvitse käyttää. Päinvastoin, prosessista saataisiin lämpöä muuallekin jaettavaksi, jos kohteita olisi järkevän etäisyyden päässä”, Miettinen kuvaa.
Materiaalitkin kehittelyn tulosta
Jätteenkäsittelylaitoksessa ympäristö on laitteistolle raaka, ja laite- ja materiaalivalinnat ovat Miettisen mukaan monen vuoden kehittelyn ja etsimisen tulosta.
”Keramiikka ja haponkestävä teräs ovat kestäviä materiaaleja. Tuotantotiloissa esimerkiksi kaapelihylly voi olla alumiinia, jota oksidikerros suojaa, mutta pitoisuudet ovat sellaisia, että teräshylly ei kestä.”
Mustankorkea kehittää jatkuvasti multatuotteitaan paremmin asiakkaiden toiveita vastaavaksi. Ravinteita pyritään myös saamaan entistä paremmin hyötykäyttöön, muun muassa biokaasulaitokselta tulevien nesteiden käyttöä selvitellään Kai Sormusen mukaan parhaillaan.
Mustankorkea on sitoutunut noudattamaan ISO 9001 -laatujärjestelmän ja ISO 14 001 -ympäristöjärjestelmän standardeja.
Toiminta itsessään on hyvä esimerkki kotimaisesta cleantech-osaamisesta, jolle voi ilmastonmuutoksen myötä ennustaa jatkossa yhä enemmän kansainvälistäkin kysyntää.

**

WinCC OA tarjoaa laajat käyttömahdollisuudet

Siemensin WinCC OA on avoimen arkkitehtuurin valvomoohjelmistoalusta, jonka hyödyntämismahdollisuudet ovat laajat prosessiautomaatiosta liikenteenohjaukseen. Lead Designer Paavo Pihlajamäki Dynniq-konserniin kuuluvasta YSP:stä vastasi alustaa koskeviin kysymyksiin.

Mikä on WinCC OA?
”Kyseessä on valvomo-ohjelmistoalusta, jolle automaatiojärjestelmä voidaan tehdä. Kenttätasolla toimivat päälogiikat, jotka ohjaavat prosessia. Niihin liitetään havainnollinen käyttöliittymä, joka tarjoaa käyttäjälle reaaliaikaista tilannekuvaa ja mahdollisuuden ohjata valittuja toimintoja.”

Mitkä ovat tämän ohjelmistoalustan hyödyt?
”Mukautuvuus ja avoin ohjelmointiympäristö (OA=open architecture). WinCC OA on helppo liittää muihin moderneihin järjestelmiin, ja omien työkalujen kehittely on mahdollista. Tapahtumapohjainen ohjelmaydin on erittäin tehokas, ja ohjelmisto skaalautuu helposti pienestä suureen järjestelmään. Kuuluisin Win-CC OA:n referenssi on varmasti Euroopan hiukkasfysiikan tutkimuslaitos Cern – se käyttää WinCC OA:ta. Alustalla voi siis ohjata huipputeknologiaa.”

YSP on kehittänyt Suomessa laajasti alustaa – miten?
”Olemme rakentaneet WinCC OA -kehitysympäristöt Azuren palveluiden päälle, mikä mahdollistaa ennakkotestauksen ja automaattiset julkaisuputket. Tuotteemme työkalut, laajat modulikirjastot ja saumaton versionhallintaintegraatio mahdollistavat usean kehittäjän yhtä aikaa tapahtuvan käytön. Tuotteemme sisäinen arkkitehtuuri puolestaan toteuttaa dynaamisesti objektipohjaista ja datavetoista arkkitehtuuria, jolloin uusien laitteiden ja ominaisuuksien tuottaminen on nopeaa ja vaivatonta.”

Minne YSP on tehnyt WinCC OA -kohteita?
”Meidän suurimpia kohteitamme ovat Kehä 1:n tieliikennetunnelit, joissa on muuttuvia nopeusrajoituksia, kaistanohjausta, häiriönhavaintojärjestelmiä ja tunnelin LVIS-tekniikkaa. Näitä ohjataan muuttuvilla kaistanohjaussekvensseillä. Laitteita on noin 1 000 per tunneli. WinCC OA on käytössä myös uudessa Keilaniemen tunnelissa, ja parhaillaan valmistellaan hanketta betoniteollisuuden tarpeisiin.”

Voiko alustaa testata etänä?
”Kyllä. Pystymme testaamaan toimistolla 80 prosenttia töistä, kentälle jää vain sähköisten kytkentöjen testaus. Kenttälaitteita simuloidaan etänä ohjausjärjestelmän puolelta. Tämä oli merkittävä etu esimerkiksi Mestarintunnelissa, jossa kulkee 80 000 ajoneuvoa vuorokaudessa. Päiväaikaan testejä ei pääse tekemään, ja yötöitä on päästy vähentämään ennakko- ja etätestauksella.”

YSP Oy on älykkään liikenteen ja prosessiteollisuuden automaatiojärjestelmien asiantuntijayritys.

Robotit ja konenäkö apuna elektrolyysiprosessissa

TEKSTI: THOMAS FREUNDLICH KUVA: PÄIVI KARJALAINEN

Bolidenin Kokkolan tehdas automatisoi sinkin valmistusta Algol Technicsin ja ABB:n ratkaisuilla.

