Tuotannossa ongelmat harvoin ilmoittavat tulostaan etukäteen. Pullonkaula huomataan usein vasta, kun toimitukset alkavat venyä. Kapasiteetin rajat tulevat vastaan tilauskannan kasvaessa. Automaatioinvestoinnin todelliset vaikutukset paljastuvat usein vasta silloin, kun laite, solu tai uusi toimintatapa on jo osa arkea. Samaan aikaan yrityksiltä odotetaan entistä parempaa ymmärrystä kustannuksista, materiaalivirroista, toimituskyvystä ja ympäristövaikutuksista.

Moniin näistä kysymyksistä ei saada riittäviä vastauksia pelkän kokemuksen, raporttien tai yksittäisten tunnuslukujen avulla. Tuotantojärjestelmät muodostuvat lukuisista toisiinsa vaikuttavista tekijöistä: työjonoista, vaiheistuksista, asetuksista, koneiden käytettävyydestä, materiaalivirroista, operaattoreista, prioriteeteista ja häiriöistä. Kun yksi osa muuttuu, vaikutus näkyy usein vasta koko järjestelmän käyttäytymisessä.

Simulointi tarjoaa tähän vaihtoehdon. Sen avulla voidaan rakentaa virtuaalinen vastine tarkasteltavasta prosessista ja kokeilla erilaisia toimintavaihtoehtoja ennen kuin muutoksia tehdään todellisessa tuotannossa (Kuva 1). Juuri tähän ajatukseen perustui Simulaatiomallit teollisissa prosesseissa -hanke, jonka tavoitteena oli tuoda simulointi lähemmäs Pohjois-Savon teollisuuden käytännön kehittämistyötä. Hankkeen keskiössä olivat työelämälähtöiset case-aineistot, jotka perustuivat valmistavan teollisuuden yritysten todelliseen dataan. Näiden aineistojen pohjalta kehitettiin geneerisiä ja julkisia simulaatiomalleja teollisuuden eri käyttökohteisiin. Siksi mallit kuvasivat todellisia tuotantotilanteita ja yritysten aitoja kehittämistarpeita.

Kaikki hankkeessa valmistuneet ja valmisteilla olevat mallit, toimintamallit sekä julkaisut löytyvät materiaalipankista:

Simulaatiomallit teollisissa prosesseissa – Sitepro

Kun tuotannon hiljainen tieto muutetaan näkyväksi

Simulaatiomallit teollisissa prosesseissa -hanke ei lähtenyt liikkeelle ohjelmistoista. Matka alkoi yritysten kysymyksistä.

Voidaanko kapasiteettia käyttää paremmin? Mitä ERP-järjestelmään kertyneestä datasta voidaan oppia? Miten automaatio vaikuttaisi materiaalivirtaan, henkilöstön työhön ja läpimenoaikaan? Miten mobiilirobotti käyttäytyisi olemassa olevassa tuotantotilassa? Miten vastuullisuus voidaan tuoda osaksi valmistuksen päätöksentekoa?

Näiden kysymysten ympärille rakentui hankkeen toimintatapa. Ensin tunnistettiin kehittämistarve, sitten kerättiin ja käsiteltiin lähtöaineisto, rakennettiin simulaatiomalli, tarkasteltiin vaihtoehtoisia skenaarioita ja lopuksi koottiin opit julkiseksi malliksi, artikkeliksi, toimintamalliksi tai oppimateriaaliksi. Simulaatiomallien järjestelmällistä kehitystä käsittelevä julkaisu kuvaa samaa ajattelua kahdeksanvaiheisena prosessina: ongelman määrittelystä muuttujien tunnistamiseen, konseptimalliin, datan keräämiseen, mallin kehittämiseen, validointiin, simulaatioajoihin ja tulosten analysointiin.

Tämä oli tärkeää, koska simulointi epäonnistuu helposti, jos kysymys on liian epämääräinen tai lähtödata ei vastaa todellista päätöksentekotarvetta. Hankkeessa opittiin, että hyvä simulaatio ei ala mallinnuksesta, vaan oikean kysymyksen muotoilusta. Mallin pitää vastata siihen, mitä yritys oikeasti haluaa ymmärtää.

Data kertoo menneestä, simulointi auttaa katsomaan eteenpäin

Monessa yrityksessä dataa on enemmän kuin koskaan. Sitä kertyy ERP-järjestelmistä, tuotannon raporteista, koneilta ja laskennasta. Silti sama kysymys toistuu: mitä datan perusteella pitäisi tehdä seuraavaksi?

