Blogi

Valmetin paperikoneille lisätehoja analytiikkaa hyödyntämällä

Sellu-, paperi- ja energiateollisuutta palveleva Valmet Oyj panostaa täysillä big dataan, analytiikkaan ja teolliseen internetiin. Yritys tarjoaa asiakkailleen kattavat advisory-palvelut, joiden tavoitteena on tehostaa paperi- ja sellutuotantoa. Oleellista tällöin on maksimoida koneiden käytettävyys minimoimalla niiden huoltoseisokkeihin ja tuotantokatkoksiin menevä aika. Onnistuakseen tavoitteissaan Valmet tekee yhteistyötä Houston Analyticsin ja Teradatan kanssa. Asiakkaidensa tuotannossa olevien paperikoneiden sensoreista kerätään dataa, jota analysoimalla koneiden käyttöä ja huoltovälejä pyritään optimoimaan.

Erityisen kiinnostuksen kohde on ollut paperikoneen kulutusosat ja niiden elinikä tuotannossa. Monissa paperikoneen osaprosesseissa tela puristaa toista telaa suurella voimalla ja nopeudella. Kulumista siis tapahtuu, mutta aikaisemmin ei reaaliaikaisesti tiedetty miten, milloin ja miksi. Ratkaisu kysymyksiin löytyi paperikoneeseen liitettyjen useamman kymmenen tuhannen sensorin keräämän tiedon analysoinnista. Syntyneen ennustemallin avulla löydettiin paitsi syyt telan kulumiselle ennen kaikkea toimenpidemalli tehokkaalle paperikoneen käytölle. Ko. mallin avulla suunniteltuja huoltovälejä on onnistuttu pidentämään kymmeniä prosentteja. Nostamalla näin käyntiastetta on saatu aikaan merkittäviä säästöjä.

  • Asiakkaamme haluavat ostaa kasvavassa määrin vaativia huolto- ja kunnossapitopalveluita alkuperäiseltä laitevalmistajalta eli meiltä. Uusi paperikone maksaa noin 50 - 200 miljoonaa euroa ja koko projekti 100 - 400 miljoonaa euroa. Paperikoneet ovat erittäin monimutkaisia ja niissä on runsaasti hintavia ja tuotannossa kuluvia osia. Halusimme kehittää elinkaarimallin, jonka avulla pystyisimme tunnistamaan tekijöitä, jotka vaikuttavat niiden elinkaareen sekä tuotantokäytön optimointiin”, sanoo Valmetin Pekka Linnonmaa, Director, Paper Technology, EMEA.

Paperikoneen sensoreista kertyy todella paljon, yleisesti ottaen hyvälaatuista dataa. Tämän ansiosta mallin ennustekyky on hyvä. Analytiikkatyökalu IBM SPSS Modelerin ja Teradata Asterin tehokkaalla yhteiskäytöllä suorituskyky ei aiheuta ongelmia, joten varsinainen työ kohdistetaan datasta löytyvien ilmiöiden ymmärtämiseen.

  • Datasta voidaan tunnistaa, mitkä tapahtumat ja niiden sarjat ovat yhteydessä paperikoneen osan kulumiseen. Tämän pohjalta rakennetaan tilastollinen ennustava malli, joka tunnistaa huoltoajankohdan hyvissä ajoin. Mallin avulla voidaan myös luoda skenaarioita siitä, miten konetta tulisi operoida. Data-analyytikon ja asiantuntijoiden välinen yhteistyö toimii saadun tiedon pohjalta saumattomasti, minkä asiosta data-analyyseillä on mahdollista vahvistaa ja tunnistaa jopa uusia fysikaalisia riippuvuussuhteita, kertoo Houston Analyticsin Chief Analyst Joonas Isoketo.