Suomen länsirannikolla sijaitseva Boliden Kokkola on Euroopan toiseksi suurin sinkkitehdas. Tehtaan valikoimassa on noin 40 erilaista sinkkituotetta, joista osa on puhdasta sinkkiä ja osa puolestaan eri asiakkaiden tarpeisiin räätälöityjä seostuotteita. Tehtaalla tuotettua sinkkiä käytetään esimerkiksi autoihin, siltoihin, paristoihin, valopylväisiin ja rakentamiseen. Kokkolan tehdas edustaa sekä päästöjen pienuuden että energiatehokkuuden näkökulmasta alansa huippuluokkaa maailmassa.
Sinkkituotteiden valmistuksessa käytetään elektrolyysiprosessia, jossa elektrolyyttialtaisiin upotetut elektrodit saostavat sähkövirralla sinkkiä elektrolyyttiliuoksesta alumiinikatodin pinnalle. Prosessin aikana lyijystä valmistetut anodilevyt saostavat pinnalleen epäpuhtauksia elektrolyytistä ja kuluvat hieman, minkä vuoksi anodilevyt pitää puhdistaa ja niiden kunto tarkistaa säännöllisesti. Boliden Kokkolan AK2- tuotantolinjalla aiemmin osin käsityönä tehty prosessi on nyt pystytty automatisoimaan robottien sekä edistyksellisen 3D-konenäkösovelluksen avulla.
Elektrolyysin kuljetusjärjestelmällä tuodaan linjalle tyypillisesti 630 tai 720 anodia kerrallaan kunnostettavaksi. Anodit siirretään 45 kappaleen ryhminä. Robottien ja konenäköjärjestelmän avulla anodilevyt puhdistetaan, tarkastetaan ja huolletaan. Konenäkö tutkii usealla kameralla levyjen kunnon, ja niiden kuluneisuudesta riippuen palauttaa levyn prosessiin, lähettää sen kunnostettavaksi tai vaihtaa tilalle uuden levyn. Anodilevyjen kunnon lisäksi järjestelmä tarkastaa levyjen välissä olevat eristekappaleet ja tarvittaessa vaihtaa ne automaattisesti. Ennen konenäköasemaa kaikki levyt pestään sekä oikaistaan mekaanisella puristimella.

Turvallisuutta ja luotettavuutta
Järjestelmän toteutuksesta vastaava Algol on aiemmin toimittanut Bolidenin Kokkolan tehtaalle laajalti erilaisia tuotantojärjestelmiä.
”Boliden oli tehnyt paljon pohjatyötä elektrolyysiprosessin automatisoimiseksi”, kertoo myyntijohtaja Teemu Rantala Algol Technicsilta.
”Jo projektin alkuvaiheessa meillä oli selkeä tieto siitä, mitä anodilevyjen käsittely edellyttää, ja miten ratkaisu saataisiin päivitettyä osaksi tehtaan olemassa olevaa tuotantolinjaa. Levyjen käsittely hoidettiin aiemmin osin manuaalisesti Algolin toimittamilla nostureilla, joten ratkaisun automatisointi onnistui varsin luontevasti.”
AK2-linjan vanha laitteisto koostui automatisoiduista kuljettimista, pesuasemasta, varastopaikoista ja nosturista. Anodien kunnon tarkastus ja mahdollinen eristimien vaihto tehtiin manuaalisesti. Työ tehtiin liukuhihnatyyppisesti aivan laitteiston vieressä.
Uuden automatisoidun tuotantolinjan keskiössä on konenäköjärjestelmä ja valvomohuone, josta prosessia voidaan valvoa menemättä robottien työalueelle. Linjan molemmissa päissä on järeät ABB IRB 8700 -robotit, jotka hoitavat anodilevyjen käsittelyn. Astetta pienempi ABB IRB 6700 -robotti vastaa levyjen kunnostamisesta ja rikkoutuneiden eristepalojen vaihdosta. Manuaalisten huoltotoimenpiteiden mahdollistamiseksi robotit toimivat erillisillä turva-alueilla. Yhden robotin työalueelle meneminen ei pysäytä koko prosessia.
Vaativaan ympäristöön valittiin robotit ABB:n kestävimmästä Foundry-tuoteluokasta.
”Projektin suunnitteluvaiheessa pohdittiin paljonkin robottien kokoluokkaa ja tahtiaikaa. Mallivalinnassa päädyttiin standardirobotteihin, jotka tarjoavat mahdollisimman laajan ja nopean varaosien ja huoltopalveluiden saatavuuden”, kertoo ABB:n myyntipäällikkö Jari Hyytiäinen.

Simulaatio helpottaa suunnittelua
Tuotannon tehokkuuden lisäksi uusi ratkaisu parantaa merkittävästi linjalla työskentelevän henkilöstön työhygieniaa ja -turvallisuutta.
”Aikaisemmin anodihuollosta vastaava työntekijä työskenteli avopisteessä ohjauspaneelin ääressä. Uuden automatisoidun laitteiston myötä prosessin valvonta hoituu valvomosta, ja tuotannon eri vaiheista poistuu merkittävä määrä käsityötä”, kertoo Boliden Kokkolan projekti-insinööri Pekka Tupeli.
Uusi laitteisto asennettiin jo aikaisemmin käytössä olleeseen tuotantotilaan, mikä asetti tiukat reunaehdot toteutukselle.
”Teimme paljon esityötä materiaalivirtojen suunnittelussa ja laitteiden sijoittelussa. ABB RobotStudio – simulaatiotyökalu oli tärkeä työkalu tässä vaiheessa”, Tupeli kertoo.
”Simulaation ja 3D-mallinnuksen ansiosta tuotantoprosessi pystyttiin suunnittelemaan hyvin pitkälti etukäteen”, kertoo Teemu Rantala Algolilta.
”Yhteistyö Bolidenin kanssa oli erittäin antoisaa, ja simulaatiovaiheessa saimme yhdessä toteutettua monia parannuksia kappaleiden käsittelyyn ja koko prosessin kulkuun.”

