Kausi 2, jakso 2: Miten digitalisaatio edistää hiilineutraalia teollisuutta?

Tervetuloa Kohti hiilineutraalia yhteiskuntaa -podcastin toisen tuotantokauden pariin. Tällä tuotantokaudella tulemme hieman laajentamaan katsantokantaa kiinteistöistä myös teollisuuteen. Tulemme siis puhumaan energian tuotannosta ja teollisuuden roolista hiilineutraalin yhteiskunnan edistämisessä. Podcastin juontaa Jaakko Soudunsaari.

Jaakko: Miten digitalisaatio vaikuttaa hiilineutraaliuteen? Millaisin digitaalisin ratkaisuin voimme esimerkiksi lisätä energiantuotannon tai energiankulutuksen joustoa? Aihe on laaja. Niinpä uppoudumme digitalisaatioon hiilineutraaliuden mahdollistajana kahden jakson ajan.

Tässä ensimmäisessä jaksossa keskitytään digitaalisuuteen teollisuudessa. Vieraana minulla on tänään Caverionin Harri Paukkeri ja Tapio Lajunen. Aivan ensiksi, saisiko pienet esittelyt että keitä oikein olette?

Harri: Joo, nimi on Harri Paukkeri ja tulen Caverion Teollisuuden puolelta ja siellä vastaan teollisuuden digitaalisista ratkaisuista eli toimin automaation, digitalisaation, tekoälyn, analytiikan, IoT:n, tämän tyyppisten asioiden parissa vahvasti.

Tapio: Mun nimi on Tapio Lajunen. Toimin Caverion Suomi -osakeyhtiössä teknologisesta järjestelmästä vastaavana henkilönä ja mun toimenkuvaan kuuluu rakennusautomaatioratkaisut, sähköinen turva, audiovisuaaliset ratkaisut ja yleensäkin liiketoiminnan kehitys. Eli asiakaslähtöisiä ratkaisuja mahdollisimman pitkälle.

Jaakko: Kiitoksia ja tervetuloa vielä kertaalleen. Ihan ensimmäisenä kun mietitään teollisuutta, niin sehän on hyvin laaja kenttä. Missä kaikkialla digitaalisuutta ja digitalisaatiota voidaan teollisuudessa hyödyntää ja millaisia ongelmia digitaalisilla ratkaisuilla voi teollisuudessa ratkaista?

Harri: Ehkä alkuun siitä näkökulmasta alustusta tähän kysymykseen, että mitä sillä digitalisaatiolla tavoitellaan. Yritykset, jotka teollisuudessa toimivat, niin digitalisaatiolla varmasti hakee tehokkuutta kilpailukykyä ja kestävyyttä. Ja sitä kautta, että missä digitalisuutta voidaan hyödyntää ja minkä tyyppisiä ongelmia ratkoa niin varmasti tulee sitten ihan toimitusketjun hallintaan, laadunvalvontapuoleen. Sitten tullaan ihan käyttövarmuuden ylläpitämiseen ja parantamiseen, tuotantotehokkuuden ja energiatehokkuuden parantamiseen. Muun muassa tän tyyppisillä alueilla toimitaan.

Digitaaliset ratkaisut energia- ja tuotantoteollisuudessa

Jaakko: Jos mennään sitten tarkemmin toimialakohtaisesti, niin miten digitaaliset ratkaisut voi energian tuotantopuolella edistää hiilineutraaliutta?

Harri: Joo, tää on mielenkiintoinen kysymys ja itse näen oikeastaan sen kahtena kokonaisuutena. On itse se tuotantopuoli, ne laitokset jolla se energia tuotetaan ja toiset millä se jaellaan. Niiden itse tuotantolaitosten sekä jakelun kannalta kriittisten pumppaamojen ja muuntamoiden ja tän tyyppisten käytettävyyden varmistaminen, niin että ne toimii luotettavasti, pystytään luotettavasti toimittamaan lämpö ja sähkö asiakkaille ja tuottamaan se siellä laitoksissa. Eli siihen liittyvä käyttövarmuus, predictive maintenance eli ennustava kunnossapitopuoli on yksi kokonaisuus.

