Sinu brauser on natuke ajast maha jäänud. Et kõik töötaks, nagu vaja, palun uuenda enda brauserit.
Küpsised aitavad meil teenuseid edastada. Meie teenuseid kasutades nõustute sellega, et kasutame küpsiseid. ROHKEM INFOT >
Postimees 160 Juubeli puhul loe seda lugu tasuta!

Akadeemik Vilo: kvaliteedihüppeks tööstuses tuleb andmed «silotornidest» vabaks lasta

Kuidas viia tööstusesse teadmisi andmetöötlusest, mis teaduses juba ammu olemas?

KOMMENTEERI PRINDI ARTIKKEL
Professor Jaak Vilo. | FOTO: Karli Saul / Ekspress Meedia

Kuidas jõuda tööstuses tarkade otsusteni ja teha uued nutikad lahendused atraktiivseks, küsib Tartu Ülikooli bioinformaatika professor ja akadeemik Jaak Vilo.

Teaduse lipulaevaks on tavaliselt avastused loodusest, inimese tervisest, füüsikast, keemiast ja teistest sarnastest valdkondadest. Teadusavastuste tegemisel on andmete kogumine, nende omavahel ühendamine ja analüüsimine sageli igapäevatöö osa, kuid tööstuses ja tootmisprotsessides see paraku veel nii ei ole.

Samas on paljud tööstusharud läinud juba suures mahus üle sensorite abil reaalajas andmete kogumisele ja analüüsile. Näiteks võivad lennuki-, laeva- ja automootorid mõõta oma hetkeolukorda kümnete parameetrite, nagu kütusekulu, temperatuuri või vibratsiooni kaudu. Andmed saadetakse tootjale, kes saab nende põhjal hinnata vigastuste tõenäosust, hoolduse ja komponentide välja vahetamise vajadust ja palju muud.

Kahjuks ei suuda aga paljud suured tootmisharud endiselt kasutada võimalusi, mida andmeteadus pakkuda võiks, kuna puuduvad kiiresti ja mugavalt rakendatavad valmislahendused. Ometi ei ole tänapäevane tark tootmine enam massitootmine, vaid iga toode on mingil määral teisest erinev. Selline tootmine peaks aga olema tugevalt optimeeritud – komplekteerimine ja tootmisliinile saatmine peavad olema tõhusad, õiged komponendid peavad olema õigel ajal õiges kohas, tarneahelad peavad toimima õlitatult. Optimeerimine võib toimuda reaalajas, arvestades isegi saabuvat ilma või liiklusummikuid. Kvaliteedi kasv, vigade vähenemine ja tootmisliinide optimaalne kasutus on aga kindlasti kasumlikkuse võtmeküsimused.

Andmekasutuse optimeerimine eeldab valmidust koostööks – ei saa olla kinniseid eraldiseisvaid «silotorne», mille sisu ei ole teise tarbija jaoks kasutatav.

Seetõttu toimubki kogu maailmas tootmise ümberorganiseerumine – peamiselt spetsialiseerumise ja detsentraliseerumise poole –, kus võib vajalik olla ka koostöö konkurentidega või kitsalt spetsialiseerunud teist tüüpi tehastega. Seda tüüpi optimeerimine eeldab aga valmidust koostööks, kus andmed on liikuvad ja ühildatavad – ei saa olla kinniseid eraldiseisvaid «silotorne», mille sisu ei ole teise tarbija jaoks kasutatav.

Kuigi tehnoloogiline valmidus uute lahenduste arendamiseks on olemas, on ettevõtted igal pool pigem konservatiivsed – oma muresid arutatakse maja sees ja lahenduste valimisel eelistatakse kindla peale minekut. Seetõttu ei jõua ka probleemid ja teemad ei teadlaste ega ka vastavalt spetsialiseerunud ettevõteteni, kes võiksid pakkuda lahendusi.

Tööstus otsib kindlaid lahendusi

Niisiis on innovatsiooniks vaja just avatust ja sobivaid koostööplatvorme. Ülikoolides on olemas inimesed, kes on kursis tänapäevaste andmeanalüüsi ja tehisintellekti meetoditega ning on näinud, mida need teadusharudes teha suudavad. Samas vajab tööstus vastuseid küsimustele, milline on õige sensorite paigaldamise viis või kuidas saadavaid andmeid kohe kiiresti kasutada. Kui need kaks poolt kokku viia, saaks ühiste projektidega andmeid koguda, analüüsida ja pakkuda välja uusi tõhusamaid lahendusi.

