Konenäön hyödynnettävyys aurinkovoimaloiden kunnossapidossa

Abstract

Aurinkovoimaloiden määrän ja kokoluokan nopea kasvu on lisännyt tarvetta kustannustehokkaille sekä älykkäille kunnossapitomenetelmille. Samalla digitalisaation myötä konenäkö- sekä koneoppimisratkaisut ovat kehittyneet nopeasti ja niiden soveltaminen aurinkovoimaloiden kunnossapitoon tarjoaa uudenlaisia ratkaisumahdollisuuksia. Tämän diplomityön tavoitteena oli selvittää, miten konenäköä voidaan hyödyntää aurinkovoimaloiden kunnossapidossa ja millaista lisäarvoa se tuottaa suhteessa perinteisiin menetelmiin. Lisäksi työssä tarkasteltiin, millaisin edellytyksin ja kuinka konenäkö voitaisiin liittää osaksi kohdeyrityksen palveluprosessia.

Tutkimus toteutettiin laadullisena tapaustutkimuksena, joka koostui kirjallisuuskatsauksesta sekä empiirisestä osuudesta. Kirjallisuuskatsauksessa käsiteltiin tekoälyn, konenäön ja koneoppimisen keskeisiä aihepiirejä sekä aurinkovoimaloiden kunnossapidon menetelmiä ja kehityssuuntia. Empiirinen aineisto kerättiin kohdeyrityksen ja sen sidosryhmien edustajilta puolistrukturoiduilla teemahaastatteluilla ja sitä analysoitiin induktiivisella sisällönanalyysilla temaattisesti.

Tutkimuksessa selvisi, että konenäön avulla aurinkovoimaloiden tarkastusprosessiin voidaan saavuttaa tehokkuutta sekä tarkkuutta ja samalla parantaa prosessin resurssisitovuutta. Konenäön hyödynnettävyydelle tunnistettiin potentiaalia erityisesti suurissa voimaloissa, joissa manuaalisemmat menetelmät ovat hitaita ja kalliita. Työ tuotti kohdeyritykselle konseptitason ehdotuksen siitä, kuinka konenäkö voidaan liittää osaksi nykyistä tarkastuspalvelua sekä tunnisti jatkokehityksen kannalta keskeiset liiketoiminnalliset ja tekniset edellytykset.

The number and size of solar power plants are growing rapidly, increasing the need for cost-effective and intelligent maintenance solutions. At the same time, digitalization has accelerated the development of machine vision and machine learning solutions and their application to solar power plant maintenance offers new opportunities for improved inspection solutions. The aim of the study was to examine how machine vision can be utilized in the maintenance of solar power plants and what added value it provides compared to traditional inspection methods. In addition, the thesis explores how a machine vision solution could be integrated into an existing service process of the case company.

The study was conducted as a qualitative case study consisting of a literature review and an empirical component. The literature review addresses key themes related to artificial intelligence, machine vision and machine learning, as well as maintenance methods and development trends in solar power plants and photovoltaic systems. Empirical data were collected through semi-structured interviews with representatives of the case company and its stakeholders and analyzed using inductive content analysis supported by thematic categorization.

The results show that machine vision can significantly improve the efficiency and accuracy of solar power plant inspection processes while reducing their labor intensity. The technology was found to be particularly beneficial for large-scale solar power plants, where traditional manual inspections are slow and costly. The thesis produced a concept-level proposal for integrating machine vision into the case company’s existing inspection service and identified the key technical and business requirements for further development.