Toisena on sitten sen tuotannon optimointi, eli milloin tuotetaan ja millä tuotantomuodoilla sitä kysyntää vasten. Ja toisaalta pystytään sitten automaation ja digitalisaation mahdollisuuksien myötä hyvinkin vahvasti optimoimaan sen sähkömarkkinan mukaan. Se, että saadaan tuotettua, ja mahdollisimman vihreää sähköä silloin kun sitä on saatavilla. Ja vain silloin kun ei ole saatavilla niin sitten saatetaan hyödyntää toisia polttoaineita mistä enemmän tulee päästöjä.

Optimointi voi olla ihan esimerkiksi kaukolämpöverkon ajoa niin, että on ohjaus ja automaatio siinä, että pystytään pitämään verkossa riittävä lämpötila, jotta viimeisetkin verkon asiakkaat saa lämpimän suihkun, mutta ei kuitenkaan liikaa tuoda lämmintä vettä verkkoon ja sitä kautta hukata energiaa. Eli optimoidaan siitä, että mahdollisimman pienellä lämmityksellä saadaan se riittävä lämpötila verkon ihan viimeisille haaroillekin saakka ja tuotetaan se lämpö niin, että hyödynnetään verkon varrelta eri hukkalämmön lähteitä ja niin edelleen.

Jaakko: Eli varmistetaan, että laitokset toimii niin kuin on tarkoitus toimia ja sitten toisaalta voidaan optimoida tuotantoa ja tuotantomuotoja niin, että mahdollisimman pienin päästöin pystytään tuottamaan sähköä ja lämpöä.

Harri: Kyllä ja pystytään reagoimaan hyvinkin nopeasti. Ja toisaalta analytiikan ennustemallien kautta myös paremmin ennakoimaan sitä, että mikä se tarve esimerkiksi seuraavalle vuorokaudelle tai tunneille siinä verkossa on, koska esimerkiksi kaukolämpöverkon säätö on kuitenkin, siinä on viiveitä että se vaikuttaa siellä loppukäyttäjällä. Se vaatii tiedon siitä tarpeesta, paljonko se lämpötarve on, niin useampia tunteja aikaisemmin, jotta varmistetaan asiakastyytyväisyys.

Jaakko: Digitaalisuus siis mahdollistaa ennakoitavuuden. No mitäs sitten jos mietitään energiatuotannon sijaan valmistavaa teollisuutta? Mitä digitalisaatio siellä tarkoittaa, millaisia ratkaisuja siellä käytetään tai pitäisi käyttää?

Harri: Voisin antaa pari esimerkkiä, tuotannon tehokkuuteen ja toisaalta hävikin poistamiseen ja kapasiteetin maksimointiin.

Esimerkki metsäteollisuudesta: siinä kun tulee sellutehtaalle tukit ja niistä lähdetään ottamaan kuori pois, ja otetaan se kuitupuu talteen josta sitten jatkojalostetaan sellua, niin pystytään konenäön ratkaisuin sen kuorimon ajo optimoimaan niin, että saadaan maksimikapasiteetti kuorimon läpi. Ja toisaalta minimoidaan sen arvokkaan kuitupuun hävikki siinä vaiheessa. Se on yksi esimerkki tuolta puolelta.

Toinen, laatuun liittyvä ja toisaalta hävikkiin, on sitten metalliteollisuudesta. Esimerkiksi on tämmöisiä tuotantolinjoja, jossa valmistetaan autoteollisuuteen vaikka autojen runkoihin ja muuhun metallituotteita, joissa on korkeat laatuvaatimukset. Siellä pystytään esimerkiksi tuotantosinkkilinjalla varmistamaan digitalisaation ja analytiikkaratkaisujen avulla, että se lopputuotteen laatu täyttää vaatimukset sille tuotteelle ja ei tule hävikkiä. Toisaalta tuotantolinjoilla pystytään sitten myös käytettävyyttä nostamaan niin, että pystytään välttämään ja minimoimaan häiriöitä. Aina linjan pysähtyessä ja häiriön sattuessa tulee romua ja sitä kautta menee uudelleen jalostettavaksi, joka sitten tietenkin syö paljon energiaa, että saadaan se uudelleen taas jalostettua siihen muotoon, mikä se on siinä vaiheessa prosessia, missä on niitä häiriöitä syntynyt. Eli sitä kautta hyvinkin iso vaikutus energiatehokkuuteen ja kestävyyteen.

