Älyratkaisut arktisella alueella

Tekijät

• Petri Martikainen, tietojenkäsittelyn tradenomi (AMK), asiantuntija, Uudistuva teollisuus -osaamisryhmä, Lapin ammattikorkeakoulu
• Jani Sipola, DI, asiantuntija, Uudistuva teollisuus -osaamisryhmä, Lapin ammattikorkeakoulu
• Toni Toikka, insinööri (AMK), asiantuntija, Uudistuva teollisuus -osaamisryhmä, Lapin ammattikorkeakoulu
• Mika Turska, insinööri (AMK), asiantuntija, Uudistuva teollisuus -osaamisryhmä, Lapin ammattikorkeakoulu

Tiivistelmä

Julkaisu tarkastelee Lapin alueen älykkäitä ja kestäviä teknologiaratkaisuja käytännön kokeilujen, yrityshaastattelujen ja kirjallisuusselvityksen kautta. Tulokset osoittavat, että älyratkaisuilla – kuten droonit, IoT-anturit, tekoäly, robotiikka ja 3D-tulostus – on merkittävä rooli toimintavarmuuden, turvallisuuden ja resurssitehokkuuden parantamisessa arktisissa olosuhteissa.

Keskeinen havainto on, että teknologioiden todellinen hyöty syntyy vasta käytännön pilotoinneissa ja kenttäkokeiluissa. Haasteita aiheuttavat erityisesti osaamisvaje, datan hyödyntäminen, tietoturva sekä teknologioiden soveltaminen vaativiin ympäristöihin. Näitä voidaan ratkaista vahvistamalla yhteistyötä, koulutusta ja kokeilukulttuuria.

Älyratkaisut tukevat kestävää kehitystä vähentämällä päästöjä, tehostamalla energian käyttöä ja mahdollistamalla ennakoivan kunnossapidon. Lapilla on vahva potentiaali toimia arktisten älyratkaisujen kehitys- ja testialustana, jossa tutkimus, yritykset ja käytännön sovellukset yhdistyvät.

1 Johdanto

Tämä julkaisu tarjoaa laajan ja käytännönläheisen tietopaketin älykkäiden ja kestävien teknologiaratkaisujen mahdollisuuksista Lapissa. Julkaisussa raportoidaan KÄLY-hankkeessa tehdyt selvitystyöt ja demonstraatiot, joiden tavoitteena oli tutkia ja testata kestävien ja älykkäiden teknologiaratkaisujen soveltuvuutta teollisiin ja maataloudellisiin käyttöympäristöihin. Hankkeen lähtökohtana oli tarve tuottaa käytännönläheistä tietoa siitä, millaiset digitaaliset ja rakenteelliset ratkaisut tukevat toimintavarmuutta, resurssitehokkuutta ja kestävää kehitystä erityisesti teollisuuden ja maatalouden rajapinnoilla.

Julkaisussa tarkastellaan monipuolisesti drooneja, LoRa- ja IoT-anturointia, paikannusta, tekoälyä, robotiikkaa, kunnossapitoa, energialouhintaa ja 3D-tulostusta. Teknologioiden rinnalla kuvataan Lapin yrityskenttää, yritysten ja maatalousyrittäjien tunnistamia tarpeita sekä käyttöönoton keskeisiä esteitä, kuten osaamisvajetta, tietoturvakysymyksiä, järjestelmien yhteensopivuutta ja vaativien olosuhteiden asettamia teknisiä vaatimuksia. Kokonaisuuden tavoitteena on auttaa lukijaa hahmottamaan, missä teknologiat ovat jo käyttökelpoisia, millaisia hyötyjä niillä voidaan saavuttaa ja missä tarvitaan vielä kehittämistä.

Julkaisussa keskitytään käytännön kokeilujen, yrityksiltä kerätyn tiedon ja kirjallisuuteen perustuvan tarkastelun yhdistämiseen. Hankkeessa toimenpiteet painottuivat käytännön kokeiluihin ja pilotteihin. Pelkän teoreettisen tarkastelun sijaan ratkaisuja testattiin aidoissa käyttöympäristöissä, jolloin saatiin arvokasta kokemustietoa teknologioiden toimivuudesta, rajoitteista ja jatkokehitystarpeista. Seitsemän demonstraatiota konkretisoi, miten älyratkaisuja voidaan soveltaa muun muassa eläinten seurantaan, IoT-pohjaiseen tiedonkeruuseen, droonikuvaukseen, lämpötilan valvontaan sekä perinteisten laitteiden digitalisointiin. Tämä lähestymistapa tukee julkaisun tavoitetta palvella sekä kehittäjiä, loppukäyttäjiä että tulevia hankkeita.

