Reaaliaikaisesta datasta ennakoivaa huoltoa ja parempaa tuotantotehokkuutta energiateollisuudessa

Data on kaiken ennakoinnin ja tehokkuuden keskiössä. Olemme aiemmissa blogeissamme käsitelleet datan merkitystä päästötehokkuuden parantamisessa. Samasta datasta voidaan hyötyä myös muissa funktioissa ja muilla tavoin. Yksi tällainen funktio on kunnossapito. Samalla tavalla kuin datan avulla voidaan seurata ja ennakoida tuotantoon suoraan liittyviä tekijöitä, voidaan sen avulla ennakoida ja suunnitella huoltotoimenpiteitä.   

Eikä ennakoivaa huoltoa ole mitään syytä tarkastella irrallisena tuotannon tehokkuudesta, onhan prosessien ja laitteiden toiminnalla tähän valtava merkitys.

Miten nyt toimitaan

Huoltosuunnitelmat laaditaan monissa tuotantolaitoksissa pitkälti kalenterin ympärille. Ennakointi tarkoittaa kuluvien osien vaihtamista hyvissä ajoin ennen valmistajan suosittelemaa vaihtoaikaa. Huoltokatkot suunnitellaan ennalta tarkasti ja tuon aikaikkunan puitteissa tehdään kaikki ennakoivat toimenpiteet. Tämän lisäksi varaudutaan suurempiin ongelmiin kokeneiden kunnossapidon työntekijöiden päivystysvuoroilla.

Näin on ollut perusteltua toimia, sillä monille laitoksille ei ole ollut tarjolla parempaakaan vaihtoehtoa.

Mitä puutteita nykyisessä lähestymisessä on?

Tämän lähestymisen suurin puute on siinä, ettei se huomioi laitteiston tehon heikkenemistä tai poikkeavia tuotantoarvoja kuten vaikka esimerkiksi kaukolämpöverkon pumppujen paine-eroja. Miten voisikaan, jos näistä ei ole tietoa?

Ratkaisu piilee datassa ja sen hyödyntämisessä. Riippuen yrityksestä ja tuotantolaitoksesta, voi käytössä olla jo valvomojärjestelmiä, jotka keräävät dataa tuotannon käyttäytymisestä. Olemme muissa blogeissamme käsitelleet sitä, miten tuota dataa tulisi jatkojalostaa ja hyödyntää koko lämpölaitosverkoston päästöjen sekä tehojen seurannassa ja optimoinnissa.  

Sama data voidaan ottaa hyötykäyttöön myös kunnossapidossa.

Miten dataa voidaan hyödyntää?

Siitä hetkestä lähtien, kun dataa alkaa kertyä tuotantolaitoksista, voidaan sitä alkaa hyödyntää myös kunnossapidossa. Luotettavaan ennakointiin vaaditaan kuitenkin historiatietoa. Kun dataa kertyy riittävästi – ja tähän voi riittää suhteellisen lyhyt puolen vuoden jakso – voidaan sen pohjalta analysoida, mitä esimerkiksi kaukolämpöverkon pumppujen pienet paineenvaihtelut indikoivat pumppujen kunnosta.   

Kun tähän yhtälöön lisätään koneoppiminen sekä muu koko lämpölaitosverkostosta kertyvä data, voidaan huoltokatkokset ajoittaa strategisesti ja kompensoida tuotantoa lisäämällä esimerkiksi muiden laitosten tehoa tai ostaa lisätehoa ulkopuolelta.

Datan pohjalta tunnistetut toimenpidetarpeet voidaan edelleen ohjata työmääräyksiksi aina kunnossapitohenkilöstön kalentereihin saakka.

Data hyötykäyttöön läpi organisaation

Jakeluverkkoa, tuotantoa, tuotantoyksiköitä, prosesseja sekä yksittäisiä laitteita on kaikkia tärkeä seurata ja kerätä niistä dataa. Teollisen internetin, eli IoT:n, avulla tätä on tänä päivänä mahdollista tehdä varsin kattavasti.  

Vaikka datan keräämisen päätarkoitus olisikin parantaa päästö- ja tuotantotehokkuutta, voidaan samaa dataa hyödyntää myös moniin muihin tarkoituksiin. Yhtenä huomattavana esimerkkinä tästä ennakoiva huolto.

Datan laajaan hyötykäyttöön ottaminen energiateollisuudessa onkin paitsi keino vastata ajan haasteisiin, myös tapa tehostaa omaa liiketoimintaa.