Jaakko: Ne luonnonvarat mitä käytetään, käytetään mahdollisimman tehokkaasti hyödyksi, että ei tule turhaa hävikkiä. Minkälaisia ne ratkaisut käytännössä on? Onko se jotain konenäköä vai miten ne toimii?

Harri: Konenäkö on yksi ratkaisu, esimerkiksi jos tunnistetaan ihan visuaalisesti laatupoikkeamia, niin päästään niihin kiinni. Sitten on semmoisia mitä kutsutaan tuotteen "golden batchiksi", missä jo nimikin viittaa tämmöiseen, kultainen erä, eli erätuotantoon. Ja siinä taas pystytään esimerkiksi sillä tavalla varmistamaan se hyvä laatu, että tiedetään, että siellä on tuotantolinjalta ne tietyt parhaat tai hyvät erät. Tunnistetaan tai tiedetään joillakin spekseillä, että nää on ollut niitä parhaita eriä mitä meillä on ollut, ja sitten sitä kautta niillä erillä esimerkiksi koulutetaan semmoinen malli, jota seurataan sitten jokaisessa uudessa erässä. Että hyvissä erissä tuotannon tulisi mennä tällä tuotteella ja täällä valmistuksella tän mukaisesti, ja jos siitä poiketaan niin se nähdään välittömästi. Siinä on sitten mahdollisuus korjata jo eräajon aikana sitä, että päästään siihen kultaisen erän käyrälle tuotannossa, jotta lopputuotteen laatu on riittävän hyvä ja täyttää ne speksit.

Digitalisaatio muuttaa työelämää

Jaakko: Mitä digitalisaatio tässä tapauksessa mahdollistaa? Voiko ihminen tehdä tuota samaa työtä, voiko ihminen havaita tuollaisia ihmissilmin?

Harri: Digitalisaatio tuo sen tiedon siihen, että missä on esimerkiksi ne poikkeamat, niin hyvinkin fokusoidusti esille. Ihminen varmasti monia asioita pystyy havainnoimaan, mutta sitten kun on isompia tuotantoprosesseja, niin se on käytännössä mahdotonta. Siellä on tuhansia mittauksia ja kun hyödynnetään tekoälyä, koneoppimista ja laskentaa, niin sieltä pystytään isosta datamäärästä nostamaan ne poikkeamat esiin, mihin tulee kiinnittää huomiota.

Siinä voi olla silti ihminen hyvin siinä luupissa tulkitsemassa ja tekemässä toimenpiteitä, ellei se ole viety siihen asti, että se jo automaattisesti säädetään, että automaatio sitä ohjaa. Mutta nimenomaan se, että siitä valtavasta datamäärästä pystytään poimimaan ne asiat, johon sitten ihmisen tulee kiinnittää huomiota. Se asiantuntija kuka sen prosessin ja tuotannon tuntee, pystyy tehokkaasti reagoimaan ongelmiin ja tekemään korjaustoimenpiteet.

Jaakko: Samalla säädetään ihmisten työtä sopimaan digitalisaatioon.