Konenäkö vie pidemmälle
Uusi automatisoitu laitteisto on tuotannollisessa koekäytössä, ja sen läpi ajetaan jo tehtaan normaalia päivätuotantoa. Bolidenille oli tärkeää saada mahdollisimman laaja säädettävyys tuotantoprosessin ja konenäköpohjaisen laadunvalvonnan parametreihin.
”Pystymme muokkaamaan hyvin tarkasti käsiteltävien anodilevyjen hylkäys- ja hyväksyntärajoja, ja jatkossa oma kunnossapitomme voi säätää järjestelmän asetuksia tarpeen mukaan”, Pekka Tupeli kertoo.
Uudet robotiikka- ja konenäkösovellukset mahdollistavat yhä useampien prosessin automatisoinnin, ja Bolidenin Kokkolan tehtaalla onkin jo käynnissä lukuisia uusia automatisointiprojekteja. Erityisesti 3D-konenäön avulla voidaan nykyään toteuttaa automatisoidusti monia sellaisia työvaiheita, jotka aiemmin olisivat edellyttäneet ihmissilmää ja
manuaalista päätöksentekoa.
”Perinteisten kokoonpanotehtävien lisäksi konenäköön tukeutuva automaatio tekee voimakkaasti tuloaan myös raskaaseen teollisuuteen. On kiinnostavaa havaita, että haasteet ja lainalaisuudet ovat oikeastaan aivan samanlaiset riippumatta siitä, mitataanko työkappaleen koko metreissä vai millimetreissä. Olennaista on se, miten robotiikkaa osataan hyödyntää uudella tavalla hankalien ja työläiden työvaiheiden  automatisointiin ja tuotannon tehostamiseen”, kertoo Algol Technicsin Teemu Rantala.

**

Sinkkituotteiden elektrolyysiprosessin automatisointi

• 2 kpl ABB IRB 8700 -teollisuusrobotteja 4,2 m ulottumalla ja 550 kg hyötykuormalla
• 1 kpl ABB IRB 6700 -teollisuusrobotti 3,2 m ulottumalla ja 350 kg hyötykuormalla
• Siemens Simatic S7-1500 PLC-logiikka
• 31 kpl ABB ACS880 taajuusmuuttajia
• Cognex Vision -konenäköjärjestelmä 9 kameralla
• Ohjauspaneeli ja Siemens WinCC -käyttöliittymä valvomohuoneessa
• Turvatoiminnot robottien liikealueiden valvontaan

Digitaalinen malli on askel kohti AR:ää

TEKSTI: JUKKA NORTIO KUVAT: FORTUM, NCC, JUKKA NORTIO

Energiayhtiö Fortumin sisäinen startup eSite digitoi teollisuuslaitoksia sekä Suomessa että maailmalla. Sen ytimessä on teknologia, jolla mahdollistetaan etävierailut laitoksella ja näin nopeutetaan ja tehostetaan esimerkiksi teollisuuslaitosten kunnossapitoa. Näin mittaukset ja automaatiokohteet voi näyttää todellisessa laitosympäristössään.

Virtuaalitodellisuus on arkista realismia kymmenissä teollisuuslaitoksissa yli kymmenessä maassa. Sen on tehnyt mahdolliseksi energiayhtiö Fortumin sisäinen startup eSite.
”Olemme luoneet skaalautuvan liiketoimintamallin, jota tarjoamme muun muassa tehtaiden käyttö- ja kunnossapitoon, seisokkien valmisteluun ja työturvallisuuden kehittämiseen”, eSite yksikön johtaja Miko Olkkonen sanoo.
eSiten tarjoama digitaalinen malli perustuu tehtaiden todelliseen tilanteeseen, ei niiden suunnittelun aikaisiin 3D-malleihin. Järjestelmä luo 360-valokuvista ja laserkeilauksista digitaalisen mallin, joka vastaa teollisuuslaitoksen tiloja sellaisena kuin ne ovat.
Mallissa näkyy kaikki detaljit kuten trukkien latauspaikat, niissä olevat koneet, roska-astiat ja seinillä olevat kyltit. Kun eSite-malli on näin realistinen, se mahdollistaa todellisuuteen perustuvan vierailun tehtaalla.
”Jatkamme siitä mihin Google Maps ja Street View jäävät. Menemme tontin ja rakennuksen sisälle ja digitoimme tehtaan päivässä. Erotuksena Googlen palveluihin meidän palvelumme ei ole julkinen, vaan turvallisesti jaettu vain niille henkilöille, joille asiakkaamme antaa oikeudet”, Olkkonen sanoo.

Näkymä arkkitehdin tietomalliin. Kun käden avaa laitteelle, pääsee ”napista painamalla” avaamaan käyttöliittymän.

