Teollisuudessa on meneillään neljäs teollinen vallankumous, jossa anturit ja laitteet teollisuusympäristöissä yhdistetään Internetiin. Kerätystä datasta voidaan jalostaa koneoppivilla menetelmillä ja data-analytiikalla uutta arvoa yrityksille, millä voidaan parantaa teollisuuslaitosten tuotettavuutta sekä tuotantotehokkuutta. UPM, suomalainen metsä- teollisuusyhtiö, haluaa rakentaa IoT-järjestelmän sellutehtaidensa sähkömoottoreiden ennakoivaan kunnonvalvonnan tarpeisiin. Tehtaan tuotantotehokkuus kasvaa, kun tehtaan suunnittelemattomia alasajoja voidaan estää koneoppivilla menetelmillä tehtyjen ennusteiden avulla.

Data-analytiikan mahdollisuuksia tutkittiin luomalla koneoppivilla menetelmillä malli. Malli tunnistaa ja ennustaa sähkömoottorin ylikuormatilanteita. Lisäksi luotiin malli sellun tuotantomäärän ennustamiseen. Mallit luotiin käyttämällä automaatiojärjestelmästä saatua prosessidataa UPM:n Kaukaan sellutehtaalta. Mallit saavuttivat ennusteissaan jopa 98 prosentin tarkkuuden. Mallintaminen tehtiin sekä lokaalisti että Microsoft Azure -pilvipalvelussa.

Tekniikka sellutehtaan toiminnan seuraamiseen ja ennustamiseen on olemassa, ja yhdistä- mällä datat eri tietolähteistä voidaan rakentaa koko sellutehtaan laajuinen IoT-järjestelmä esimerkiksi Microsoft Azure -pilvipalveluun käyttämällä pilvialustan tarjoamia työkaluja. Sovelluksen kehittäminen vaatii monialaista osaamista data-analytiikasta ja prosessista, sillä järjestelmän toiminta vaatii tehtaan kaikkien prosessilaitteiden mallintamisen ja eri järjestelmien datojen yhdistämisen. Järjestelmän avulla sellutehtaan toimintaa voidaan tarkkailla, ja ennustamalla vikatilanteita, tehtaan toimintaa voidaan tehostaa. Tässä työssä esitellyt menetelmät luovat pohjan koko tehtaanlaajuisen IoT-järjestelmän kehittämiselle.