Harri: Kyllä, digitalisaatiossa hyvin keskeinen osa on ylipäätään se toimintamallien muuttaminen digitalisaation myötä. Senpä tähden monesti, jos sitä ei pysty tekemään, niin vaikka olisi kuinka hienot ratkaisut niin se ei näy siellä, ne hyödyt mitä sillä tavoitellaan. Se on ihan keskeinen osuus digitalisaatiossa: muutoksen toteuttaminen ja toimintamallien muuttaminen sen myötä, ja tällä tavalla se vaikuttaa sitten asiantuntijoiden ja esimerkiksi tehtaalla tai laitoksella toimivien henkilöiden työnkuvaan ja rooliin. Ja varmasti tänä päivänä pitää ja saa oppia uutta ja kehittyä, ja joutuu ehkä omassa työnkuvassa vähän laajemmin tekemään toimenpiteitä digitalisaation myötä ja sen tuomien mahdollisuuksien hyödyntämisen myötä.

Ennakoiva kunnossapito teollisuudessa

Jaakko: Teollisuuslaitokset on valtavia komplekseja tyypillisesti ja niiden huolto ja kunnossapito ei ole mitään kauhean yksinkertaista hommaa. Aikaisemmin mainitsikin tuon ennakoivan kunnossapidon – mitä se tarkoittaa ja tuleeko jotain konkreettisia esimerkkejä mieleen, että mitä sillä voidaan löytää tai miten se parantaa toimintaa?

Harri: Esimerkkejä on hyvinkin monenlaisia ja erityyppisiä paljon, mutta tyypillisesti tämmöiset kriittiset esimerkiksi pyörivät laitteet tai pumput ja puhaltimet on sitä mistä paljon saadaan havaintoja. Pystytään näkemään, että esimerkiksi jonkun kriittisen laitteen, se voi tulla värähtelystä tai paineista tai lämpötilamuutoksista, poikkeamista, mistä siihen päästään kiinni, että nyt siellä on ollut alkava vikaantuminen ja tai alkanut tapahtumaan jotain muutosta, mitä päästään sitten selvittämään ja toteamaan.

Esimerkiksi jos värähtelyjä käydään läpi niin monesti tämmöinen voi vaatia sen, että siellä käy asiantuntija vielä ottamassa vaikka joltain turbiinilta mittaukset paikallisesti ja tutkimassa tarkemmin, että minkä tyyppinen se vika on. Mutta tehokkaasti päästään analytiikan ja koneoppimisen kautta varhaisessa vaiheessa niihin alkaviin vikaantumisiin kiinni jo olemassa oleva datalla. Siitä sitten on aikaa tutkia tarkemmin vikaa ja suunnitella esimerkiksi tulevaa vuosihuoltoa, jos oletetaan että se sinne asti kestää, tai jos ei niin tehdään nopeammat suunnitelmat ja toimenpiteet sen asian korjaamiseksi. Mutta kriittiset laitteet, pumput, puhaltimet, ihan prosessipoikkeamia tai venttiilivikaantumisia. Tän tyyppisiä, että saatetaan siellä ihan virtauksessa ja tän tyyppisissä niin havaita sitten sitä kautta, että nyt siellä on poikkeama ja ongelma mitä pitää tutkia.

Tekoäly tehostaa teollisuuden toimintaa

Jaakko: No jos käännetään katse vähän tulevaisuutta kohti, niin millaisia uusia ratkaisuja markkinoilla on, mitä ei kenties tällä hetkellä vielä riittävästi hyödynnetä? Tai millaisia ratkaisuja on tulossa?

Harri: Digitaalisista kaksosista on puhuttu paljon ja niiden hyödyntämisen mä näen teollisuuden puolella isompana juttuna, mitä varmasti laajemmin pyritään hyödyntämään erityisesti sellaisissa kohteissa, mitkä on etävalvottavia ja -ohjattavia. Vesivoima, siellä lähtökohtaisesti kaikki laitokset ohjataan etäältä, ja pumppaamot. Sitten on energiapuolelta muutenkin sähkön ja lämmön jakelu, niin siellä verkon varrella missä nyt ei olla paikan päällä, niin tämmöiseen pystytään sitten tehdä digitaaliset kaksoset kyseiselle laitokselle.