ERP-dataan perustuvassa julkaisussa ”Data-analyysi tuotannon läpimenoaikojen simuloinnin lähtökohtana” aineisto puhdistettiin Pythonilla, analysoitiin Power BI:ssä ja vietiin AnyLogic-simuloinnin lähtötiedoksi. Näin voitiin tarkastella esimerkiksi toteutuneiden ja laskennallisten työtuntien eroja, nimikkeiden toistuvuutta, vaiheistusta ja konekohtaista kuormitusta. Keskeinen hyöty oli, että data muuttui keskusteltavaksi kokonaiskuvaksi. Simulaatio auttoi näkemään, mihin tuotannon aika kuluu, miten kuormitus muodostuu ja missä kohtaa muutos vaikuttaisi eniten koko tuotannon suorituskykyyn.

Videolla esitellään yksi hankkeessa toteutetuista caseista.

Kapasiteetti näkyviin alihankintaverkostossa

Simulointi auttaa yrityksiä ymmärtämään, miten tuotannon arjessa tehdyt päätökset vaikuttavat koko järjestelmän suorituskykyyn. Virtuaalisessa mallissa voidaan kokeilla turvallisesti esimerkiksi ajoitussääntöjä, asetuksia, resurssimääriä ja asiakasprioriteetteja ennen kuin muutoksia tehdään todellisessa tuotannossa. Näin yritys saa näkyviin, miten eri vaihtoehdot vaikuttavat läpimenoon, odotusaikoihin ja toimitusvarmuuteen.

Hankkeessa tätä tarkasteltiin pullonkaulatyöpisteen simuloinnilla alihankintaverkoston näkökulmasta. Sama tuotanto palvelee usein useita asiakkaita, nimikkeet vaihtuvat ja prioriteetit elävät arjen mukana. Mallin avulla voitiin vertailla työjonoja, vuoromalleja, häiriötilanteita ja priorisointisääntöjä ilman riskiä tuotannolle. Tarkoitus ei ollut kuvata koko tuotantojärjestelmää kerralla, vaan keskittyä kohtaan, jossa kapasiteetin rajat näkyvät selvimmin.

Mallin vahvuus oli siinä, että kapasiteetista tuli näkyvä ja keskusteltava kokonaisuus. Tuloksista voitiin arvioida, johtuuko ongelma todellisesta kapasiteettipulasta vai esimerkiksi työnkulusta, odotuksista, asetuksista tai priorisoinnista. Jos aihe kiinnostaa tarkemmin, Performance-focused machine capacity simulation -artikkelisarja avaa mallin taustaa, toteutusta ja esimerkkiskenaarioita. Alla olevalla videolla esitellään, miten kapasiteettisimuloinnin malli toimii käytännössä.

https://www.savonia.fi/app/uploads/2025/12/Video.1.mp4

Investointien vaikutuksia ei tarvitse arvata

Automaation ja sisälogistiikan ratkaisuja ei kannata arvioida vain esitteiden tai layout-kuvien perusteella. Simulointi auttaa testaamaan, miten uusi ratkaisu vaikuttaa materiaalivirtaan, työjärjestykseen, tilankäyttöön ja läpimenoaikaan ennen investointipäätöstä.

Hankkeessa aihetta tarkasteltiin julkaisuissa ”Tuotannon automaatioratkaisujen vertailu simuloimalla Visual Components -ohjelmistolla” ja “Mobiilirobottien simulointi tuotannon sisälogistiikassa”.

Automaatio- ja mobiilirobotticaseissa mallinnettiin sekä manuaalisia että automatisoituja toimintatapoja. Visual Componentsin, FlexSimin, Excel-datan ja Pythonilla tehdyn datan käsittelyn avulla arvioitiin esimerkiksi tuotannon läpimenoaikoja, vaiheiden valmistumista, noutopisteiden sijoittelua ja mobiilirobotin liikkumista olemassa olevassa tuotantotilassa.

Hyöty syntyi siitä, että vaihtoehtoja voitiin vertailla turvallisesti virtuaalisesti. Malli näytti, miten automaatio tai mobiilirobotti muuttaisi työnjakoa, materiaalivirtoja ja odotusaikoja, ja auttoi tunnistamaan rajoitteita ennen kuin ratkaisu viedään tuotantoon.

Tuotantolinjasta kokonaisiin tuotantovirtoihin

Sahateollisuuden simuloinnissa näkökulma siirtyi yksittäisen tukin optimoinnista koko tuotantovirran tarkasteluun. Perinteiset saanto-optimointimallit keskittyvät usein siihen, miten yksittäinen tukki kannattaa sahata. Hankkeessa rakennettu malli tarkasteli sahaa prosessijärjestelmänä, jossa raaka-aineen määrä, tukkiluokat, tuotenopeudet, sivuvirrat ja prosessipisteiden käyttöasteet vaikuttavat yhdessä lopputulokseen.

