Teollisuusyritykset investoivat merkittäviä summia digitalisaatio- ja analytiikkaprojekteihin. Tuotantoa tehostetaan yksittäisillä projekteilla eri liiketoimintojen sisällä. Hajanaiset toteutukset kuitenkin luovat datasiiloja, jotka hidastavat yhteistyötä ja päätöksentekoa. Haasteeseen vastaaminen vaatii aluerajoja ylittävää yhtenäistä hanketta. Yksi parhaista esimerkeistä löytyy Micheliniltä, maailman johtavalta liikkumisratkaisujen ja renkaiden valmistajalta, joka lähti uudistamaan energianhallintansa kunnianhimoisella digimuutoshankkeella. Heidän projektinsa osoitti, että tekoälyä hyödyntävät dataratkaisut ovat muuttuneet teoriasta konkreettisiksi työkaluiksi, jotka muuttavat tuotannon arkea.

Hajanaiset järjestelmät ja valtava datamäärä

Michelinilla on 128 tuotantolaitosta, lähes 130 000 työntekijää ja yli 70 tehdasta, joissa toimii 100 000 energiankulutusmittaria. Tämän mittakaavan datanhallinta oli valtava haaste. Energiankulutuksen seuranta piti tehdä näkyväksi kaikille, operaattoreista tehtaanjohtajiin, ja datan piti olla standardoitua ja helposti hyödynnettävää. Lisäksi tietoa kertyi valtavia määriä eri lähteistä, mikä hidasti päätöksentekoa ja esti kokonaiskuvan muodostamisen.

Michelin ymmärsi, että saavuttaakseen nettonollatavoitteensa vuoteen 2050 mennessä, perinteiset menetelmät eivät riitä. Tarvittiin ratkaisu, joka yhdistää datan, tekoälyn ja pilvipohjaisen analytiikan yhdeksi hallituksi kokonaisuudeksi.

Datan yhdistäminen mittareista pilveen

Michelin oli jo pitkään käyttänyt AVEVA PI System -ratkaisua ja se toimi myös digimuutosprojektin selkärankana. Järjestelmä lukee, standardoi ja kontekstualisoi energiadataa tuotantoprosessin eri vaiheista, jolloin tieto saadaan yhtenäisessä muodossa kaikkien käyttöön, ilman, että paikallisia prosesseja häiritään. AVEVAn strateginen kumppanuus Databricksin kanssa kiihdytti teollisen tekoälyn käyttöönottoa vastaamalla alan suurimpaan haasteeseen: IT-, OT- ja suunnitteludatan yhdistämisen. Integraation avulla Michelin pystyy turvallisesti käsittelemään valtavia datamääriä reaaliajassa, säilyttäen kriittisen kontekstin PI Systemistä ja varmistamalla, että tekoälymallit tuottavat luotettavia ja käyttökelpoisia oivalluksia.

Michelinin lähestymistapa yhdistää AVEVA PI Systemin ja heidän oman MAPIB-alustan luodakseen yhtenäisen energiadataekosysteemin. Ekosysteemin keskeiset vaiheet ovat Datan standardointi, jossa PI Asset Framework -mallien avulla mittaridata harmonisoidaan häiritsemättä paikallisia toimintoja. Pilviprosessoinnissa Databricks ja SQL Warehouses mahdollistavat nopean datan yhdistämisen ja vertailun eri toimipaikkojen välillä. Mobiilikäytössä oma sovellus tarjoaa reaaliaikaisen näkyvyyden kaikille työntekijöille ja edistää energiasäästökulttuuria. Työntekijöiden sitoutuminen kasvaa pelillistettyjen mittaristojen avulla.

Michelinin uusi arkkitehtuuri ei rajoitu pelkkään seurantaan. Yhtiö loi virtuaalisia mittareita ja loogisia malleja, jotka tunnistavat poikkeamia, vuotoja ja tehottomuutta. Koneoppimisalgoritmit suodattavat virheellistä dataa ja varmistavat laadun. Kun kulutus ylittää raja-arvot, järjestelmä lähettää automaattisia hälytyksiä. Benchmarking-toiminnot vertaavat koneiden suorituskykyä ja paljastavat parhaat parametrit, joita voidaan jakaa globaalisti. Energianhallinnassa tekoäly auttaa ennustamaan kulutusta ja laskemaan todellisia tuotantokustannuksia, mikä lisää kilpailuetua.

Tekoäly, digitaaliset mallit ja tulevaisuuden dataratkaisut

Michelin käyttää dataa ja tekoälyä arvokkaana vipuvartena, joka tehostaa koko arvoketjua. Yhtiöllä on jo yli 200 tekoälyn käyttötapausta, jotka tukevat keskeisiä toimintoja, renkaiden vikojen tarkastuksesta toimitusketjun varastopuutteiden ennakointiin. Konkreettisina tuloksina, dataa on kerätty ja standardoitu 15 tuotantolaitokselta ympäri maailmaa ja prosessiparametrien optimointi toi jopa 10 % säästöt ensimmäisten kuukausien aikana. Lisäksi kokonaisenergiankulutus väheni 3 %, mikä vastaa 120 tuhatta tonnia CO₂-päästöjä vuosittain. Myös pilvi-infrastruktuurin kustannukset pidettiin alle 5 000 € kuukaudessa.

Michelinin esimerkki osoittaa, että tekoäly ja dataratkaisut eivät ole vain teknologiahankkeita, ne muuttavat koko toimintakulttuurin. Energiatehokkuus ei ole enää taustamittari, vaan keskeinen tuotannon KPI, joka ohjaa päivittäistä päätöksentekoa. Digitaalisten kaksosten avulla tekoäly voi analysoida tuhansia muuttujia, ennustaa tuloksia ja suositella optimointeja, joita hajanaiset järjestelmät eivät paljasta.

Tekoäly AVEVA:n strategiassa

AVEVAn Principal Presales Consultant Henri Särkän mukaan tarkoituksena ei ole tehdä AI:ta AI:n vuoksi.

“Ensimmäisissä vaiheissa AI tuottaa lisäarvoa datan luotettavuudessa ja prosessien läpimenoajoissa, rikastaen ennestään tuttuja työkaluja. AI-teknologioiden iskostuessa ajattelu- ja toimintatapaan syvemmin, voidaan niitä hyödyntää jatkuvasti laaja-alaisemmin ja koko arvovirtaketjua palvelevasti. AVEVAn luotsaama teollinen tekoäly (Industrial AI) tuo toimiala- ja teollisuusosaamisen osaksi prosesseja ja työnkulkuja upottamalla tekoälyn (AI) koko teollisen elinkaaren läpi”, kertoo Särkkä.

Särkän mukaan Industrial AI muuttaa tapaa, jolla teollisuuden alat innovoivat ja toimivat hyödyntämällä AVEVAn teollisen älykkyyden alustaa AVEVA CONNECTia.

“Käyttötarkoituksia ovat esimerkiksi mallien integrointi ja data-aineistojen puhdistaminen. Näin varmistetaan, että tekoäly on skaalautuvaa, helposti käytettävää ja kykenee tuottamaan toimeenpantavia oivalluksia nopeasti realisoituvalla ROI:lla”, Särkkä jatkaa.

AVEVAn näkökulmasta tämä yhdistetty lähestymistapa mahdollistaa sen, että Industrial AI voi edistää innovointia autopilotilla, kerryttäen arvoa koko teollisen elinkaaren ajan. Sen avulla voidaan optimoida suunnittelua, sujuvoittaa aikataulutusta, parantaa tuotantoa, sekä mahdollistaa ennakoiva kunnossapito.