Eli ottaa vaan käytännössä sen kyseisen vaikka pumppaamon, niin sieltä saatava olemassa oleva data saadaan hyötykäytettyä ja sen päälle tehtyä ennustavaa analytiikkaa, jotta pääsee niihin alkaviin vikaantumisiin. Mutta myös sitten lisätään anturointia niin, että pystytään hoitamaan etänä se homma. Sen sijaan, että sinne mentäisiin paikan päälle tarkistamaan, että onko siellä pumppaamossa kaikki kunnossa, onko pumput ja pumppujen moottorit niin kuuluuko sieltä ylimääräisiä ääniä tai onko siellä kaivojen pinnat sallituilla tasoilla tai mitä vaan.

Tämmöisissä tapauksissa digitaalinen kaksonen tarkoittaa, että sinne tuodaan olemassa oleva data, käytetään se fiksusti, analysoidaan, ja sen lisäksi tuodaan tarvittavat lisäanturoinnit. Voidaan ottaa äänianalytiikkaa, kuvaa tai kameraa sinne, että nähdään vielä etäältä se laitos, miltä siellä sisällä näyttää ja ympäristössä. Sitä kautta pystytään tekemään merkittäviä parannuksia siihen, että jos on tyypillisesti käyty ne laitokset kiertämässä viikoittain ja tarkistamassa, että onko siellä kaikki OK, niin nyt pystytään tehokkaasti hoitamaan etänä virtuaalikierros sen digikaksosen avulla, että siellä on kaikki OK. Ja toisaalta jos siellä ei ole asiat OK, niin sen digikaksosen avulla saadaan välittömästi tieto, että nyt siellä on alkanut joku poikkeama. Sitten pystytään suunnitellusti tekemään korjaavat toimenpiteet ja varmistamaan se tuotanto ja esimerkiksi lämmön tai sähkön jakelu, jos energiasta puhutaan.

Jaakko: Tekoäly on puhuttanut tässä aika paljon viimeisen talven aikana. Millaisena näet tekoälyn roolin teollisuudessa?

Harri: No tekoälyhän on iso alue ja aihe. Mitä tässä on jo nyt paljon puhuttu, niin siellä on näissä ennustavissa malleissa, poikkeamien tunnistamisessa, siellä on vahvasti tekoälyä niissä mukana. Konenäössä on tekoälyä mukana ja niin edelleen, että kyllä sitä hyödynnetään, sitä on hyvin monissa ratkaisuissa.

Mutta ehkä nostan semmoisen tässä esiin, että miten itse olen nähnyt, että tänä päivänä teollisuusyrityksissä yhä enemmän pystytään tämmöisiä tekoälypohjaisia malleja ja analytiikkaa hyödyntämään sitä kautta, että yritykset on siirtänyt dataa pilvialustoille, missä sen pystyy tehokkaasti ja tarvepohjaisesti ja ongelmapohjaisesti käsittelemään.

Esimerkiksi tehtaiden data tulee sinne pilvialustalle. Siellä on mahdollisuus se analysoida, tehdä koneoppivia malleja, visualisoida se data käyttöliittymissä tai palauttaa se automaatiojärjestelmään, jossa voidaan sitten tehdä automaatiojärjestelmässä esimerkiksi tämmöisiä ylätason säätöjä, joilla ohjataan sitten sitä sen tekoälyn tuottamien tulosten pohjalta.

Datan hyödyntäminen tänä päivänä aidosti niitten use casejen kautta mitä syntyy siellä ongelmalähtöisesti, niin siinä on mun mielestä menty paljon eteenpäin ja varmasti lähivuosina otetaan taas iso harppaus eteenpäin siihen mitä aiemmin on ollut.

Kiinteistöjen ja teollisuuden yhteispeliä

Jaakko: Meillä on täällä myös kiinteistöjen asiantuntija paikalla. Kiinnostaa, että miten teollisuuden ja kiinteistöjen yhteispeliä voitaisiin kehittää, ja mitä sillä voitaisiin saavuttaa?