Raportti etenee selvitystyön lähtökohdista ja teknologiakohtaisista havainnoista yrityskartoitukseen ja haastattelutuloksiin. Tämän jälkeen esitellään hartsivaluihin ja 3D-tulostettuihin muotteihin liittyvät kokeet sekä hankkeessa toteutetut seitsemän demonstraatiota. Lopuksi kootaan yhteen keskeiset opit ja kehittämissuunnat. Lukija voi hyödyntää julkaisua kokonaiskuvan muodostamiseen tai poimia siitä omaa toimialaansa, teknologiaansa tai kehittämistarvettaan koskevia esimerkkejä.

KÄLY – Kestävät älyratkaisut oli kolmivuotinen hanke, joka toteutettiin ajalla 06/2023–05/2026. Hanketta rahoitti Lapin liitto Uudistuva ja osaava Suomi 2021–2027-ohjelmasta, joka on Euroopan unionin alue- ja rakennepolitiikan ohjelma. Julkaisun tuottamisessa on hyödynnetty tekoälyä apuna.

2 Selvitystyön toteutus ja keskeiset tulokset

Selvitystyön tulokset perustuvat hankkeen aikana toteutettuihin yritys- ja asiantuntijahaastatteluihin, yritysvierailuihin, työpajoihin sekä alan tapahtumissa tehtyihin havaintoihin. Näiden avulla muodostettiin kokonaiskuva Lapin alueen yritysten tarpeista, kehitysnäkymistä ja teknologioista, joilla voidaan vastata toimintaympäristön erityishaasteisiin.

Haastatteluissa korostuivat erityisesti toimintavarmuus arktisissa olosuhteissa, tiedonkeruun ja analysoinnin kehittäminen, automaation lisääminen sekä resurssi- ja energiatehokkuuden parantaminen. Näiden tarpeiden pohjalta seuraavissa luvuissa tarkastellaan keskeisiä teknologia-alueita, kuten drooneja, LoRa- ja paikannusratkaisuja, robotiikkaa, tekoälyä, kunnossapidon digitalisaatiota sekä 3D-tulostusta, ja arvioidaan niiden mahdollisuuksia Lapin teollisuuden ja maatalouden kehittämisessä.

2.1 Selvitystyön lähtökohdat, menetelmät ja rajaus

Selvitystyön tavoitteena oli muodostaa käytännönläheinen kokonaiskuva älykkäiden teknologioiden ja kestävien ratkaisujen nykytilasta sekä niiden soveltamisesta. Lähtökohtana oli tunnistaa yritysten konkreettisia tarpeita, kartoittaa alueen toimijoita sekä tunnistaa teknologioita, joilla voidaan parantaa tuottavuutta, turvallisuutta ja tehokkuutta. Selvitys painottui erityisesti Lapin alueen näkökulmaan ja alueelle relevantteihin teknologioihin sekä käyttökohteisiin.

Tiedonkeruumenetelmät

Hankkeessa hyödynnettiin useita toisiaan täydentäviä tiedonkeruumenetelmiä, jotta muodostettu kokonaiskuva olisi mahdollisimman kattava ja käytännönläheinen.

Asiantuntija- ja yrityshaastattelut ja vierailut

Yrityksiltä ja asiantuntijoilta kerättiin tietoa haastattelujen avulla. Haastatteluja toteutettiin mm:

• paikan päällä yritysvierailujen yhteydessä tai etäyhteyksillä
• tapahtumissa, kuten seminaareissa ja messuilla
• hankkeen järjestämissä työpajoissa ja esittelytilaisuuksissa

Haastatteluissa yrityksiltä kartoitettiin:

• teknologisiin ratkaisuihin liittyviä tarpeita
• kehitystoiveita ja tulevaisuuden näkymiä
• nykyisiä haasteita erityisesti arktisissa toimintaympäristöissä

Näiden pohjalta muodostettiin ymmärrys siitä, millaisille ratkaisuille on todellista kysyntää.

Yritysvierailujen aikana saatiin käytännön näkymä siihen, miten teknologiaa hyödynnetään tällä hetkellä eri toimialoilla. Samalla tunnistettiin kehityskohteita, joissa älyteknologioilla on potentiaalia tuoda lisäarvoa heidän tarpeisiinsa.

Messut, seminaarit ja kongressit

Hankkeessa osallistuttiin aktiivisesti eri alan tapahtumiin, kuten messuille, kongresseihin ja seminaareihin. Näissä:

• seurattiin uusimpia teknologisia ratkaisuja ja trendejä
• tutustuttiin markkinoilla oleviin tuotteisiin ja palveluihin
• verkostoiduttiin alan toimijoiden kanssa

Havaintojen perusteella voidaan todeta, että älykkyys on yhä useammin sisäänrakennettuna osana teknisiä ratkaisuja, ja sen rooli kasvaa jatkuvasti eri toimialoilla.