Realistinen tilannekuva kunnossapidolle
Näkymät tehtaan sisältä ovat niin realistisia ja yksityiskohtaisia, että kunnossapitohenkilö näkee tarkasti ympäristön, johon hän on menossa tekemään töitä. ESite tarjoaa mittanauhan, jolla voi tarkasti mitata, missä korossa esimerkiksi korjattava laite on. Näin korjaaja voi tilata esimerkiksi korjauskohteeseen sopivat telineet ilman lukuisia vierailuja työkohteessa.
”Ylläpidon työnjohtaja voi tehdä digitaaliseen malliin merkintöjä samaan tapaan kuin Googlen point of interest -toiminnolla. Näin voidaan etänä merkata esimerkiksi vaihdettavan suodattimen paikka, antaa työohjeet sekä kertoa suodattimen malli.”
Asiakkaat ja partnerit jatkojalostavat toimintamalleja Olkkosen mukaan eSite-palvelu tarjoaa alustan, jota hyödyntämällä  tuotantolaitokset ja niiden palveluntarjoajat voivat nousta digitaalisten ratkaisujen hyödyntämisessä uudelle tasolle.
”Asiakkaamme parantavat parhaillaan dataohjautuvuuttaan hyödyntämällä meiltä saamaansa dataa kunnossapidon kehittämiseen joko itse tai kumppaneidensa kanssa.”
Korona-aikana digitoidut tehtaat ovat olleet monelle yritykselle oiva keino suunnitella toimintaansa etäpalavereissa, joissa realistista tehdasmallia on jaettu kaikkien osallisuijien kuvaruuduille.
”Rakennamme palvelumme päälle eri teollisuuden aloja hyödyntäviä palveluja, joihin tuodaan muun muassa kunnossapitojärjestelmän työmääräimet ja reititykset. Nämä palvelut ovat vielä teknologisia proof of concepteja ja niiden bisnesmallit ovat vielä kehitysvaiheessa. Kestää vielä aikansa, kunnes ne tulevat osaksi valtavirran päivittäistä liiketoimintaa.”
Kehitystyötä tehdään kuitenkin kovalla sykkeellä asiakkaiden kanssa. Hyvä esimerkki on Ramirentin Rami360-palvelu, jossa digitoidaan kokonaisia rakennustyömaita. Palvelun mittatarkkuus on millimetreissä, lähellä teollisuudessa jo laajasti käytettyä laserkeilausta.
”Tässä tapauksessa osuutemme on työmaalta kuvatun materiaalin prosessointi ja materiaalin tietoturvallinen julkaisu. Ramirentillä on ihmisiä tuhannella työmaalla, minne voimme toimittaa kuvantamislaitteet ja kouluttamamme ihmiset kuvaavat rakennustyömaan digitaalisen mallin, joka voidaan päivittää esimerkiksi kerran viikossa.”

eSiteview mahdollistaa etävierailut työmaalla, rakenteiden mittaamisen, dokumenttien liittämisen paikkatietoon, 3D-tiedon tuottamisen ja integroimisen erilaisiin IoT-järjestelmiin.


Huomisen sovellus jo tänään
Merkittävä asia eSitessä on se, että kaikki merkinnät liitetään tarkasti koordinaatistoon eli jokaisella merkinnällä on paikkatieto. Tämä mahdollistaa sen, että jatkossa kunnossapidon henkilö voi tämän paikkatiedon ja erilaisten älylasien avulla suunnistaa tehtaalla kunnossapitokohteesta toiseen. Erilaiset älylasit ovat kehittyneet viime vuosina paljon, mutta todellisessa tuotantokäytössä näitä on vielä harvakseltaan, johtuen hintatasosta, käytön turvallisuus näkökulmista ja käyttömukavuudesta.
”Teemme teollisuudelle tulevaisuuden VR-ratkaisuja, jotka toimivat jo tänään. Käytämme sovellusta tänä päivänä tietokoneella ja kännykällä, mutta samalla luomme pohjaa tulevaisuuden VR- ja AR- ratkaisuille”, Olkkonen sanoo.
eSite-malli luodaan mobiilikartoitustyökaluilla, jotka ottavat kohteessa automaattisesti useita tuhansia valokuvia. Niitä otetaan sekä dronella että maanpäällisillä kameroilla. Kuvien perustella luodaan pisteitä, joiden välillä tilassa liikutaan. Koordinaatit ja tilan mittaukset tehdään tehtaan ulko- ja sisäalueen kattavalla laserkeilauksella. Laserkeilauksen perusteella luodussa pistepilvessä voi käyttöliittymässä liikkua kuten peleissä lentämällä.
”Digitoimme päivässä keskikokoisen tehdasalueen 3D-malliksi sekä sisä- että ulkopuolelta. Isompiin sellutehtaisiin voi mennä useampi päivä.”
eSiten tuottama malli toimii jo eräänlaisena laitoksen digitaalisena kaksosena ja vastaa sellaisenaan jo osaan esimerkiksi käyttö- ja kunnossapidon käyttötarpeista. eSiten kuvaamasta datasta tuotettu 3D-malli voi myös toimia ensimmäisenä vaiheena, josta jalostetaan edelleen täysiverinen laitostietomalli tai monipuolisempi tehtaan digitaalinen kaksonen. Sen asiakas saa noin viikossa.
Pilvipalveluna toimiva eSite voi tällä hetkellä toimia nopeasti yli 30 maassa, joissa palvelun kumppanit  voivat käydä asiakkaiden tehtaassa kuvaamassa ja laserkeilaamassa kohteet, jonka jälkeen palvelu jalostaa asiakkaalle valmiin eSiteview-ratkaisun.

