# Matka kohti tehokkaampaa tuotantoa alkaa datasta – kerää, analysoi, kehitä

> Tuotantodatan kerääminen ja yhdistäminen muodostavat perustan valmistavan teollisuuden prosessien kehitykseen.

## Tuotantoprosessien kehittäminen ja hukan tunnistaminen
Valmistavan teollisuuden yrityksissä tuotantoprosessien ymmärtäminen ja kehittäminen kulkee käsi kädessä kilpailukyvyn kanssa. Prosessien hukkaa voidaan tarkastella TIMWOODS-menetelmän avulla, joka auttaa tunnistamaan:
* Kuljetuksen
* Varaston
* Liikkeen
* Odotuksen
* Ylituotannon
* Yliprosessoinnin
* Virheet
* Osaamisen alikäytön

Jokainen näistä hukan tekijöistä vaikuttaa tehokkuuteen ja kustannuksiin, ja niiden hallinta on keskeistä toiminnan kehittämisessä. Ensimmäinen askel kohti merkityksellistä kehitystä on tuotantodatan kerääminen, joka mahdollistaa ennakoivien mallien rakentamisen, prosessien optimoinnin ja päätöksenteon tukemisen.

## Datan kerääminen: Ihmiset vs. koneet
Perinteisesti tuotantodataa on kerätty työntekijöiden raportoinnin kautta, joko toiminnanohjausjärjestelmiin tai erillisiin laitteisiin. Tämä menetelmä on kuitenkin altis inhimillisille tekijöille, kuten motivaation puutteelle, kiireelle ja huomion herpaantumiselle, mikä voi johtaa puutteelliseen tietoon.

Valmistavassa teollisuudessa paras ja tarkin tieto prosessin tilasta saadaan suoraan tuotantokoneilta. Nykyaikaiset, verkkoon liitetyt koneet mahdollistavat datan keräämisen rajapintojen kautta, jolloin tieto voidaan koota yhteiselle data-alustalle.

## Kontekstin merkitys datan hyödyntämisessä
Tuotantodata yksinään kertoo vain siitä, mitä lattiatasolla tapahtuu. Jotta dataa voidaan ymmärtää, se tarvitsee kontekstin, jonka tarjoaa yrityksen toiminnanohjausjärjestelmä (esim. tuotantosuunnitelmat ja kapasiteettitiedot). 

Kun toteutunutta tuotantodataa verrataan suunnitelmaan, saadaan reaaliaikainen tilannekuva. Tämä mahdollistaa esimerkiksi koneiden todellisen käyttöasteen ja vaiheaikojen syvällisen analysoinnin, mikä on edellytys tieto-ohjatulle päätöksenteolle.

## Tuotantokoneiden rajapinnat ja datan keruumenetelmät
Tuotantokoneiden datan keräämiseen on useita tapoja riippuen koneen iästä ja ominaisuuksista:

* **Verkkolevyt:** Modernit koneet voivat kirjoittaa lokitiedostoja verkkolevylle, joista dataa voidaan lukea jatkokäsittelyä varten.
* **Ohjelmointirajapinnat (API):** Mahdollistavat yksityiskohtaisemman tiedon lukemisen koneen sisäisestä ohjausjärjestelmästä, antureista ja toimilaitteista.
* **MTConnect:** Avoin, XML-pohjainen standardi, joka tarjoaa yhtenäisen sanaston ja rakenteen eri laitteiden väliselle yhteistoimivuudelle.
* **OPC-UA:** Teollisuusautomaation standardi, joka tukee monipuolisia tietotyyppejä ja sisältää sisäänrakennetut tietoturvamekanismit.
* **Anturointi:** Vanhemmille koneille, joissa ei ole valmistajan rajapintoja, voidaan asentaa ulkoisia antureita (esim. virranmittaus) koneen kuormituksen ja tilan seuraamiseksi.

## Yhteenveto
Tuotantodatan kerääminen, yhdistäminen ja kontekstin luominen ovat avainasemassa kilpailukyvyn parantamisessa. Suunnitelman ja toteuman vertailu tuo näkyväksi prosessien ongelmakohdat, mikä mahdollistaa tuloksellisen ja jatkuvan kehittämisen.

***

*Artikkeli on kirjoitettu TUOVA-hankkeessa, joka on saanut rahoitusta rakennerahastosta, ja jonka rahoittajana toimii Etelä-Savon ELY-keskus.*

**Kirjoittajat:**
* Timo Lassila, TKI-asiantuntija, Savonia-ammattikorkeakoulu
* Jari Lipponen, TKI-asiantuntija, Savonia-ammattikorkeakoulu
* Jesse Honkanen, TKI-asiantuntija, Savonia-ammattikorkeakoulu

## Lähteet
* MTConnect standardizes factory device data. MTConnect. [https://www.mtconnect.org/](https://www.mtconnect.org/)
* Unified Architecture. OPC Foundation. [https://opcfoundation.org/about/opc-technologies/opc-ua/](https://opcfoundation.org/about/opc-technologies/opc-ua/)
* What is TIMWOODS? 8 Waste of Lean and How to Reduce Them. Six Sigma. [https://www.6sigma.us/lean-waste/timwoods-8-waste-of-lean/](https://www.6sigma.us/lean-waste/timwoods-8-waste-of-lean/)
* Zhang, J. 2024. Application of CNC Technology in Automated Machinery Manufacturing. Highlights in Science, Engineering and Technology Vol. 126, 151-154. [https://doi.org/10.54097/3bptq021](https://doi.org/10.54097/3bptq021)