Väitös Aalto-yliopiston perustieteiden korkeakoulusta, matematiikan ja systeemianalyysin laitokselta.

Väitöskirjan nimi: Decision models for preventive maintenance of technical systems

Tekniset järjestelmät, kuten autot, koostuvat lukuisista komponenteista, joiden kunnossapito on edellytys niiden luotettavalle toiminnalle. Yksi kunnossapitotapa on vaihtaa kuluneet komponentit uusiin. Komponentteja voidaan uusia sekä niiden rikkouduttua että ennakoivasti rikkoutumisten estämiseksi. Kunnossapitokustannukset kasvavat, jos komponentteja uusitaan tarpeettoman usein. Toisaalta liian harvan uusimisen takia komponentteja voi rikkoutua enemmän, mikä aiheuttaa kalliita käyttökatkoja. Tässä asetelmassa kunnossapitotoimien aikataulutuksen optimointi voi tuoda merkittäviä kustannussäästöjä.

Haasteena optimoinnissa ovat komponenttien väliset riippuvuudet ja eritahtinen kuluminen. Nämä syyt vaikuttavat päätöksiin uusia komponentteja samanaikaisesti. Eri tahtiin kuluneita komponentteja ei välttämättä kannata uusia samaan aikaan. Toisaalta jos komponenttien välisen rakenteellisen riippuvuuden takia jokin komponentti pitää purkaa järjestelmästä toisen komponentin uusimiseksi, voi olla kokonaistaloudellista vaihtaa purettu komponentti samaan aikaan.

Tässä väitöskirjassa kehitetään matemaattinen malli, joka antaa järjestelmän komponenteille kustannustehokkaan uusimisaikataulun. Uutta mallissa on se, että aikataulu ottaa huomioon samanaikaisesti sekä erot komponenttien kulumisessa että niiden väliset rakenteelliset riippuvuudet, jotka vaikuttavat kunnossapidon kustannuksiin ja järjestelmän luotettavuuteen. Malli auttaa päättämään, mitkä osat kannattaa vaihtaa kerralla ja mitkä myöhemmin, jotta kunnossapidosta ja mahdollisista käyttökatkoksista aiheutuvat kokonaiskustannukset pysyvät mahdollisimman alhaisina. Päätössuositukset pohjautuvat tietoon siitä, milloin komponentit on edellisen kerran vaihdettu ja missä kunnossa ne ovat.

Lisäksi väitöskirjassa kehitetään päätösprosessi, joka palvelee tekoälyyn pohjautuvien ratkaisujen käyttöönottoa järjestelmien kunnon seurannassa ja niiden jäljellä olevan käyttöajan ennustamisessa. Ratkaisujen tuottama tarkempi tieto järjestelmän nykytilasta ennakoi rikkoutumisia ja tukee huoltopäätöksiä. Kun tekoälyratkaisujen käyttöönotossa huomioidaan alusta alkaen organisaation käytännön tarpeet järjestelmän suorituskykyvaatimusten lisäksi, kehitystyö vastaa todennäköisemmin sille asetettuja odotuksia.

Lisätietoja: https://www.aalto.fi/fi/tapahtumat/vaitos-systeemi-ja-operaatiotutkimuksen-alalta-di-jussi-leppinen

Suomen operaatiotutkimusseura piti marraskuussa seminaarin teemalla Operaatiotutkimus strategisen päätöksenteon tukena. Strategisen tason päätöksenteon tukeminen datan, mallinnuksen ja analytiikan avulla auttaa mukautumaan maailman isoihin muutoksiin, joita esimerkiksi tekoälyn nopea kehitys ja maailmanpoliittinen tilanne vauhdittavat. Seminaariin osallistui seuran johtokuntalaisia ja aktiivisia jäseniä. Tutut kasvot ja erinomaiset esitykset tekivät seminaarista helposti lähestyttävän tapahtuman. 

Seminaarin ensimmäisen esityksen piti Aalto yliopiston Kauppakorkeakoulun tieto- ja palvelujohtamisen laitoksen professori Eeva Vilkkumaa aiheesta Skenaariopohjainen päätösanalyysi strategisen resilienssin vahvistajana. Esityksessään Eeva painotti skenaarioiden merkitystä tulevaisuuden mallintamisessa. Tulevaisuuteen liittyy paljon epävarmuutta, jolloin mahdollisten skenaarioiden määrä kasvaa nopeasti. Kuitenkin mallintamisen näkökulmasta on tärkeää pystyä rajaamaan tarkemmin tarkasteltavien skenaarioiden lukumäärää. Lisäksi tulevaisuuden kvantifioiminen on vaikeaa, jolloin päätösmalli tulisi suunnitella niin, että se tukee eksperttien kvalitatiivista arviointia eri skenaarioiden suhteen.  

Toisessa esityksessä Jussi Leppinen Aalto yliopiston Systeemianalyysin laboratoriolta puhui aiheesta Vaiheistettu päätösprosessi tukemaan tekoälyratkaisujen kehittämistä ennakoivan kunnossapidon tehtäviin. Kehitystyössä vaiheistettu päätöksenteko korostuu, koska kaikkia päätöksentekoon liittyviä kriteerejä ei välttämättä osata arvioida tarkasti kehitystyön alkuvaiheessa. Esimerkiksi tekoälyratkaisun todellista suorituskykyä ei voida arvioida ennen kuin tutkivan testauksen vaihe on suoritettu. Kuitenkin ennen sitä on kyettävä tekemään päätös, mitkä ratkaisuehdokkaat etenevät testaukseen. Vaiheistetut päätösprosessit tukevat strategista päätöksentekoa, koska ne auttavat jäsentämään ongelman, seuraamaan päätökseen liittyviä tavoitteita ja hallinnoimaan resurssien jakamista. Esityksen jälkeen yleisöstä otettiin kantaa siihen, kuinka tekoäly voi sanana olla harhaanjohtava kunnossapidon osa-alueella, koska tekoälyn sijaan sovelletaan dataan pohjautuvia koneoppimismalleja. 

Kolmannen esityksen piti Valtion Taloudellisen Tutkimuskeskuksen Datahuoneen johtaja Henna Laasonen aiheesta Ajantasaisiin mikroaineistoihin perustuva data-analyysi valtioneuvoston tukena. Datahuoneen päävastuu on koostaa ajantasaisia tilastoja ja suorittaa data-analyysejä valtioneuvoston toimeksiannosta lainsäädäntötyön tueksi.  Esityksessään Henna kertoi esimerkkejä erilaisista toimeksiannoista, joita Datahuone on suorittanut. Yksi keskeinen viesti esityksestä oli se, että Datahuone kykenisi paljon monimutkaisempiin toimeksiantoihin. Esitettyjen esimerkkien kautta oli kuitenkin hyvä huomata, että dataa oikeasti käytetään päätöksenteon tukena, ja että erilaisia ilmiöitä pystytään havainnollistamaan yhdistämällä eri tietolähteitä. 

Esityksen jälkeen iltaa jatkettiin ravintolassa illallisen merkeissä. Pöydässä oli paljon hyvää pöhinää ja mielenkiintoisia keskustelunaiheita esimerkiksi organisaatioista. Toivotamme myös ihmiset tervetulleiksi tuleviin vuoden 2026 seuran seminaareihin.