Big data ja perinteiset toimialat älyäteollisiin palveluihin. Yrjö Hiltunen Mikkelin ammattikorkeakoulu Kuitulaboratorio Savonlinna

Koko: px

Aloita esitys sivulta:

Download "Big data ja perinteiset toimialat älyäteollisiin palveluihin. Yrjö Hiltunen Mikkelin ammattikorkeakoulu Kuitulaboratorio Savonlinna"

Kimmo Pakarinen
8 vuotta sitten
Katselukertoja:

1 Big data ja perinteiset toimialat älyäteollisiin palveluihin Yrjö Hiltunen Mikkelin ammattikorkeakoulu Kuitulaboratorio Savonlinna

2 KUITULABORATORIO / FIBERLABORATORY Savonlinnan Kuitulaboratorio on Mikkelin ammattikorkeakoulun tutkimusyksikkö, jossa tehdään metsäbiomassan jalostukseen, tulevaisuuden metsäbiojalostamoiden prosesseihin sekä vesi- ja ympäristöteknologiaan liittyvää tutkimustyötä sekä tarjotaan laboratorio- ja tehdasmittakaavaista koeajopalvelua. Toiminta tapahtuu 20 työntekijän voimin yhteistyössä tutkimusryhmien, paperin ja sellun valmistajien, biojalostamoiden, kemikaalitoimittajien sekä alan laitevalmistajien kanssa. Syksyllä 2014 alkaa prosessi- ja materiatekniikan insinöörikoulutus. Yhteistyöyritykset Andritz Oy Wetend Technologies Oy K-Patents Oy Muut laitevalmistajat, sellu- ja paperitehtaat, kemikaalivalmistajia v n. 25 eri asiakasta Korkeakouluyhteistyö Lappeenrannan teknillinen yliopisto Aalto yliopisto Itä-Suomen yliopisto/joensuu Oulun yliopisto Pietarin valtion polytekninen yliopisto Savonia ammattikorkeakoulu

3 Big Data Big data is an all-encompassing term for any collection of data sets so large and complex that it becomes difficult to process using on-hand data management tools or traditional data processing applications. The challenges include capture, curation, storage, search, sharing, transfer, analysis and visualization The world's technological per-capita capacity to store information has roughly doubled every 40 months since the 1980s; as of 2012, every day bytes of data were created

4 Big Data - Sovellusalueet - mm. teollisuuden prosessit ja niiden optimointi, ennakoiva huolto, energian käytön hallinta, ja käyttöomaisuuden - myös teollisuuden ulkopuolisessa elinkeinoelämässä, kuten esim. terveydenhuollossa, kaupan ja logistiikan alueella, rakentamisessa ja kiinteistöjen hoidossa sekä kunnallisten ja muiden julkisten palvelujen tuottamisessa (energia, vesi, jätevesi...) Big data ja teollinen internet

5 Kaija Pöysti, Intosome: Teollinen internet: mahdollisuudet ja haasteet suomalaiselle pk-teollisuudelle Wikipedia

6 Saija Ahlgren, Toni Nygrén, Satu Tanninen: Internet Of Things ja teollinen internet Suomessa: Markkina- ja tilannekatsaus Raportti toukokuu 2014 Asioiden ja esineiden verkottuminen eli Internet of Things (IoT) luo merkittävän uuden markkinan, jonka arvo vuonna 2020 on Suomessa noin 1,4 miljardia euroa uutta liiketoimintaa. Internet of Things -markkinan suurin kasvu syntyy analytiikasta, sovelluksista ja palveluista. Internet of Things tuo yrityksille uusia liiketoimintamahdollisuuksia, sekä muuttaa myös liiketoimintamalleja ja ansaintalogiikoita. Valtavasta potentiaalista huolimatta noin 70 % suomalaisista organisaatioista suhtautuu tällä hetkellä passiivisesti asioiden ja esineiden verkottumiseen sekä siihen kiinteästi liittyvään teolliseen internetiin.

7 Teollinen internet Marko Orenius, Teollinen internet on älykkäiden laitteiden, analytiikan ja ihmisten työn tehokasta yhdistämistä teollisissa- ja palveluprosesseissa. Suurten tietomäärien käsittelyssä on myös edetty valtavin harppauksin eteenpäin ja näitä on hyödynnetty mm. pilviteknologian saralla. Entistä nopeampien tiedonsiirtoteknologioiden kehittyminen samaan aikaan on mahdollistanut aina vain suuremman ja nopeamman informaatiovirran. Esimerkkejä: monitorointi-, etäkäyttöja optimointipalvelut, joiden avulla asiakkaat voivat tehostaa sekä omia prosesseja että optimoida tuotantovälineiden käyttöä Pekka Lundmark, Konecranes Uusi teknologia on tekemässä mahdolliseksi laitteiden laajamittaisen ja edullisen anturoinnin, mikä puolestaan tekee koneista aivan eri tavalla kuin aiemmin tietoisia omasta tilastaan. Kun laitteet kytketään reaaliajassa verkkoon, avautuu kokonaan uusi mahdollisuuksien maailma teollista tuottavuutta parantavien palveluiden tarjoamiseen. Tässä on oiva uusiutumishaaste suomalaiselle koneenrakennusteollisuudelle, ja samalla vahva kilpailuase esimerkiksi aasialaisia, edelleenkin pääasiassa halpaan hintaan keskittyviä kilpailijoita vastaan!

