Teollisuuden kunnossapito on Suomessa merkittävä kustannus- ja kilpailutekijä. Siihen käytetään vuosittain arviolta noin 3,5 miljardia euroa, ja ala työllistää kymmeniä tuhansia asiantuntijoita. Kunnossapidon osuus yritysten liikevaihdosta voi nousta jopa viidennekseen, mikä korostaa sen strategista merkitystä. Samanaikaisesti tutkimus osoittaa, että siirtyminen ennakoiviin kunnossapitomalleihin voi vähentää käyttökatkoja ja laiterikkoja huomattavasti sekä alentaa kustannuksia, parantaen näin tuotannon tehokkuutta ja kannattavuutta. Teollisuusympäristöjen monimutkaisuus ja datan hyödyntämisen haasteet tekevät kuitenkin optimaalisten kunnossapitokäytäntöjen kehittämisestä edelleen ajankohtaisen ja vaativan tutkimus- ja kehittämiskohteen (Tennilä 2017; Maintworld 2024).

Marjo Rinne ja Niklas Koivistoinen tarkastelivat YAMK opinnäytetyössään digitaalisen kaksosen hyödyntämistä raskaiden työ- ja tuotantokoneiden kunnossapidossa. Työ toteutettiin toimeksiantona suomalaisessa teollisessa toimintaympäristössä toimivalle yritykselle osana monialaista tutkimusryhmää, johon osallistui kuusi opiskelijaa kuudesta eri YAMK-tutkinto-ohjelmasta.

Opinnäytetyö liittyi Savonia-ammattikorkeakoulussa syksyllä 2025 käynnistyneeseen monialaiseen DUAL-opinnäytetyöprosessiin, jonka tavoitteena oli vahvistaa opinnäytetöiden työelämälähtöisyyttä sekä tuottaa tutkimusperustaisia ratkaisuja organisaatioiden kehittämistarpeisiin. Pilottiin osallistui 18 opiskelijaa kahdeksasta eri YAMK-tutkinto-ohjelmasta, ja toimintamallissa yhdelle toimeksiantajalle toteutettiin samanaikaisesti useita opinnäytetöitä.

Digitaalinen kaksonen kunnossapidossa

Teollisuuden kunnossapidossa hyödynnetään yhä enemmän dataohjautuvia ja ennakoivia toimintamalleja, joissa reaaliaikainen kone- ja prosessidata tukee huollon suunnittelua ja päätöksentekoa. Digitaalinen kaksonen on noussut keskeiseksi ratkaisuksi, sillä se yhdistää sensoridatan, historiatiedot, mallinnuksen ja analytiikan kokonaisuudeksi, jonka avulla koneiden toimintaa ja kuntoa voidaan seurata entistä tarkemmin ja ennakoivammin (Lu, Liu, Wang, Huang & Xu 2020; Digital Twin Consortium 2024).

Digitaalinen kaksonen on enemmän kuin pelkkä 3D-malli. Se on reaaliaikaisesti päivittyvä virtuaalinen vastine fyysiselle koneelle, joka hyödyntää jatkuvasti päivittyvää dataa koneen toiminnan seuraamiseen ja ennakointiin. Toisin kuin digitaalinen varjo, joka kuvaa koneen toimintaa jälkikäteen, digitaalinen kaksonen mahdollistaa tulevan käyttäytymisen ennustamisen ja erilaisten skenaarioiden simuloinnin. (Tao, Zhang, Liu & Nee 2019.)

Kansainvälisen tutkimuksen mukaan digitaalinen kaksonen parantaa kunnossapidon laatua tarjoamalla 1) reaaliaikaisen tilannekuvan koneen toiminnasta, 2) tukemalla poikkeamien varhaista tunnistamista sekä 3) mahdollistamalla huoltotoimenpiteiden optimoinnin (Rasheed, San & Kvamsdal 2020).

Kunnossapidossa digitaalinen kaksonen kokoaa yhteen koneiden käyttöön ja kuntoon liittyvää dataa, kuten kuormitus-, liike-, lämpötila- ja hydraulisia mittaustietoja. Näiden tietojen yhdistäminen mahdollistaa koneen käyttäytymisen analysoinnin, poikkeamien varhaisen tunnistamisen sekä huoltotoimenpiteiden suunnittelun ilman tuotannon keskeytyksiä. Tämä tukee siirtymistä kohti ennustavaa ja ohjailevaa kunnossapitoa, jossa digitaalinen kaksonen toimii keskeisenä päätöksenteon ja tilannekuvan muodostamisen työkaluna.

