SKF-sivuston evästeet

Käytämme evästeitä voidaksemme varmistaa, että käyttökokemuksesi sivustoistamme ja verkkosovelluksistamme on paras mahdollinen . Jos jatkat muuttamalla selaimesi asetuksia oletamme, että hyväksyt evästeiden vastaanottamisen. Voit kuitenkin milloin tahansa muuttaa evästeitä koskevat selainasetukset.

Siirtyminen Big Datasta Smart Dataan

  • Tarina

    2017 helmikuu 22, 09:00 CEST

    Prosessitietojen kerääminen ja oikea käyttäminen on olennainen osa ennakoivia kunnossapito-ohjelmia – ja todistaa, että tieto on valtaa, sanoo SKF:n IoT-tekniikan johtaja Erwin Weis

    Tietojen kerääminen on tärkeä asia, mutta todellista hyötyä siitä on vasta kun saatuja tietoja osataan käyttää. Teollisuudessa on alettava puhua ‘Smart Datasta’ ‘Big Datan’ sijaan.

    Big Data käsitetään usein yksinkertaisesti suureksi määräksi tietoa – jota saadaan antureista, laitteista, järjestelmistä ja muista mittauslaitteista – jota on sitten osattava hyödyntää. Se pitää sisällään kuitenkin vähän enemmän.

    Kaikkea dataa ei saada samassa muodossa. Osa siitä on ‘strukturoitua’ – kuten anturien antamat lukemat – ja voidaan yleensä muokata tietokantamuotoon. Muu tieto on ‘epästrukturoitua’, eli sisältää esimerkiksi tekstiä, kuvia, audiodataa tai videoita. Näiden kahden, hyvin erilaisen datakokonaisuuden yhdistelmät tekevät osaltaan ‘Big Datan’ käsittelystä hankalaa.

    Yleisesti ottaen Big Data tuo mukanaan entistä monimuotoisempaa materiaalia ja tarpeen arvioida tietojen määrää, saantinopeutta, vaihtelevuutta ja oikeellisuutta, ja siksi datan analysointiin ja hyödyntämiseen tarvitaan uusia tietokantajärjestelmiä

    Haasteena on siis tietojen järjesteleminen ja muuttaminen ‘Smart Dataksi’. Siihen voidaan päästä rikastamalla raakadataa osaamisen ja asiantuntemuksen avulla. Teollisuusympäristössä tämä prosessia hyödynnetään yleensä yleensä tuotanto- ja kunnossapito-osastoilla. Suurien prosessitietomäärien kerääminen ja oikea tulkitseminen antavat operaattoreille tietoja, joita he tarvitsevat käyttöolosuhteiden parantamiseen. Tietojen seulominen ja tulkitseminen oikealla tavalla voi auttaa parantamaan koneen suorituskykyä tai pidentämään sen käyttöikää, kun olosuhteita säädetään saatujen tulosten perusteella. Yksinkertaisimmillaan tämä tarkoittaa, että kokenut operaattori ottaa useita lukemia – esimerkiksi lämpötila-, paine- ja värähtelymittauksista – ja tekee niiden perusteella 'diagnoosin’.

    Tämä strukturoitu data muodostaa pohjan laitteiden kunnonvalvonnalle (Condition Based Monitoring, CBM) ja ennakoiville kunnossapito-ohjelmille. Oikeiden toimenpiteiden suorittaminen heti, kun poikkeavuutta on havaittavissa, auttaa pitämään koneet toiminnassa pidempään. Yksinkertainen esimerkki tästä on laakereiden värähtelyn seuraaminen, jossa yksittäinen datasarja voi auttaa pidentämään koneen käyttöikää ja käyttövarmuutta.

    SKF:n asiantuntijat auttoivat äskettäin Scuderia Ferrari F1 -tiimiä keräämään testiajoista reaaliaikaista dataa. Siinä käytettiin SKF:n IMx -kunnonvalvontajärjestelmään perustuvaa alustaa, joka seurasi koko testin ajan voimansiirron värähtelykäyttäytymistä prosessoimalla jopa 100 000 havaintoa sekunnissa. Dataa kerättiin enimmillään 20 kertaa sekunnissa – jotta se saatiin helpommin käsiteltäviksi osiksi – ja analysoitiin. Tämä auttoi Scuderian mukaan tiimiä "keskittymään tuloksiin, ei niinkään dataan".

    Ennen jatkuvaa valvontaa tiimin oli testattava voimansiirron komponentin erikseen ja tutkia, mitä niiden sisällä tarkalleen ottaen tapahtui. Datan reaaliaikainen etäseuranta ei ollut mahdollista. Tämän vuoksi ongelmien ratkaiseminen oli hidasta, eikä komponenttien kestoiästä voitu laatia ennusteita trendiarvojen perusteella. 

