Tekoäly teollisuusautomaatiossa – hypestä käytännöllisiin ja luotettaviin sovelluksiin

Kaksi tapaa tuoda tekoäly automaatioon

Käytännössä tekoäly astuu automaatioon kahta reittiä, jotka on hyvä pitää erillään toisistaan:

Ensimmäinen on tekoäly suoraan koneohjauksessa – malli, joka suorittaa itse ohjaustehtävää, kuten laadun tarkastusta tai prosessin ennakointia reaaliajassa. Beckhoffilla tämä toteutuu TwinCAT Machine Learning -tuoteperheellä.

Toinen on tekoälyavusteinen engineering – apuri, joka nopeuttaa itse suunnittelutyötä: koodin kirjoittamista, HMI:n luomista ja vianetsintää. Tästä esimerkkinä on uusi TwinCAT CoAgent.

Molemmissa pätee sama periaate: insinööri pysyy vastuussa ja ohjaksissa.

Milloin tekoälyä kannattaa käyttää?

Yksi esityksen tärkeimmistä viesteistä on, ettei tekoäly ole automaattisesti oikea työkalu. Koneoppiminen kannattaa ottaa käyttöön silloin, kun perinteinen algoritmi tulee tiensä päähän:

• Datan hajonta on suuri – esimerkiksi pintavauriot voivat esiintyä mielivaltaisissa muodoissa ja vaihtelevin ulkoasuin.
• Sopivaa klassista algoritmia ei ole – ongelma on liian monimutkainen perinteisille menetelmille.
• Klassinen algoritmi on epäkäytännöllinen – se on liian hidas tai sen suoritus ei ole deterministinen.
• Algoritmin kehitystyö on liian raskasta – käsin viritetyn ratkaisun rakentaminen veisi kohtuuttomasti aikaa.

Ero konkretisoituu esimerkkiparilla. Poranreikien tarkastus (lukumäärä ja halkaisija) on hyvin määritelty mittaustehtävä, joka ratkeaa luotettavasti klassisella konenäöllä. Pinnanlaadun tarkastus taas sisältää suurta vaihtelua ulkonäössä, ja siihen koneoppiminen sopii paremmin.

Heikkilä lainaa koneoppimisen pioneeria John S. Denkeriä (n. 1994) tavalla, joka kannattaa pitää mielessä jokaisessa tekoälyprojektissa: neuroverkot ovat toiseksi paras tapa tehdä lähes mitä tahansa – paras tapa on ymmärtää itse ongelma. Tekoäly ei siis korvaa insinöörin ongelmanymmärrystä, vaan täydentää sitä siellä, missä perinteiset keinot eivät riitä.

Käytännön esimerkkejä

Kaksi sovellusta havainnollistaa, miltä ”käytännöllinen ja luotettava” tekoäly näyttää tuotannossa.

Sydänpuun suunnan tunnistus puunjalostuksessa. Konenäköön yhdistetty koneoppimismalli tunnistaa, osoittaako laudan sydänpuolinen pinta ylös vai alas. Tieto on arvokas esimerkiksi lattioissa ja paneeleissa, joissa lautojen oikea suuntaus vähentää kieroutumista, sekä liimapuussa, jossa lamellien kohdistus parantaa lujuutta ja liimasauman kestävyyttä. Juuri tämä on tapaus, jossa datan hajonta on suurta ja koneoppiminen päihittää käsin kirjoitetun algoritmin.

Tuotantohävikin vähentäminen prosessitarkkailijalla. Kiteenkasvatuksessa prosessi kestää yli vuorokauden ja on kriittisimmillään viimeisinä tunteina. Historiadatalla opetettu malli toimii ”prosessin tarkkailijana”, joka ennustaa mahdolliset ongelmat noin 15 minuuttia etukäteen. Malli ottaa sisään joukon prosessisuureita ja tuottaa terveysindikaattorin lähitulevaisuudelle – riittävän ajoissa, jotta hukkaan menevä erä ehditään estää.

Automaatio ja data science kuuluvat yhteen

Tekoälyn tuominen tuotantoon on jatkuva sykli, jossa automaatio ja data science kohtaavat kolmessa vaiheessa: kerää dataa → opeta malli → käytä mallia – ja takaisin alkuun.

Datan keruu tapahtuu automaation puolella tutuilla työkaluilla (Scope, tietokantapalvelin, Data Agent, Analytics Logger). Mallin opetus tapahtuu data sciencen puolella tavanomaisilla välineillä – Python, R, MATLAB sekä kirjastot kuten PyTorch, TensorFlow, scikit-learn ja MXNet. Ratkaiseva silta näiden maailmojen välillä on ONNX-formaatti, jonka kautta opetettu malli siirretään takaisin ohjaukseen. Käyttöönotto tapahtuu erilaisten inferenssimoottoreiden avulla suoraan koneessa – ilman jatkuvaa pilviyhteyttä.

Tämä on koko lähestymistavan ydin: malli opetetaan siellä, missä laskentateho on, mutta se ajetaan siellä, missä prosessi on.

TwinCAT Machine Learning Creator – malli datasta ilman tekoälyosaamista

Perinteisesti mallin rakentaminen on vaatinut data scientistin taitoja. Uusi, selainpohjainen TwinCAT Machine Learning Creator madaltaa kynnystä huomattavasti: se antaa automaatioinsinöörille mahdollisuuden luoda tehtäväkohtaisia tekoälymalleja ilman erityistä tekoälyosaamista.

