Tuotannon simulointi tarjoaa mahdollisuuden tehdä nopeita kokeiluja virtuaalimaailmassa ennen käytäntöön siirtämistä. Simulointi onkin monessa tilanteessa ketterämpi, edullisempi ja suoraviivaisempi tapa kokeilla kuin tosielämän testailu.
Simuloinnissa pitää erityisen hyvin paikkansa vanha totuus: tulosten laatu on verrannollinen syötteen laatuun (“Sitä saat, mitä tilaat.”). On siis ensiarvoisen tärkeää, että tuotannon simulointi tehdään oikean ja realistisen datan avulla. Tämä pätee niin sisään tulevaan materiaalivirtaan kuin simuloinnissa mukana olevien koneiden ja laitteiden tai esimerkiksi varastojen kapasiteetteihin ja parametreihin erilaisia reitityksiä unohtamatta.
Tuotannon simulointi alkaa datan keräämisellä
Yleensä juuri datan keruu muodostaa pääosan asiakkaan työstä simulointiprojektissa. Keruun vaatima työmäärä ja siihen kuluva aika vaihtelevat projektien välillä. On projekteja, joissa lähtödata on valmista muutamassa päivässä, useimmiten kuluu kuitenkin muutama viikko ennen kuin kaikki data on kerätty, yhdistelty ja jalostettu.
Parhaassa tapauksessa yrityksellä on datan käsittelyyn nimetty henkilö, joka tuntee järjestelmät ja työkalut ja pystyy tuottamaan itsenäisesti varsin valmista dataa. Usein dataa kerätään myös monesta järjestelmästä ja monelta asiantuntijalta. Jos simulointiin soveltuvaa historian dataa ei ole mahdollista saada (esim. green field -hanke), se luodaan parhaan osaamisen ja kokemuksen pohjalta.
Datan hyödyntäminen haastaa onnistumisen
Datan määrä on harvoin enää ole ongelma; sitä kyllä löytyy. Datan hyödyntäminen onkin sitten eri asia. Tuotannon simulointiprojekti voi olla ensimmäinen “asiakas”, joka hyödyntää vuosia kerättyä dataa. Tässä vaiheessa saatetaan huomata, että datan laatu ei olekaan aivan sitä, mitä on oletettu. Yllätyksenä voi tulla myös esimerkiksi se, että tietoa pidetään tallessa esimerkiksi vain viikon ajan, kun tuotannon simulointi edellyttäisi tietoa muutaman kuukauden ajalta.
Simulointimalli ei ymmärrä väärää tietoa tai antaa väärän lähtötiedon johdosta vääriä tuloksia. Dataa saattaa olla miljoonia rivejä, jolloin on ymmärrettävää, että sen läpikäymiseen menee aikaa. Projektin edetessä tulee sopia yhdessä, poistetaanko virheellinen tieto vai korjataanko se.
Mikäli tieto on kerätty manuaalisesti, se tulee lähes poikkeuksetta perata läpi. Aineistossa voi olla väärää tietoa, tyhjiä kenttiä, tekstiä numerokentissä, työvaihetta kirjattu samalla aikaleimalla ja monia muita ongelmia. Simulointimalli ei ymmärrä väärää tietoa tai antaa väärän lähtötiedon johdosta vääriä tuloksia. Dataa saattaa olla miljoonia rivejä, jolloin on ymmärrettävää, että sen läpikäymiseen menee aikaa. Projektin edetessä tulee sopia yhdessä, poistetaanko virheellinen tieto vai korjataanko se.
Automaattisesti kerätty data on säännöllistä ja määrämuotoista, mistä on iso apu, kun sitä lähdetään hyödyntämään simulointiprojektissa. Dataa voidaan kerätä automaattisesti esimerkiksi koneseurannan, tuotannonsuunnittelun ja kunnossapidon työkaluilla.
Toteutunut data validoi simulointimallin
Historian toteutuneella datalla on hyvä validoida simulointimalli eli varmistaa, että tuotannon simulointi toimii kuten toivottu. Kun syöte luetaan malliin taulukosta, tiedetään tarkkaan, mitä tulee ja milloin. Tällainen rividata saattaa kuitenkin rajoittaa erilaisten skenaarioiden ajamista. Jos esimerkiksi tuotantoa halutaan nostaa 10 %, voi olla haasteellista tuottaa lisämäärä oikeanlaisia rivejä ja olemme ns. rividatan vankeja. Yleensä kannattaakin muodostaa toteutuneesta datasta jakauma, jonka mukaan vaikkapa erilaisia raaka-aineita syötetään malliin. Tällöin skaalaus on helpompaa.
Usein iso osa datasta validoituu vasta mallinnusvaiheessa. Tieto on kyllä oikeassa muodossa, mutta mallia ajettaessa huomataan, ettei kaikki täsmää. Kuten huomataan, datan keruussa ja analysoinnissa simulointia varten on monta monessa. Tämä vaihe tuottaa kuitenkin tuloksia jo itsessään. Datasta voidaan päätellä monenlaista jo ennen varsinaisia simulointituloksiakin ja sen myötä eri osapuolien välille syntyy hedelmällistä keskustelua ja ahaa-elämyksiä.
Lataa Digitaalinen kaksonen teollisuudessa -opas
Lue lisää
Menestystarina Metsä Fibre: Uuden sahan pohjaratkaisu ja työnkulku mahdollistavat kuivaamossa tarvittavat läpimenovolyymit
Tuotannon simulointipalvelut – digitaalinen kaksonen
Pinjan simulointipalvelut