    SKF muokkasi IMx-alustaa tätä sovellusta varten, koska se oli suunniteltu pikemminkin tuuliturbiinien kaltaisille järjestelmille, joita varten tarvittiin paljon vähemmän tietoja ja kanavia sekä alhaisempia tehoja muun muassa tietokoneprosessoreilta.

    Prosessin edistyminen
    Strukturoitu data voidaan tulkita automattisesti: jos jokin parametri esimerkiksi nousee, järjestelmä erottaa epänormaalin käyttäytymisen normaalista, ja olosuhdetta voidaan säätää – tai muutoksen perusteella voidaan tehdä diagnoosi. Tällä hetkellä kamppaillaan kaiken, siis myös epästrukturoidun tiedon, automatisoimmiseksi.

    Asiakkaat toimittavat tiedot koneen käyttäytymisestä edelleen yleensä kirjallisena raporttina. SKF:n kaltaiset asiantuntijat toimittavat asiakkailleen kokemustensa pohjalta monia tällaisia raportteja joka vuosi. Mutta jospa näiden raporttien tulokset voitaisiin tuottaa automaattisesti, ja niitä voitaisiin käyttää analysointimahdollisuuksien lisäämiseen?

    Ennakkotapauksia on jo olemassa. Esimerkiksi konenäköjärjestelmät 'tietävät', onko vika vakava, koska niille on 'näytetty' paljon esimerkkejä. Toimintoa hyödynnetään esimerkiksi tuotteiden laadunvalvonnassa. Vain aivan vähän aikaa sitten tämäntyyppisten vikojen tarkastamiseen tarvittiin aina ihminen.

    Samaa toimintaperiaatetta käytetään jo myös monimutkaimpien koneongelmien ratkaisemiseen. Automatisoidut järjestelmät pystyvät pian tulkitsemaan tietomassoja, jotka sisältävät sekä strukturoitua että epästrukturoitua dataa, ja diagnosoimaan ongelmia automaattisesti. Järjestelmä voi esimerkiksi verrata nykyistä kuvaa aikaisempaan tai poimia tietoja suoraan kirjoitetusta raportista. Automatisoitu järjestelmä oppii jokaisesta tekstistä, kuvasta, audiotiedostosta ja videosta ja tulee koko ajan paremmaksi. Tällöin asiantuntijat voivat keskittyä ongelmiin, joita järjestelmä ei vielä tunne, ja käynnistää ohjatun oppimisprosessin niitä varten.

    Ennen kuin ollaan näin pitkällä, ratkaistavia asioita on tietenkin vielä paljon. Laite- ja käyttöohjelmat alkavat olla pitkälti valmiina, mutta eri valmistajien tekemät erilaiset järjestelmät on saatava myös kommunikoimaan keskenään saumattomasti. Tietojen saanti, vaihtaminen ja keskinäinen käytettävyys on ollut esteenä pitkään, mutta nyt näyttäisi siltä, että käytännöt ovat muuttumassa avoimemmiksi. Varsinkin monia toimittajia käyttävät loppukäyttäjät vaativat yhteensopivuutta erilaisten järjestelmien välille.

    Siirtyminen Big Datasta Smart Dataan tarkoittaa siirtymistä kysymyksestä 'mitä tapahtuu' kysymyksiin 'mitä tulee tapahtumaan, miksi niin tapahtuu ja mitä sen vuoksi on tehtävä'. Tällaisten tilannekuvien saaminen reaaliajassa tulee tuottamaan teollisuudelle hyötyä ja lisää arvoa.

    Aktiebolaget SKF
    (publ)

    Lisätietoja:
    Lehdistösuhteet: Nia Kihlström, +46 706 67 28 97; nia.kihlstrom@skf.com

    SKF on johtava maailmanlaajuinen laakereiden, tiivisteiden, mekatroniikan, voitelujärjestelmien sekä teknisen tuen, kunnossapito- ja luotettavuuspalvelujen, konsultointi- ja koulutuspalvelujen sekä muiden vastaavien palveluiden tarjoaja. SKF:llä on edustajia yli 130 maassa, ja sillä on maailmanlaajuisesti noin 17 000 jakelupistettä. Vuonna 2015 yhtiön liikevaihto oli 75 997 miljoonaa Ruotsin kruunua ja sillä oli 46 635 työntekijää. www.skf.com

    ® SKF on SKF-konsernin rekisteröity tavaramerkki.
    ™ BeyondZero on SKF-konsernin tavaramerkki.

  • Kuva

Lataa lehdistöpaketti

Lehdistöpaketti (1.6 MB)

SKF logo