Tekoälyn hyödyntäminen kunnossapidossa : kunnossapidon tehokkuuden ja luotettavuuden parantaminen tekoälyn avulla

Abstract

Tässä diplomityössä tutkitaan tekoälyn hyödyntämistä teollisuusyrityksen kunnossapi-dossa. Diplomityön toimeksiantajana toimii Meyer Turku Oy. Työn tarkoituksena on sel-vittää toimeksiantajalle soveltuvaa menetelmää tekoälyn hyödyntämiseksi kunnossapi-dossa. Tavoitteena oli vertailla eri tekoälymenetelmien soveltuvuutta kunnossapidon te-hostamiseen ja suosittaa vertailun pohjalta sopivaa tuotetta yrityksen käyttöön. Tutkimus keskittyy kolmen eri järjestelmän pilotointiin: AWS Monitron, ATEAn toteuttama kun-nonvalvontajärjestelmä sekä datan hallintaa helpottavat avustustyökalut. Pilotointiin va-likoituivat järjestelmät, jotka kykenevät tarjoamaan tekoälypohjaista kunnonvalvontaa, joka mahdollistaa ennakoivan kunnossapidon ja vähentää huoltokatkoksia, sekä helpottaa dokumentinhallintaa.

AWS Monitron -järjestelmää testattiin Proof of Concept -vaiheessa ja se osoittautui erit-täin toimivaksi ja kustannustehokkaaksi ratkaisuksi.

Lisäksi työssä tutkittiin mahdollisuuksia yhdistää tekoälypohjainen kunnonvalvonta osaksi yrityksen ERP-järjestelmää. Tämä integraatio voisi tarjota kokonaisvaltaisen näkymän kunnossapidon tarpeisiin ja mahdollistaa entistä tehokkaamman resurssien hallinnan.

Tutkimuksen keskeisimpänä tuloksena todettiin, että AWS Monitron on erittäin potenti-aalinen ja kustannustehokas ratkaisu teollisuusyrityksen kunnossapidon tehostamiseksi. Kunnonvalvontajärjestelmien käyttöönottoa tullaan laajentamaan ja jatkotutkimuksia tehdään muiden tekoälypohjaisten järjestelmien ja työkalujen hyödyntämiseksi. Työssä esitetyt tulokset ja suositukset tarjoavat selkeän suunnan teollisuusyrityksen kunnossapi-don kehittämiselle tekoälyn avulla.

This master’s thesis comprehensively examined the utilization of artificial intelligence in the maintenance department of Meyer Turku Oy. The research focused on piloting three different systems: AWS Monitron, a system implemented by ATEA, and various data management assistant tools. These systems were selected for their ability to provide AI-based condition monitoring, which enables predictive maintenance and reduces downtime, as well as facilitates document management.

AWS Monitron was evaluated in the proof-of-concept phase and proved to be a highly effective and cost-efficient solution.

The study also explored the use of AI-based chat assistant tools to simplify document management. These tools can significantly improve information management and speed up document processing, thereby enhancing maintenance processes.

Additionally, the study investigated the possibility of integrating AI-based condition monitoring into the company's ERP system. This integration could provide a comprehensive view of maintenance needs and enable more efficient resource management.

The main finding of the research was that AWS Monitron is a highly promising and cost-effective solution for improving the maintenance of the industrial company. Implementation of condition monitoring systems will be expanded, and further studies will be conducted on the utilization of other AI-based systems and tools. The results and recommendations presented in the thesis offer a clear direction for the development of maintenance in the industrial company using AI.