Malli toteutettiin AnyLogic-ohjelmistolla tapahtuma- ja agenttipohjaisena simulaationa. Lähtötietoina käytettiin kahta Excel-taulukkoa: toinen kuvasi sahalle tulevaa raaka-ainemassaa ja toinen tukkiluokkakohtaisia tuoteominaisuuksia. Näiden avulla voitiin tarkastella esimerkiksi sitä, miten eri tukkiluokat, sahausnopeudet, sivutuotteiden osuudet sekä kuiva- ja tuoretuotannon jakauma vaikuttavat tuotantoon ja kokonaisarvosaantoon.

Mallin hyöty syntyi erityisesti skenaarioiden vertailusta. Käyttäjä pystyi muuttamaan esimerkiksi raaka-aineen määrää, tuotteiden jakaumaa, prosessipisteiden nopeuksia ja sivutuotteiden arvoja, ja näkemään vaikutukset ilman muutoksia todellisessa tuotannossa. Näin voitiin arvioida, poistaako jonkin prosessivaiheen nopeuttaminen pullonkaulan vai siirtyykö rajoite seuraavaan vaiheeseen.

Sahateollisuuden tapauksessa simulointi auttaa myös katsomaan tuotannonohjausta laajemmin. Kun tulevan raaka-aineen määrä ja laatu tunnetaan paremmin, voidaan arvioida etukäteen, millaisia lopputuotteita siitä syntyy ja miten tuotanto kannattaa ohjata. Samalla periaatteella mallia voidaan soveltaa myös muuhun prosessimaiseen tuotantoon, jossa suuret volyymit, materiaalivirrat ja pienetkin muutokset kertautuvat nopeasti tuotannon tuloksiin.

Kun vastuullisuus tuodaan osaksi päätöksentekoa

Valmistavan teollisuuden päätöksissä huomio ei kohdistu enää pelkästään kustannuksiin, nopeuteen ja kapasiteettiin. Materiaalivalinnat, valmistettavuus, energiankäyttö ja ympäristövaikutukset vaikuttavat yhä useammin siihen, mitä vaihtoehtoa kannattaa viedä eteenpäin.

Sustainable Manufacturing Decisions with Simulation -kokonaisuudessa vastuullisuutta tarkasteltiin simulaation ja päätöksenteon näkökulmasta. Ensimmäisessä artikkelissa tavoitteena oli kehittää tuotekohtainen hiilijalanjälkimalli tehdasrajauksen sisällä ja havainnollistaa, miten päästöjä syntyy esimerkiksi energiankäytöstä, materiaalien valmistelusta, apuaineista ja lastujen käsittelystä.

Tärkeää on huomata, että malli ei yksin ratkaise vastuullisuutta. Se tekee vastuullisuudesta keskusteltavaa, mitattavaa ja vertailtavaa. Sen avulla vastuullisuus siirtyy yleisestä tavoitteesta osaksi samaa päätöksentekopöytää, jossa arvioidaan kustannuksia, valmistettavuutta ja teknistä toteutettavuutta.

Tekoäly ei korvaa asiantuntijaa, mutta muuttaa simuloinnin tekemistä

Tekoäly voi madaltaa simulaatiomallien rakentamisen aloituskynnystä. Se auttaa esimerkiksi koodin luonnostelussa, datan käsittelyssä, virheiden etsimisessä ja vaihtoehtoisten skenaarioiden ideoinnissa. Simulaatiomallit teollisissa prosesseissa -hankkeen näkökulmasta tekoäly on ennen kaikkea simuloinnin apuväline, ei asiantuntijan korvaaja.

AI-assisted simulation for mass customization -julkaisussa tekoälyä hyödynnettiin simulaatiomallin rakentamisen tukena. Tekoäly auttoi erityisesti Python-koodin ylläpidossa, kaavojen tarkistamisessa ja virheiden tunnistamisessa, mutta tutkimuskysymykset, mallin rajaukset ja tulosten tulkinta jäivät edelleen asiantuntijan vastuulle.

Keskeinen oppi on, että tekoäly voi nopeuttaa simulointimallien valmistelua, mutta ei kanna vastuuta niiden luotettavuudesta. Sen paras rooli on toimia asiantuntijan työkaluna, joka auttaa datan käsittelyssä, koodin luonnostelussa, virheiden etsimisessä ja tarkistettavien kohtien tunnistamisessa. Ihmisen tehtäväksi jää edelleen määritellä kysymys, arvioida lähtöoletukset, validoida tulokset ja päättää, mitä niiden perusteella voidaan tehdä.

Valmistustieto mukaan robottihitsauksen simulointiin

Robottihitsauksen kehittämisessä yksi keskeinen haaste on tiedon katkeaminen suunnittelun, hitsauksen ja simuloinnin välillä. Tuotteen 3D-malli, hitsausohjeet, materiaalitiedot ja valmistuksen reunaehdot ovat usein eri paikoissa, jolloin robottiohjelmointia varten tarvitaan paljon käsin tehtävää tulkintaa ja tiedonsiirtoa. Hankkeessa tätä tarkastellaan MBD- ja WPS-tiedon näkökulmasta: miten tuotteen valmistustieto voitaisiin tuoda paremmin osaksi robottihitsauksen simulointia ja offline-ohjelmointia.