***

Tuula Ruokonen, VTT: Hankkeet vielä kehitysvaiheessa

”VR- ja AR-sovelluksista tehdään teollisuudessa runsaasti proof of concepteja, mutta niiden skaalaus ja todellinen hyödyntäminen on vielä vähäistä. Syynä on osaksi sovellusten sisällön tuottamisen vähäisyys ja myös käyttöliittymien työläs rakentaminen. Ei riitä, että on 3D-malli prosessista tai laitteesta, vaan sisältöä pitää osata tuottaa käyttäjän tarpeisiin.
Tarvittavan, oleellisen ja ajantasaisen tiedon tuonti 3D-malliin muista järjestelmistä on haastavaa. Backoffice- ja legacy-järjestelmät eivät ole optimaalisia tietolähteitä tähän työhön. Toinen syy on se, että tiedon parametrointi on eri järjestelmissä erilaista. Tilanteeseen vaikuttaa myös VR- ja AR-laitteistojen hinta ja turvallisuus.
VTT on totuttanut useita mielenkiintoisia pilotteja sekä kehittänyt sisällöntuotantoa tehostavan ALVAR-kirjaston. Yksi mielenkiintoinen kotimainen projekti on ollut hitsauslaitevalmistaja Kempin virtuaalisten prototyyppien käyttö hitsauksessa. Boeing on puolestaan hyödyntänyt esimerkillisesti AR-teknologiaa asennuksen ohjeistukseen: Boeing Augmented Reality Secret: Skylight For Assembly.
VTT:n spin off Delta Cygni Labs on saanut monia asiakkaita PointR-tuotteensa käyttäjäksi. Kyseessä on helppokäyttöinen ja tehokas AR-järjestelmä etätukeen. Se toimii kännykällä, läppärillä ja esimerkiksi Hololenseillä.
Valmetilla on Mika Karailan projekteissa tehty kehitystä ValmetXR-ympäristön VR/AR-sovelluksiin, joita on käytetty muun muassa koulutukseen, perehdytykseen, Design Review -katselmointeihin sekä etätukeen. Kartonkikoneiden koulutukseen liittyviä VR-sovelluksia Valmet on kehittänyt myös Elomaticin kanssa.
Automaatioseuran webinaareissa on aiheeseen liittyviä esityksiä ja materiaaleja, joihin kannattaa tutustua.”

**

Trimble Connect for Hololensin käyttöliittymällä ohjataan, miten tietomallia voidaan manipuloida. Kuvassa myös väritetyt putket kuvaavat tietomallia.

Rakennusyhtiö NCC on ollut yksi ensimmäisiä rakennustyömaille virtuaalilaseja tuoneista alan pioneereista. Vaikka kyseessä on virtuaalilasit, käytetään niissä yhdistetyn todellisuuden tekniikkaa (Mixed Reality), jossa todellisen maailman näkymään lisätään 3D-suunnittelumallit.
”Testaamme uusia virtuaalilaseja melko suoraviivaisesti. Annamme työntekijälle kypärän päähän ja hieman opastusta, mihin sitä voisi käyttää. Käyttäjäkokemuksista saamme palautetta, miten käyttöä voisi laajentaa”, NCC:n digi-insinööri Eero-Pekka Piipponen sanoo.
Hänellä on vankka tausta muun muassa autoasentajan ja infrapuolen suunnittelijan töistä. Digi-insinöörinä hän kehittää NCC:llä toimintamalleja, joissa hyödynnetään uusia teknologioita ja laitteita rakennustyömaiden arkeen.
Piipponen teki laajan taustatyön ennen kuin Trimblen XR10 with Hololens 2 -lasit tuotiin ensimmäiselle työmaalle. Hän kartoitti sen tekniset ominaisuudet, toiminnallisuuden ja mahdolliset käyttökohteet työmaalla. Tavoitteena oli ennakkoon löytää mahdollisimman laajasti sovellusalueita rakennustyömaalla.
Työturvallisuuden vaatimus on tärkein. Trimblen laseilla se toteutuu, sillä lasit ovat osa turvakypärää. Sen visiiri on edessä ja akku kypärän takana.
”Kun esimerkiksi tietomalli tuodaan laseihin, näkyy todellinen ympäristö niiden takaa. Käyttäjän pitää tällöin toki huomioida, että hänen näkökenttänsä on jonkin verran sumentunut.”
XR-10-laseja on käytetty NCC:n työmaalla, jolle nousee Trimblen Suomen toimintojen pääkonttori. Esimerkiksi kiinteistön konehuoneessa tarkasteltiin VR-laseilla tulevia asennuksia ennen kuin niitä tehtiin.
”Suunnitelmat avautuvat asentajille aivan uudella tavalla, kun he pääsivät katsomaan laseilla, miten ilmastointikanavat on suunniteltu tilaan asennettaviksi. Tämä helpottaa ja nopeuttaa asennustyötä huomattavasti, kun asentajan ei tarvitse miettiä, miten asennuksia tehdään.”
Kun asentajat toteuttavat tarkasti suunnitelmia, myös virheiden määrä pienenee ja rakentamisen laatu paranee. Virtuaalikypärän käyttäjä voi välittää kypärän kameralla reaaliaikaista kuvaa työmaalta toisilla paikkakunnilla oleville työmaakokouksen osallistujille. He näkevät työmaan tapahtumat reaaliajassa ja voivat samalla lisätä havaintojaan suoraan malliin.
VR-laseja voidaan hyödyntää myös rakennuksen valmistumisen jälkeen. Valmiissa kiinteistössä voidaan selvittää esimerkiksi, mitkä putket ja johdot kulkevat missäkin tilassa. Kun NCC on nyt saanut kokemuksia VR-laseista yhdeltä työmaalta, niiden käyttöä on laajennettu.
”Seuraava askeleemme on luoda selkeä ohjeistus ja koulutus työntekijöillemme VR-lasien käyttöön. Näin saamme VR-teknologian osaksi työmaidemme arkea.”
Koska VR-lasit ovat vielä melko tuoretta teknologiaa, niiden ominaisuudet paranevat jatkuvasi. Niin myös Trimble XR10:n, jonka 3D-mallin päivitys parani merkittävästi viime syksynä. Todellisen maailman ja tietomallin kohdistaminen on nyt huomattavasti aiempaa nopeampaa.
”Tietomalliaineiston pitää sisältää ominaisuuksia, joita VR-lasit vaativat. Mitä enemmän tietomalli vastaa rakennettavaa tuotetta, sitä helpompi sillä on rakentaa lopputuote”, Piipponen sanoo.