Tapio: Oikein hyvä kysymys. Se teollisuuden kiinteistöhän on samanlainen kiinteistö kuin kaikki muutkin kiinteistöt. Siellä vaan kuorisuojan sisällä tehdään erilaisia asioita. Nopeasti ajateltuna, niin hyvin useasti ne prosessit mitä siellä tehdään siellä tehtaassa, tuotetaan tai valmistetaan, niin tuottaa esimerkiksi hukkalämpöä. Kun prosessista vapautuu sitä hukkalämpöä, niin se pitäisi käyttää hyväksi. Eli siirtää se sitten jollain lämpöpumppuratkaisulla vaikka sen kiinteistön lämmittämiseen tai naapurin kiinteistön lämmittämiseen tai vaikka koko naapurissa olevan uimahallin veden lämmittämiseen tai kaupunginosan lämmittämiseen.

En tarkoita, niukkuutetaan, vaan optimoidaan ja kerätään talteen kaikki jo tehty energia ja käytetään se uudelleen hyväksi. Ratkaisut on olemassa. Jalkauttaminen on ehkä hankalaa johtuen siitä, että on paljon osapuolia ja roolit ei ole ehkä vielä nykyisessä maailmassa ihan täysin selviä.

Jaakko: Miten niitä rooleja voisi selkeyttää?

Tapio: No aina pitää olla se investori, se, joka pystyy sitten sen teknisen ratkaisun tekemään, ja se, joka pystyy sitä ylläpitämään. Ja tietenkin sitten se edunsaaja, tai se, joka omistaa sen prosessin. Siitä tulee helposti kolmi- tai nelikanta.

Ehkä ne osapuolet voisi olla niin, että operaattori voisi olla paikallinen energiayhtiö. Sitten se hyödyn ja edun saaja, se lämmön tuottaja, joku tehdaslaitos, ja Caverion voisi olla ihan mainiosti sitten sen teknisen ratkaisun tekijä ja ylläpitäjä elinkaaren ajan.

Jaakko: Vastaava kysymys Harrille, voisiko kiinteistöistä olla teollisuudelle jotain hyötyä?

Harri: Niin kuin Tapio mainitsi, että hukkalämpö, tän tyyppinen, niin ylipäätään sen joustomahdollisuuksia, mitä tänä päivänä ei joustomarkkinat vielä niin hyvin tarjoa. Ne palvelee enemmän tämmöisiä isompia energian tuottajia, mutta myös isoja kuluttajia, että sinne pääsee osallistumaan. Ja varmasti tällaisten uusien markkinoiden kautta, mihin pääsee jopa kotitaloudet, niin sitä kautta varmasti tämä kiinteistöpuoli ja teollisuus lähenee. Ja se vaatii tosiaan semmoisia markkinoita, että se onnistuu.

Jaakko: Markkinoiden luominen varmasti vaatii taakseen myös niitä digitaalisia ratkaisuja, että tiedetään, pystytään toimimaan nopeasti ja dataan perustuen.

Tapio: Sen verran lisäisin vielä, että ne digitaaliset ratkaisuthan on avainasemassa näiden projektien todentamisessa, että mitä tapahtuu, koska, mitkä on saavutetut tavoitteet. Automaatiojärjestelmät on ainoa tapa todentaa niitä, ja valvoa, ylläpitää, hoitaa niitä elinkaaren ajan. Että kyllä se digitaalisuus on tässäkin ihan keskiössä. Ilman sitä tämä ei tule todeksi.

Jaakko: Ilman digitalisaatiota on vaikea päästä hiilineutraaliin yhteiskuntaan. Kiitoksia paljon vierailusta, Harri ja Tapio. Jatkamme aiheesta seuraavassa jaksossa kiinteistöjen näkökulmasta.

Kohti hiilineutraalia yhteiskuntaa on Caverionin podcast, jossa puhutaan ilmastonmuutoksen torjunnasta kiinteistöissä ja teollisuudessa, eli siellä missä iso osa päästöistä syntyy. Muista tilata podcast omasta podcast-sovelluksestasi niin saat aina tiedon, kun uusi jakso julkaistaan. Jätä myös arvostelu tai lähetä palautetta, kysymyksiä ja vaikkapa toiveita tulevista vieraista osoitteeseen podcast at caverion.com.