Tavoitteena on rakentaa käytännön demo, jossa valittuun hitsauscaseen liitetään valmistuksen kannalta olennaisia tietoja, kuten WPS-parametreja, saumatyyppejä ja materiaalitietoja. Kun nämä tiedot saadaan hyödynnettyä simuloinnissa, robottihitsauksen suunnittelua voidaan tehdä ennakoivammin. Samalla voidaan arvioida esimerkiksi ohjelmoinnin valmistelua, läpimenoaikaa, virheiden vähentämistä ja sitä, millaisia lähtötietoja yritys tarvitsee, jotta simuloinnista saadaan todellista hyötyä.

Pk-yrityksille kokonaisuuden arvo on siinä, että robottihitsaukseen liittyvä tieto voidaan tehdä järjestelmällisemmäksi ja helpommin toistettavaksi. Kyse ei ole vain yksittäisestä ohjelmistosta, vaan toimintatavasta, jossa suunnittelutieto, hitsausosaaminen ja simulointi tukevat samaa päätöstä. Näin uuden tuotteen vieminen robottihitsaukseen voi nopeutua, kokeilut voidaan tehdä turvallisemmin virtuaalisesti ja tuotannon kehittäminen perustuu paremmin yhteiseen, näkyvään tietoon.

Mitä Simulaatiomallit teollisissa prosesseissa -hankkeesta jäi elämään?

Hanke auttoi muuttamaan yritysten kehittämisongelmia näkyviksi malleiksi, joiden avulla eri vaihtoehtoja voitiin testata ja ymmärtää ennen käytännön päätöksiä.

Hankkeesta jäi käyttöön julkisia simulaatiomalleja, toimintamalleja, Savonia-artikkeleita, teknisiä julkaisuja, ladattavia aineistoja ja oppimateriaaleja. Materiaalipankki kokoaa yhteen esimerkiksi data-analyysin ja läpimenoaikojen simuloinnin, automaatioratkaisujen vertailun, mobiilirobottien sisälogistiikan, kapasiteettisimuloinnin, vastuullisen valmistuksen päätösmallin ja opetustapauksen.

Yrityksille hankkeen arvo oli siinä, että vaikeita kysymyksiä voitiin tarkastella ennen käytännön muutoksia. Kapasiteettia voitiin arvioida skenaarioina, ERP-dataa jalostaa ymmärrykseksi, automaatioratkaisuja vertailla virtuaalisesti ja mobiilirobotin toimintaa tarkastella olemassa olevassa tuotantoympäristössä. Samalla sahateollisuuden tuotantovirtaa voitiin katsoa kokonaisuutena ja vastuullisuutta tarkastella valmistuksen, kustannusten ja suunnittelun rinnalla.

Savonialle hanke vahvisti osaamista simulaatiotyökaluissa, datan käsittelyssä, simulointiprosesseissa, skenaariotyöskentelyssä ja yrityslähtöisessä TKI-työssä. Tätä osaamista voidaan hyödyntää jatkossa yritysyhteistyössä. Hankkeen jälkeen simulointiosaamista ja malleja on tavoitteena siirtää myös Savonian AMK-opetukseen.

Kaikki hankkeessa valmistuneet ja valmisteilla olevat mallit, toimintamallit sekä julkaisut löytyvät materiaalipankista:

🔗 Simulaatiomallit teollisissa prosesseissa (Sitepro) – materiaalipankki

Suuri kiitos hankkeessa mukana olleille yrityksille luottamuksesta ja aktiivisesta osallistumisesta. Hanketta ei olisi ollut mahdollista toteuttaa ilman yritysten jakamia kehittämistarpeita, avoimia ja kehittäviä keskusteluja sekä käytännön ongelmia. Yritysten jakama todellinen tuotantodata mahdollisti sellaisten simulaatiomallien rakentamisen, jotka perustuivat valmistavan teollisuuden aitoihin prosesseihin.

Simulaatiomallit teollisissa prosesseissa -hanke kesti 1.3.2024-30.9.2026. Hankkeen päärahoittajana toimii Pohjois-Savon liitto EAKR-rahoituksella, ja hanke kuuluu Uudistuva ja osaava Suomi 2021-2027 -ohjelmaan.

---

Kirjoittajat

Henri Juntunen, TKI-Asiantuntija, Savonia-ammattikorkeakoulu

Artikkelin työstämisessä on hyödynnetty tekoälyä.

---

Lähteet

Tanskanen, A. (2024). TKI-asiantuntija, Savonia-ammattikorkeakoulu.