Kansainvälinen prosessiturbo

TEKSTI: KAUKO OLLILA KUVAT: ISTOCKPHOTO JA KAUKO OLLILA

Kaksi Suomesta lähtenyttä opistoinsinööriä kohtasi Atlantan-suomalaisten vappujuhlassa. Neljännesvuosisata sitten alkanut ystävyys tuottaa nyt vanhakantaiselle teollisuudelle reaaliaikaista prosessialyysiä.
Jyväskylän teknillisestä oppilaitoksesta vuonna 1980 valmistunut Markku Mustonen löysi nopeasti itsensä Yhdysvalloista Valmetin automaatiobisneksen ensimmäisenä USA:n työntekijänä. Suomalaisyhtiössä vierähti seitsemisen vuotta, mitä seurasi liuta erilaisia tehtäviä muutamassa amerikkalaisyrityksessä.
Georgian Atlantaan asettunut Mustonen perusti Conmark-yrityksen vuonna 1989. Se syntyi ja elää edelleen paperiteollisuuden mittaustuotteista ja -palveluista.
Vuoden 1996 Yhdysvaltain Atlantan suomalaisten vappujuhlassa Mustonen vaimoineen esittäytyi varmuuden vuoksi englanniksi ilmeisen aasialaistaustaiselle pariskunnalle. Mutta nämä vastasivatkin suomeksi.
Karim Pourak ja Mustonen ovat tehneet töitä yhdessä 1990-luvun lopulta alkaen. Heitä yhdistää myös suomalainen opistotason insinöörikoulutus. Ensimmäisessä yhteisessä Conmark- projektissa kumppaneina olivat jättimäiset General Electric ja International Paper.

Markku Mustonen
Karim Pourak

”Koetimme rakentaa paperikoneen ratakatkon ennustajaa neuroverkkoratkaisuna, joka oli oikeastaan keinoälyyn perustuva tuote. Se meni hunningolle, kun isot pojat rupesivat tappelemaan keskenään. Jatkoin sitten omin voimin”, muistelee Mustonen.GE-yhteistyön kariuduttua Mustonen kiinnostui yhä enemmän teollisuuden prosessien analysoinnista. Hyvä pohja siihen löytyy lähes kaikkien prosessien takana pyörivistä PI-prosessitietokannoista. PI tulee sanoista Plant Information eli tehdasinformaatio.
PI-tietokannat keräävät lähinnä prosessien historiatietoa. Mustonen työskenteli erään alabamalaisen asiakkaan kanssa, joka antoi hänelle käyttöön sekä kannan että työtilan.
”Rakensin softan, joka oli periaatteessa juurisyyanalysaattori. Se antoi tietoa prosessin osasten muuttujista.”
Tämä juurisyiden hakeminen joidenkin prosessin ilmiöiden takaa meni kuitenkin yli asiakkaan ymmärryksen. Tuotetta oli vaikea kaupallistaa, vaikka Mustonen myikin muutamia.
Sitten 2000-luvun alussa alettiin puhua data miningista. Mustonen innostui uudelleen miettien, miksi paperitehtailla on nuo PI-kannat, kun edelleenkään niiden dataa ei osattu hyödyntää. Mustonen päätti rakentaa työkalun, jolla analysoida prosessin käyttäytymistä – reaaliajassa. Hän päätyi puhumaan Pourakin kanssa tuotteesta, joka tekisi juuri tuon. Mustosta ihmetytti, että yhä edelleen paperiteollisuuden prosesseista suuri osa toimii hitaiden laboratoriotutkimusten varassa.
”Otat näytteen, tunnin päästä saat sen tuloksen ja muutat jotain, sitten tunnin päästä taas uusi näyte ja taas muutat jotain. Mutta jos me voisimme ennustaa laboratorionäytteen tulokset reaaliajassa, saisimme paperintuotantoprosessin keinoälyllä haltuun ennakkoon. Siitä alettiin.Tällä alalla ei ollut silloin kilpailua juuri ollenkaan, eikä sitä ole edelleenkään. Viisi vuotta olemme tätä nyt kehitelleet ja se toimii.”
”Kun tavattiin tämän hankkeen kanssa, minulla oli jo kokemusta ennustavan analytiikan rakentamisesta. Piirtelimme ja totesimme, että voimme todella tehdä tämän reaaliajassa”, kuvailee yhtiön aloitusvaihetta Pourak.
Työkalu ristittiin ProcessMineriksi.
”Piti olla fiksu ja saada oikea tiimi mukaan. Minun liiketoimintakokemuksellani ja Markun kokemuksella teollisuudesta otin yhteyttä Georgian teknologisen instituutin koneoppimis-professori Kamran Paynabariin. Kerroime, mitä me haluamme tehdä. Hän kiinnostui ja liittyi tiimiimme. Pian miehestä tuli ProcessMiner-yhtiön kolmas perustaja.”
Kolmikko rakenesi ProcessMiner- AI-alustan prototyypin. Heti alussa tavoitteena oli rakentaa suljettuun tuotantoketjuun perustuva reaaliaikaisen prosessinhallinnan konsepti. Koko juttu oli todellisuudessa autonomisen tehtaan pioneerihanke, vieläpä autonomisuuden aidoimmassa merkityksessä ennen kuin koko aiheesta edes laajemmin puhuttiin.
”Oli aikaansaatava rakenteet ja raami sille mitä halusimme tehdä, joten kasvatimme tiimiä tieteilijöillä Georgia Techistä ja vastaavista paikoista. Nyt meitä on 30”, kertoo Pourak.
Yhtiö perusti toimiston, laboratorion ja erillisen teknologiatiimin myös Intiaan, jossa alan osaamista oli paremmin saatavissa kuin Yhdysvalloista. Pian oli mahdollista rakentaa järjestelmä, joka ensi kertaa ennusti valmistuvan tuotteen laatua reaaliaikaisesti analysoimalla käynnissä olevaa tuotantoprosessia.