Työkalu ottaa sisään tuttuja tiedostomuotoja (kuva-aineistoja kuten *.png, *.jpg, *.tiff sekä *.csv-dataa), tarjoaa skaalautuvan laskentatehon, tekee mallin luomisesta ja arvioinnista nopeaa ja on optimoitu reaaliaikakäyttöön niin viiveen kuin tarkkuudenkin osalta. Lopputuloksena syntyy ONNX-malli ja valmis PLC-koodi (PLCopen XML), joka on suoraviivaista integroida automaatiojärjestelmään.

Reaaliaikaisen päättelyn PLC-rajapinta noudattaa selkeää kolmivaiheista logiikkaa: malli ladataan, mallia suoritetaan ja malli päivitetään – kaikki ohjauksen tavanomaisen tilakoneen sisällä.

TwinCAT CoAgent – luonnollinen kieli insinöörin apuna

CoAgent edustaa toista reittiä: tekoälyavusteista engineeringiä. Se vastaa kolmeen tuttuun haasteeseen – nopeuteen, laatuun ja osaajapulaan. Ajatus on automatisoida rutiinit, jotta insinöörin aika vapautuu monimutkaisiin ongelmiin.

Käytännössä insinööri voi kuvata tehtävän luonnollisella kielellä: ”Laajenna FB_Axis ja lisää absoluuttinen paikoitus” tai ”Luo tälle PLC:lle HMI tämän luonnoksen pohjalta.” Agentti tukee PLC:tä, HMI:tä, I/O:ta ja diagnostiikkaa.

Arkkitehtuuriltaan CoAgent on avoin ja joustava. Se rakentuu MCP-rajapintojen (Model Context Protocol) päälle: Beckhoffin MCP-palvelimet ovat laajennettavissa (PLC-, HMI-, I/O- ja PLC++-työkalut sekä tietämyspalvelin), MCP-asiakas on vaihdettavissa, ja taustalla käytettävä kielimalli on valittavissa. Suositeltuina pilvivaihtoehtoina esityksessä mainitaan Azure OpenAI Service, OpenAI ChatGPT ja Anthropic Claude; kokeellisina paikallisina malleina esimerkiksi DeepSeek ja Mistral. Avoimuus tarkoittaa, että organisaatio voi tehdä oman valintansa esimerkiksi tietoturvan ja datan hallinnan ehdoilla.

Miten tekoälyyn voi luottaa?

Tämä on kysymys, joka ratkaisee tekoälyn kohtalon teollisuudessa. Esityksen vastaus rakentuu neljän periaatteen varaan:

• Validointi – mallin suorituskyky ja luotettavuus todennetaan.
• Hallinta – data ja immateriaalioikeudet pysyvät omassa hallinnassa.
• Ihminen ohjaksissa – insinöörit tekevät päätökset.
• Luotettavuus – noudatetaan koeteltuja engineering- ja turvallisuusperiaatteita.

Ydinajatus tiivistyy lauseeseen ”tekoäly ehdottaa – insinööri validoi”. Malli tai agentti tuottaa ehdotuksen, mutta ihminen testaa, tarkastaa ja hyväksyy sen ennen käyttöä – aivan kuten ulkopuolisen insinöörin työn kohdalla toimittaisiin. Tekoälyä kohdellaan siis kollegana, jonka työ käydään läpi, ei orakkelina, jonka sanaan luotetaan sokeasti. Erityisen tärkeä rajaus: turvallisuuslogiikkaa ei tuoteta tekoälyllä. Se pysyy ihmisen käsissä.

Sama pätee datan hallintaan. Tekoälyä voi käyttää turvallisesti, kun pysyy ohjaksissa: käytä yrityksen hyväksymiä työkaluja (yrityspilvi tai yksityinen tekoäly, ei julkisia chat-palveluja), älä syötä asiakas- tai luottamuksellista dataa tekoälytyökaluihin, älä lataa kokonaisia projekteja tai järjestelmätietoja – ja validoi aina tulokset.

Yhteenveto

Tulevaisuuden automaatiojärjestelmät yhdistävät ohjauksen, datan ja tekoälyn samaan kokonaisuuteen. Tekoäly integroituu suoraan engineering-työnkulkuihin, ja avoimet, joustavat arkkitehtuurit takaavat valinnanvapauden niin työkalujen kuin kielimallienkin suhteen. Vastuu validoinnista ja luottamuksesta säilyy kuitenkin insinöörillä.

Viesti on lopulta rauhoittava ja vaativa yhtä aikaa: tekoäly ei tee automaatioinsinööristä tarpeetonta, vaan siirtää painopistettä. Rutiinit ja vaikeasti algoritmisoitavat hahmontunnistustehtävät voidaan antaa mallille, mutta ongelman ymmärtäminen, ratkaisun validointi ja turvallisuudesta vastaaminen jäävät ihmiselle. Tekoäly ei ole erillinen – se on tulossa osaksi automaatiota, sisään rakennettuna validoituihin työnkulkuihin.

Teksti pohjautuu TkT Mikko Heikkilän (Beckhoff Automation, Suomi) esitykseen ”AI in Industrial Automation – From Hype to Practical and Reliable Applications”.

Alkuperäinen Power Point-esitys löytyy tästä osoitteesta: AIKO-työpaja 4: Älykäs automaatio – Hallittu riski | AIKO – Tekoälyn soveltaminen yritysten automaatioratkaisuissa | Tampereen korkeakouluyhteisö