Metsäkoneen BigDatan hyödyntäminen opetuksessa 2020- luvulla

by Osaava Tredu

Metsäkoneet tuottavat nykyään valtavan määrän dataa konetyöstä. Suurimmilla konevalmistajilla on konedataa keräävät fleet- pohjaiset ohjelmistot, jotka tallentavat sen pilvipalveluihin. Olemme valjastaneet tämän tiedon oppimisen ja opetuksen käyttöön 6Aika: 365/12 – aina avoin ammatillinen oppilaitos- hankkeessa. Käyttöönotto vaati ensin metsäkoneen IoT- sanaston rakentamisen, jotta erilaiset tiedostopäätteet ja alalla käytettävät lyhenteet ovat kaikille tuttuja. Järjestelmän käyttöönotto vaati myös alkuun lyhyen koulutuksen, vaikka se toimiikin automaattisesti kaiken taustalla. Uusimmista koneista tällaiset järjestelmät löytyvät usein jo valmiina, mutta koululle järjestelmien käyttöönotto vaati tietokoneiden päivityksen.

Valintamme kohdistui Komatsun tuottamaan Maxifleet- järjestelmään sen monipuolisuuden vuoksi. Järjestelmä näyttää kuljettajalle reaaliaikaisena omaan työhön työvaiheittain kulutettavaa aikaa ja vertaa sitä samalla keskimääräiseen suoritukseen, jolloin mittarin väristä voi heti päätellä kehityksen. Järjestelmä tuottaa myös hakkuukoneella tehdyistä puista paikat karttajärjestelmään ja lähettää sen heti pilvipalveluun, josta esimerkiksi ajokone näkee omalta tietokoneeltaan heti puiden sijainnin. Tietoja voi myös tarkastella esimerkiksi kännykällä selaimen kautta kirjautumalla järjestelmään omilla tunnuksilla. Näin esimerkiksi ajokoneenkuljettaja voi suunnitella oman työpäivänsä teoriassa etukäteen käymättä edes työpaikalla. Metsäkoneenkuljettajan työ on itsenäistä ja kehittyminen vaatii jatkuvaa oman työn reflektointia. Järjestelmä auttaa olennaisesti kuljettajaa kehittymään ammattilaisen tasolle, kun omasta työstä voidaan karsia aikaa kuluttavat turhat työvaiheet pois.

Järjestelmä toimii opettajan työkaluna lisäten tulevaisuuden työelämävalmiuksia opiskelijoille. Järjestelmää kehitettiin automaattiseksi raportoinnin osalta, jolloin palaute kehittymisestä lähtee automaattisesti, kunhan opettaja räätälöi sopivat palautejaksot. Parhaimpina hyötyinä on mahdollisuus tulostaa opiskelijan mukaan ennen työelämään siirtymistä portfolio- raportti koulujakson aikaisesta kehittymisestä, jonka voi esittää työnantajalle työnhaku tilanteessa.

Konedatan tuottaman tiedon avulla olemme oppineet ymmärtämään eri työvaiheisiin kuluvaa aikaa aivan uudella tavalla. Näin pääsemme data avulla mahdollisten ongelmien syntyyn kiinni, tavallaan jo ennen niiden syntymistä. Jokainen opettaja lienee törmännyt tilanteeseen, jossa opiskelija ei meinaa saada jotain ”itsestään selvää asiaa” tehtyä. Bigdatan hyödyntäminen auttaa esimerkiksi juuri tässä, sillä mikäli jokin työprosessiin liittyvä olennainen työvaihe tehdään ”väärin” näkyy se heti datassa ja tätä tietoa hyödyntämällä voidaan ”pikkuasia” opettaa kerralla oikein ja eikä suuremman opetettavan kokonaisuuden oppiminen häiriinny.

Bigdatan hyödyntämisen avulla on myös mahdollista löytää omasta työstään piiloajan syöjiä, työkulttuuriin liittyviä asioita tai jopa tuottamattomia työvaiheita. Näitä ajansyöppöjä ja piilokulujen aiheuttajia löytyy datan avulla omasta työstä yllättävistä paikoista. Esimerkiksi metsäkonekoulutuksessa on tiedetty, että koneet käyvät tyhjäkäyntiä ”jonkin verran”, mutta konedata paljasti niiden käyvän tyhjäkäyntiä jopa yli 50%! Konedatan avulla saimme tiputettua tyhjäkäynnin määrää noin 25%:n määrään, joka lienee opetusteknisesti vielä perusteltua.  Opiskelijat saavuttivat konedatan hyödyntämisen avulla koneille muutoinkin ennätyksellisen suuren tuottavuuden kouluolosuhteissa, kun turha ajankäyttö osattiin hyödyntää tuottavan työn tekoon.

MaxiFleet ohjelman avulla saavutetaan työelämän vaatimustaso jo koulussa, kun järjestelmä kertoo reaaliaikaisesti kuljettajalle, mikä on vastaavien koneiden referenssi työelämässä. Järjestelmä näyttää kuljettajalle eri värisin symbolein kunkin työvaiheen, jolloin koulutuksessa voidaan keskittyä pieniin palasiin kerralla.

Hyvin tyypillistä on, että alkuvaiheessa aikaa kuluu poistettavien puiden valintaa ammattikuljettajaa enemmän, mutta omaa työtapaansa tarkastelemalla ja mittaria seuraamalla tätä voidaan kehittää täsmällisesti. Erityisesti tästä mittarista on apua, kun opiskelijoille havainnollistetaan eri työmallien tehokkuutta. Toinen merkittävä ajan syöjä ja polttoaineenkulutusta lisäävä tekijä on tylsällä ketjulla sahaaminen, mittari näyttää myös tämän kuljettajalle heti, mikäli sahaukseen kuluu kymmenesosa sekunti normaalia kauemmin. Sahauksia tulee päivässä tuhansia, vuosittain satoja tuhansia, joten näistä pienistä sekunnin kymmenyksistä saadaan huomattavia tuloksia aikaan jopa ammattikuljettajille!

Mikäli työsi kaipaa tehokkuutta, löytyy tähän ratkaisu konedata- analyysista.

Teksti: Janne Ruokonen @Motoope

Lue myös