Processminer analysoi prosessia juurisyyanalyysin avulla ja ohjaa sitä tekoälyn avulla. Asiakas voi säästää kemikaaleissa päiväkohtaisesti jopa 25 prosenttia.


”Ennen muuta puhun nyt paperikoneesta. Rakensimme tuotteemme kuitenkin niin, että se voidaan sovittaa muille teollisuuden aloille. Meille on tärkeää, että ProcessMiner on teollisuudenalasta riippumaton. Uskallan sanoa, että onnistuimme siinä, koska juuri äsken lähdimme yhteistyöhön globaalin muoviyhtiön kanssa USA:ssa. Kykenimme suunnittelemaan, testaamaan ja ottamaan alustamme muoviteollisuuden käyttöön vain kahden kuukauden mittaisessa projektissa. Se on huima menestys. Se oli myös asiakkaalle miellyttävä yllätys.”
ProcessMiner rakensi ensin asiakkaalle mallin. Systeemi ennakoi lopputuotteen laadun, koska se ymmärtää prosessin poikkeamien ja vaihtelun merkityksen lopputuloksessa. Se myös tarjoaa kemikaalikomponenttien reseptin ja sekoitussuosituksen lopputuotteen aikaansaamiseksi. Tämän lisäksi ProcessMiner myös kontrolloi primäärin kemikaalin annostelupumppua IOT:n avulla. Ihmisellä ei ole tässä kokonaisuudessa roolia lainkaan.
”Asiakas säästää päiväkohtaisesti 25 prosenttia kemikaaleissa meidän autonomisen valmistamisen alustamme ansiosta”, Pourak iloitsee.
”Me voimme tehdä saman muiden teollisuudenalojen tuotannon kanssa. Suomalainen yhtiö, jolle esittelimme tätä toteutusta, sanoi että tämmöisiä lupailevat monetkin toimijat, mutta he eivät ole nähneet kenenkään sitä vielä tekevän.”

Kone ohjaa prosesseja nopeammin kuin ihminen ja tuotetta menee hylkyyn vähemmän. Sovellus osaa ennustaa myös lopputuloksen laatua.


Joukkue on tärkein, siksi ProcessMinerilla on maailmanluokan tiimi, jonka avulla teknologia on saatettu yhteen ja kyetty tekemään visiosta todellisuutta.
”Se on auttanut meitä tarkan fokuksen suuntaamisessa tietynlaisen ohjelmistoalustan kehittämiseen. Lisäksi me ajattelemme isosti mutta aloitamme pienesti. Haluamme innovoida ja tuottaa uutta teknologiaa ja hyväksikäyttää siinä tieteellistä pohjaa”, Pourak tähdentää.
Tämä asetelma auttoi ProcessMineria rakentamaan kykyjään pioneeriasemassa. Joku muu yhtiö olisi tuhlannut miljoonia taaloja saamatta niille mitään vastinetta. Processminer on ollut tuotemerkkinä olemassa vuodesta 2006 alkaen, mutta viettänyt suuren osan sen jälkeisestä ajasta hiljaisuudessa.
”Viisi vuotta sitten kysyin Pourakia siihen mukaan ja hän innostui. Jaoimme firman puoliksi ja nyt hän vetää sitä. Me olisimme perustaneet Process- Minerin missä tahansa. Ehkä vähän erilaisen, mutta kuitenkin. Me olemme kumpikin uusien asioiden rakentajia, meille olinpaikalla ei ole väliä”, Pourak tuumii.
”Koulutus ja harjoittelu Suomessa, kulttuurin opiskelu, kasvaminen Iranissa, näiden yhdistelmällä on ollut minulle suuri merkitys.”
Markku Mustosen mukaan suomalainen insinöörikoulutus on kaukana edellä amerikkalaista vastaavaa koulutusta.
”Yhdysvalloissa koulutus on periaatteessa hyvää, mutta insinööriopetuksesta puuttuu käytännön kosketus. Ihmisillä ei ole käytännöllisiä ideoita eikä käsitystä siitä, kuinka prosessit toimivat.”
Mustonen on pitkään Yhdysvalloissa asuneena verrannut suomalaisia sikäläisiin. Suomalaiset ovat aina paljon paremmin koulutettuja.
”Tästä maasta on vaikea löytää kyvykästä teknologiatiimiä.”
Pulma on siinä, että amerikkalaisen korkeakoulutuksen laadun kuvaaja on korkea, terävä pyramidi. Osaajarintama on kapea. Teollisuudessa taas kulttuuriesteet ovat merkittäviä muutoksen hidasteita, ja ne Markku Mustonen tuntee. ProcessMinerin tähänastinen menestys on ollut yhdistelmä oikeata tiimiä, innovaatioita, oikeita asiakkaita ja sopivia partnereita. Yhtiö uskoo olevansa suuren mahdollisuuden äärellä.
”Emme ole vain eräs keinoäly-yhtiö. Haluamme olla ajatusjohtaja keinoäly- yhteisössä.”
Teollisuuden kemikaalijätti Solenis on ollut ProcessMinerin partneri ja rahoittaja vuodesta 2017. Solenis myy ProcessMinerin keinoälyalustan päälle rakennettua omaa järjestelmäänsä omille asiakkailleen. Pari ensimmäistä vuotta olivat raskaita, kun piti laajentaa tiimiä ilman kunnon rahoitusta. Solenis on mahdollistanut ProcessMinerin skaalaamisen ja taloudellisen tuen, jotta saadaan yhtiö sinne, minne perustajat sitä haluavat viedä.
”Lisäksi kumppanuus avasi kaupalliset ovet niin, että meidän oli mahdollista työskennellä tiettyjen asiakkaiden kanssa. Ne ovat kasvualusta, jolta haluamme rakentaa. Tämä on ollut hieno suhde.”
Mustonen ja Pourak näkevät mahdollisuuksia samanlaisiin partneruuksiin myös muilla teollisuudenaloilla, koska yhtiö on aivan eri kypsyystasolla kuin vuonna 2017 jolloin Solenis tuli mukaan. ProcessMinerilla on neuvotteluja käynnissä eri toimialojen yritysten kanssa Englannissa, Ruotsissa, Saksassa ja Suomessa.