8 Laite on älykäs 1. Se suorittaa itsenäisesti jonkin reaalimaailman toiminnon JA 2. Se osaa seurata omaa tilaansa ja toimintaansa JA 3. Seurannan tuloksena osaa muuttaa toimintaansa 8 TAI osaa raportoida omasta tilastaan tai suorittamansa toiminnon tilasta Oppivuus / adaptiivisuus / älykkyys

The hierarchy of components in diagnostics services providing added value for the process industry. Liukkonen M., Heikkinen M., Hiltunen T., Kapanen J., Hiltunen Y.

9 The hierarchy of components in diagnostics services providing added value for the process industry. Liukkonen M., Heikkinen M., Hiltunen T., Kapanen J., Hiltunen Y. Modeling Software for Advanced Industrial Diagnostics. SIMS 2011, The 52nd International Conference of Scandinavian Simulation Society. Västerås, Sweden, September 29-30, 2011

10 Business Models for Services Providing Added Value in the Process Industry Process data Process Measuring systems Special sensors Intelligent computing and data mining Intelligent and automated report Diagnostics service company End user of information

11 Business Models for Services Providing Added Value in the Process Industry Service company Process Process data Special sensors Measuring systems Special sensors Data mining Intelligent computing and data mining Repost OPE operation Intelligent and automated report End user of information Diagnostics service company

12 :Tutkimus Process history based modeling methods Modeling Linear regression, neural networks... Quality, cost Mikko Heikkinen, Teri Hiltunen, Mika Liukkonen, Ari Kettunen, Reijo Kuivalainen, Yrjö Hiltunen, A modeling and optimization system for fluidized bed power plants", Expert Systems with Applications, Volume 36, 2009,

13 A Software Platform for Services Providing Added Value in the Process Industry Import: import and export data, rename and preselect variables etc. Pre-processing: remove constants, filter, interpolate, create derivatives, change resolution of data etc. Visualization: simple plotting, scatter plots, histograms, statistics Correlations and lags: calculate correlations, determine changing correlations, and determine time lags Variable selection: select the most important variables using regression Modeling: multivariate regression, artificial neural networks Liukkonen M., Heikkinen M., Hiltunen T., Kapanen J., Hiltunen Y. Modeling Software for Advanced Industrial Diagnostics. SIMS 2011, The 52nd International Conference of Scandinavian Simulation Society. Västerås, Sweden, September 29-30, 2011

14 Fouling of an evaporation plant Steam T Exhaust vapour Black liquor Fouling of evaporation plant => energy consumption increases T increaes over a threshold value => washing Stages of modeling: 1.Process data 2.Data preprocessing and process lags 3.Determination of fouling degree ( T) 4.Determination of quality of period 5.Modeling Results: - Model - The seven most important variables

15 An online software platform for process monitoring The information screen of the software showing the warning lights for selected process variables. The instruction panel showing the most recent warnings and possible instructions based on expert knowledge for the software to propose Mika Liukkonen, Petri Juntunen, Ilkka Laakso and Yrjö Hiltunen, Expert Systems with Application, Volume 40, 2013, Pages

16 Ohjelmistojen integrointi Malleihin perustuvan tiedon siirtämisen online-ohjelmistoon Online software Mallinusohjelmisto - mallit - softsensorit - jne. Varoitukset, hälytykset, toimintaohjeet, jne.

17 Esimerkki ParticleCam: System for ash monitoring Automated image capturing with adjustable interval YMMORE Oy Calculated features such as grain size

Yksi kohde: Raakakuvien koko noin 10 Mtavua Kuvia otetaan 15 kpl/tunti Raakadataa 15

18 Esimerkki ParticleCam: System for ash monitoring Image acquisition Image filtering Image processing and analysis Postprocessing for monitoring etc. Yksi kohde: Raakakuvien koko noin 10 Mtavua Kuvia otetaan 15 kpl/tunti Raakadataa 15 TB/vuosi YMMORE Oy YM Modeling and Research Oy / ParticleCam Jatkuva analyysi ja vain analyysitulosten lähetys 18

12.8.2014 CyberLightning voi kasvaa johtavaksi toimijaksi teollisen internetin alueella, monimutkaisen tiedon

19 CyberLightning voi kasvaa johtavaksi toimijaksi teollisen internetin alueella, monimutkaisen tiedon yksinkertaistajana ja oleellisen tiedon visualisoijana siten, että organisaatiot saavat näin erilaista, arvokasta ja reaaliaikaista tilannetietoa

20 20 Kiitos mielenkiinnosta!

Samankaltaiset tiedostot

Langattomat ubi-teknologiat sovelluksia ja liiketoimintamahdollisuuksia. Juha Miettinen Ohjelmajohtaja Jokapaikan tietotekniikan klusteriohjelma

Langattomat ubi-teknologiat sovelluksia ja liiketoimintamahdollisuuksia Juha Miettinen Ohjelmajohtaja Jokapaikan tietotekniikan klusteriohjelma Sisältö Jokapaikan tietotekniikan osamisklusteri? UBI-sovellusmarkkina