Opinnäytetyön toteutus ja datalähtöinen näkökulma

Opinnäytetyön tavoitteena oli selvittää, 1) millaista dataa digitaalinen kaksonen tuottaa ja miten data integroidaan osaksi kunnossapidon prosesseja. 2) Lisäksi tarkasteltiin datan hyödyntämiseen liittyviä teknisiä ja organisatorisia haasteita sekä sitä, 3) miten digitaalinen kaksonen tukee ennakoivaa ja ohjailevaa kunnossapitoa.

Opinnäytetyön aineistohankinta toteutettiin asiantuntijahaastatteluna. Haastatteluihin osallistui sekä toimeksiantajayrityksen asiantuntijoita. Lisäksi haastateltiin yrityksen ulkopuolisia teollisuuden toimijoita, joilla oli kokemusta digitaalisten kaksosten käyttöönotosta ja ylläpidosta.

Digitaalisesta varjosta kohti digitaalista kaksosta

Tulosten perusteella merkittävimmät hyödyt saavutetaan siirryttäessä digitaalisesta varjosta kohti digitaalista kaksosta. Digitaalinen kaksonen mahdollistaa poikkeamien varhaisen tunnistamisen sekä huoltotoimenpiteiden ennakoimisen jo ennen varsinaista vikaantumista. Tämä parantaa työturvallisuutta, vähentää kiireellisten ja riskialttiiden huoltotoimenpiteiden tarvetta sekä tukee huollon ennakkosuunnittelua (Rasheed ym. 2020).

Digitaalinen kaksonen tuottaa myös entistä luotettavampaa tietoa päätöksenteon tueksi. Suunnitteluvaiheessa voidaan simuloida erilaisia skenaarioita, mikä vähentää epävarmuutta ja tukee perusteltujen ratkaisujen tekemistä kriittisissä tilanteissa (Fett, Wilking, Goetz, Kirchner & Wartzack 2023).

Tuloksissa korostui lisäksi tarve kehittää tiedon esittämistapoja. Turvallisuus nousi keskeiseksi tekijäksi, sillä reaaliaikainen tilannekuva ja ennakoiva analytiikka mahdollistavat riskien tunnistamisen jo ennen niiden toteutumista (European Commission 2021).

Ennakoiva ja ohjaileva kunnossapito

Digitaalinen kaksonen toimii siten keskeisenä yhdistävänä elementtinä ennakoivan ja ohjailevan kunnossapidon välillä.

Ennakoiva kunnossapito (predictive maintenance) perustuu koneen kunnon jatkuvaan seurantaan ja alkavien vikojen tunnistamiseen ennen niiden kehittymistä toimintahäiriöiksi. Digitaalinen kaksonen tukee tätä prosessia yhdistämällä sensoridatan ja analytiikan, jolloin voidaan arvioida komponenttien jäljellä olevaa käyttöikää (Remaining Useful Life, RUL) (Jardine, Lin & Banjevic 2006).

Ohjaileva kunnossapito (prescriptive maintenance) etenee ennakoivaa kunnossapitoa pidemmälle, sillä se ei ainoastaan ennusta vikoja, vaan antaa myös suosituksia parhaista huoltotoimenpiteistä sekä arvioi niiden vaikutuksia kustannuksiin, turvallisuuteen ja tuotantoon. Digitaalinen kaksonen mahdollistaa eri vaihtoehtojen simuloinnin virtuaalisessa ympäristössä ilman riskiä tuotannon keskeytymisestä (Tao ym. 2019).

Esille nousseet kehittämiskohteet

Tuloksissa nousi esille useita teknisiä ja organisatorisia kehittämiskohteita. Keskeiset kehittämistarpeet liittyivät datan laatuun, järjestelmien integraatioihin, sensoriverkkojen toimivuuteen sekä käyttäjäosaamiseen.

• Datan laatu ja standardointi nousivat keskeisiksi tekijöiksi, sillä sensoridatan tarkkuus ja synkronointi ovat kriittisiä ennakoivan analytiikan luotettavuudelle.
• Digitaalisen kaksosen hyödyntäminen edellyttää toimivia integraatioita ERP-, MES- ja kunnossapitojärjestelmien välillä.
• Sensoriverkkojen robustisuus korostui erityisesti vaativissa käyttöolosuhteissa, joissa mittausratkaisuilta edellytetään hyvää häiriönsietokykyä.
• Käyttäjäosaaminen nousi merkittäväksi kehittämiskohteeksi, sillä mallipohjaisen päätöksenteon ja analytiikan hyödyntäminen vaatii uudenlaista teknistä kompetenssia.