Automaatiopäivät24

Teksti: Toimitus

Perinteinen Automaatiopäivät -seminaari järjestettiin tänä vuonna huhtikuun 13. ja 14. päivänä poikkeustilanteesta johtuen virtuaaliympäristö Gather.town:ssa. Virtuaaliympäristö mahdollisti kollegoiden tapaamiset ja käytäväkeskustelut, varsinaiset seminaariesitykset olivat erillisissä Zoom-sessioissa. Käyttäjäkokemus oli yllättävänkin hyvä ja todentuntuinen, hauskana yksityiskohtana oli havaita että takarivin istumapaikat täyttyivät ensimmäisenä myös virtuaaliympäristössä. Kaikki varsinaiset ohjelmistojen asentamiset onnistuivat sujuvasti, ja pelkkä selain riitti tietokoneen kameran ja mikrofonin lisäksi. Osallistujia ensimmäisen päivän keynote puheenvuoron aikana oli reilut viisikymmentä.

Keynote puheenvuorot pitivät Olli-Pekka Heinonen sekä Olli Ventä. Näistä ensimmäinen keskittyi laajemmassa kuvassa siihen ongelmakenttään, johon Automaatiopäivien teema tänä vuonna keskittyi ja kuinka isot muutokset saadaan toteutettua yhteiskunnassa. Jälkimmäinen keynote keskittyi historialliseen katsaukseen 2000 luvun alusta lähtien ja päätyen tulevaisuuden näkymiin.

Seminaariesitysten aiheissa koulutus, turvallisuus, säätötekniikka, robotiikka ja IoT-ratkaisut olivat vahvasti esillä. Perinteisesti valittiin taas parhaat esitelmät lähes 50 esitelmän joukosta. Parhaan tieteellisen paperin kategoriassa palkittiin Tapio Heikkilän ja Daniel Pakkalan Manufacturing Operations as Services based on Robots with Skills, parhaan opiskelijaesityksen palkinnon sai Teijo Juntusen ja Risto Ritalan Comparing Performance of Algorithmic and Driver-Planned Routing of Forest Forwarder sekä parhaan teollisuusesityksen palkinnon sai Jenni Rekolan, Miikka Jaurolan ja Mikko Valteen Simulation tool to analyze the productivity and energy consumption of electric mining vehicles.

Automaatopalkinnon julkistus tapahtui ensimmäisen päivän päätteeksi. Automaatiopalkinto on jaettu vuodesta 1987 lähtien muutamaa poikkeusta lukuunottamatta Automaatiopäivien yhteydessä. Tänä vuonna palkinto myönnettiin  Apros-simulointiohjelmistolle ja sen taustalla olleille henkilöille yli kolmenkymmenen vuoden pitkäjänteisestä työstä.

Seminaari loppui paneelikeskusteluun, AutomaatioStudioon, jossa eri alan asiantuntijat lyhyesti kommentoivat muutamaan kysymykseen automaation eri osa-alueista kuten tulevaisuuden haastavista säätökohteista, robotiikan määrittelystä ja robotiikan vaikutuksesta kestävään kehitykseen esim. osana kiertotaloutta. Myös koulutus ja IoT ratkaisut olivat omina keskustelunaiheina, kysymyksenä miten tulevilla teknologioilla pystyttäisiin hallitsemaan yhä laajemmat kokonaisuudet.

Automaatiopäivät24 jouduttiin tänä vuonna suunnittelemaan kahteen kertaan, ensin alkuperäisen suunnitelman mukaan seminaarina Tampereella ja loppujen lopuksi virtuaalitapahtumana. Kaikesta huolimatta perinteistä pystyttiin pitämään kiinni ja suomalaisen automaatiosaamisen nykytilanne tuli hyvin esille seminaarin esitelmissä.