Innovatsiooni edendamiseks on tarvis lahendada rida suuri ülesandeid. Vajalik on strateegiline lähenemine, mis algab olemasolevate sensoritega varustatud süsteemide jälgimisest, kitsaskohtade analüüsimisest ja uute vajaduste tuvastamisest ning lõppeb andmete kogumise, kasutamise ja jagamise parandamisega.

Üldiselt ei ole ettevõtetel selles vallas kogemusi, mistõttu ei osata hinnata, kas andmebaasid on piisavad, ja kardetakse, et andmemahud võivad olla analüüsiks liiga suured. Kvaliteet ja süstemaatilisus on täpseks analüüsiks loomulikult vajalikud, kuid mõõdetud andmeid saab pakkida ja korrastada eri viisil ka nii, et midagi olulist kaduma ei lähe. Alati pole vaja ka väga tihedaid andmeid – näiteks tehase temperatuur ei muutu sekunditega ja selliste andmete tiheduse arvelt saab andmemahte koomale tõmmata.

Vajalikud on ka targad ennustusmudelid, mis võivad anda infot selle kohta, kuidas muutub kvaliteet masina muutumisel või muude tootmisprotsessi muutuste käigus. Seejuures tuleb eraldi analüüsida ennustusmudelite reaktsiooni ebatavalistele situatsioonidele – peame teadma, mis juhtub siis, kui andmetes tekib lünk või sensorid on vigased. Sellised vead võivad osutuda väga kalliks eriti siis, kui toodetakse ainulaadseid, ühekordseid tooteid.

Selle kõige saavutamiseks tuleb tehased ühendada kontrollimisprotsessidega. Praegu tootmises kasutatavate, suuresti eraldiseisvatele ja ühetüübilisele tegevusele keskenduvate süsteemide ühildamine ja nendevahelise andmevahetuse korraldamine on äärmiselt keeruline. Paremate tootmistulemuste saamiseks tuleb aga eri süsteemide andmed ühendada ja reaalajas saadavat infot protsesside juhtimiseks kasutada.

Kõik peavad panustama

Selle saavutamine nõuab osapooltelt tahet ja panust. Praegu paistavad algatuse poolest silma USA ja Saksamaa ning Euroopa Liit on teinud investeeringuid tulevikutehaste väljatöötamiseks ja Tööstus 4.0 valdkonda.

Hea näide valdkonnast, kust selliste ümberkorraldustega alustada, on energeetika, kus on olemas lahendused, mis võimaldavad optimeerida kogu tuuleturbiinide elutsüklit nende lammutamise ja materjalide taaskasutuseni. Kui soovime aga jätkusuutlikumaks muuta tervishoidu, vajame ilmselt täiesti teistsugust mõtlemist ja kõigi oluliste andmestike ühildamist.

Ettevõtted peavad muutusi tahtma ja nendeks valmis olema, mis omakorda nõuab muutusi juhtimisharjumustes ning soovi võtta kasutusele uusi tehnoloogiaid ja tarku lahendusi.

Vajalike muutuste ellukutsumisele aitaks kaasa kõigi osapoolte võrgustikud. Nende kaudu saaksid kolm strateegilist osapoolt – tööstus, riik ja akadeemia – otsida ühiseid viise probleemide sõnastamiseks, analüüsiks ja ka rahastuse leidmiseks. Koostöökeskuste formaadis saaks katsetada ka võimalikke uudseid lahendusi, viia läbi katseprojekte ja harjutada avatud koostööd.

Seejuures on eri tüüpi organisatsioonide kaasamiseks ja kontakti loomiseks vaja tagada avatus ja usaldus, ilma milleta ei riskiks ettevõtted oma andmed jagada nendega, kes oskavad andmeid analüüsida.

Sama oluline on toetada poliitikaga targa tootmise edendamist. Kuigi tööstusharud peavad ise oma muudatused ellu kutsuma, saavad riigid aidata ületada riskantseid kuristikke erinevat loogikat järgivate osapoolte vahel, toetades riskiinvesteeringuid ja soosides koostööd eri sektorite vahel. Ettevõtted, riik ja ülikoolid ning uurimisasutused saavad niimoodi koos muuta tuleviku tootmise paindlikumaks, tõhusamaks ja kvaliteetsemaks.

Vaata veel: Andrew Kusiak. Smart manufacturing must embrace big data. Nature, 544(7648), 6. aprill 2017.

Tagasi üles