Nämä havainnot ovat linjassa kansainvälisen tutkimuksen kanssa, jossa korostetaan dataintegraation, mallien validoinnin ja henkilöstön osaamisen merkitystä digitaalisten kaksosten käyttöönotossa. (Kreuzer, Papapetrou & Zdravkovic 2024.)

Johtopäätökset

Digitaalinen kaksonen muodostaa rakenteellisen perustan teollisuuden ennakoivalle ja ohjailevalle kunnossapidolle. Kohdeyrityksen tapaustutkimus osoittaa, että teknologia:

• parantaa laitteiden käytettävyyttä
• mahdollistaa tarkemman huoltojen kohdentamisen
• lyhentää seisokkeja
• parantaa turvallisuutta
• pienentää elinkaarikustannuksia

Digitaalinen kaksonen ei ole yksittäinen sovellus, vaan osa teollisen digitalisaation ekosysteemiä, jossa data, analytiikka ja mallinnus muodostavat kunnossapidon uuden perustan.

---

Kirjoittajat

Marjo Rinne, Digitalisaation asiantuntija sosiaali- ja terveysalalla tutkinto-ohjelma, YAMK-tutkinto opiskelija, Master School, Savonia-ammattikorkeakoulu

Niklas Koivistoinen, Teknologiaosaamisen johtamisen tutkinto-ohjelma, YAMK-tutkinto opiskelija, Master School, Savonia-ammattikorkeakoulu

Teija Korhonen, yliopettaja, Master School, Savonia-ammattikorkeakoulu

Hannu Poutiainen, lehtori, Jatkuva oppiminen, Savonia-ammattikorkeakoulu

---

Lähteet

Digital Twin Consortium. 2024. Definition of a Digital Twin. Verkkojulkaisu. https://www.digitaltwinconsortium.org/initiatives/the-definition-of-a-digital-twin/

European Commission: Directorate-General for Research and Innovation, Industry 5.0 – Towards a sustainable, human-centric and resilient European industry, Publications Office of the European Union, 2021. https://data.europa.eu/doi/10.2777/308407

Fett, M., Wilking, F., Goetz, S., Kirchner, E., & Wartzack, S. 2023. A Literature Review on the Development and Creation of Digital Twins, Cyber-Physical Systems, and Product-Service Systems. Sensors, 23(24), 9786. https://doi.org/10.3390/s23249786

Jardine, A., Lin, D. & Banjevic, D. 2006. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), https://doi.org/10.1016/J.YMSSP.2005.09.012

Kreuzer, T., Papapetrou, P. & Zdravkovic, J. 2024. Artificial Intelligence in Digital Twins — A Systematic Literature Review. https://doi.org/10.1016/j.datak.2024.102304

Lee, J., Kao, H. A. & Yang, S. 2014. Service innovation and smart analytics for Industry 4.0. Procedia CIRP, 16, 3–8. https://doi.org/10.1016/j.procir.2014.02.001

Lu, Y., Liu, C., Wang, K., Huang, H. & Xu, X. 2020. Digital twin-driven smart manufacturing: Connotation, reference model, applications and research issues. Journal of Manufacturing Systems, 56, 139–150. https://doi.org/10.1016/j.rcim.2019.101837

Maintworld. 2024. The predictive maintenance market forecast. Artikkeli 7.3.2024. https://www.maintworld.com/News/The-predictive-maintenance-market-forecast#:~:text=Market%20growth%20is%20primarily%20driven,the%20minimum%20impact%20on%20production.

Rasheed, A., San, O., & Kvamsdal, T. 2020. Digital Twin: Values, Challenges and Enablers From a Modeling Perspective. IEEE Access Received. January 11, 2020, accepted January 25, 2020, date of publication January 28, 2020, date of current version February 5, 2020. https://doi.org/10.1109/ACCESS.2020.2970143

Tao, F., Zhang, H., Liu, A. & Nee, A. Y. C. 2019. Digital twin in industry: State-of-the-art. IEEE Transactions on Industrial Informatics 15 (4), 2405–2415. https://doi.org/10.1109/TII.2018.2873186

Tennilä. J. 2017. Kunnossapidon perusteet – uudet teknologiat. Esitys 5.10.2017 PROSTEK 2017 seminaarissa. Kunnossapitoyhdistys Promaint ry. https://www.prostek.fi/wp-content/uploads/kunnossapidon_perusteet_promaint_5.10.2017_prostek_2017.pdf.