Työpajat ja keskustelut demojen toteutuksissa

Hankkeessa toteutettujen demojen yhteydessä järjestettiin työpajoja ja käytiin keskusteluja yritysten kanssa, jotka olivat mukana demoissa. Näiden yhteydessä saatiin demoihin liittyvää tietoa, mutta samalla keskusteltiin myös hankkeen teemoista laajemminkin. Hankkeessa voidaan sanotun pidetyn neljä työpajaa, jotka liittyivät hankkeen kolmeen demoon. Yhdessä näistä demoissa pidettiin kaksi erillistä työpajaa, jossa jälkimmäisessä varmistettiin lähinnä parannellun demolaitteiston toiminta. Nämä työpajat pidettiin ns. maastotyöpajana, johtuen demon luonteesta. Kahteen muuhun demoon liittyvät työpajat pidettiin demon kokeilukohteessa ja haastattelutyyppisesti puhelimen, paikallaolon ja sähköpostin välityksellä. Työpajoissa oli hyvin rajattu joukko osallistujia yhteensä kahdeksan kappaletta, johtuen demojen luonteesta.

Yritysmäärät ja aineiston keruu

Hankkeen aikana kontaktoitiin edellä mainituilla tavoilla yhteensä 51 yritystä. Joista voidaan jaotella 34 kappaletta yrityksistä kuuluvan teollisuuden aloille, kuten metalli-, metsä- ja muoviteollisuus, IT-alalle, energia-alalle, autotestaukseen sekä raskaita laitteita valmistavasta aloilta. Maatalouden sektorilta kontaktoitiin 17 kpl yrityksiä, joihin lasketaan erilaista maataloutta harjoittavat yritykset ja koirien kouluttajat. Lisäksi on tavattu eri tapahtumien yhteydessä lukuisa joukko yrityksen edustajia monilta eri aloilta.

Hankkeessa tehdyistä vierailuista, haastatteluista ja työpajoista sekä seminaareista saatu tietoa kirjattiin ylös moninaisilla tavoilla, kuten käsin kirjoitetuilla muistiinpanoilla ja sähköisillä muistioilla. Lisäksi haastattelu ja vierailuissa tehdyt kysymykset vaihtelivat tilaisuuden mukaan. Osissa haastatteluissa käytettiin myös valmista kysymyspatteristoa. Osa haastatteluista myös litteroitiin ja kirjattiin sen avulla yrittäjien tarpeita ja näkemyksiä hankkeen aihealueista. Tavoitteena oli saada talteen oleellinen tieto hankkeen tarpeisiin, joten ei ole tavoiteltu tieteellistä lähestymistapaa, jossa kaikissa tiedon keräämistavoissa olisi käytetty yhtenäistä toimintatapaa.

Verkkolähteiden aineisto

Taustatiedon hankinnassa hyödynnettiin verkkolähteistä saatua aineistoa. Näiden avulla:

• kartoitettiin keskeisiä älyteknologioita (esim. tekoäly, robotiikka, droonit, LoRa ja muut radioteknologiat sekä paikannusteknologiat)
• tunnistettiin teknologioiden sovelluskohteita eri toimialoilla
• täydennettiin kentältä kerättyä tietoa

Selvityksen sisältöpainotukset ja rajaus

Selvityksessä keskityttiin valikoituihin osa-alueisiin, jotka tunnistettiin erityisen relevantiksi hankkeen tavoitteiden ja kohdealueen näkökulmasta. Valikoidut osa-alueet olivat: droonit, Lora anturi- ja muut paikannusteknologiat, robotiikka, tekoäly, kunnossapito ja 3D-tulostus.

Selvitys ei ole kattava esitys kaikista mahdollisista älyteknologioista tai kestävistä ratkaisuista. Rajaus tehtiin seuraavin perustein:

• hankkeen tavoitteet ja resurssit
• alueellinen relevanssi (Lappi ja arktiset olosuhteet)
• yrityksiltä tunnistetut käytännön tarpeet

Tämän vuoksi tarkastelu kohdistui valikoituihin teknologioihin ja käyttökohteisiin, joilla arvioitiin olevan suurin potentiaali alueen kehittämisen kannalta.

2.2 Drooni-teknologian hyödyntäminen teollisuudessa ja infrastruktuurivalvonnassa

Drooni-teknologian käyttö on viime vuosina laajentunut nopeasti useille eri toimialoille, ja siitä on muodostumassa keskeinen työkalu erityisesti tarkastukseen, valvontaan ja tiedonkeruuseen. Selvityksen perusteella droonit tarjoavat merkittäviä mahdollisuuksia turvallisuuden parantamiseen, kustannustehokkuuden lisäämiseen ja toimintojen tehostamiseen niin teollisuudessa, energiasektorilla kuin luonnonvarojen hallinnassa (Tapio 2023; Easteam 2023; Consortiq 2023).

Teollisuuden kunnossapidon näkökulmasta droonien keskeinen hyöty liittyy vaikeasti saavutettavien kohteiden tarkastamiseen. Esimerkiksi tuotantolaitoksissa, kuten terästeollisuudessa, drooneja voidaan hyödyntää rakenteiden kunnonvalvonnassa ilman, että työntekijöiden tarvitsee altistua vaarallisille työolosuhteille. Opinnäytetöissä esitetyissä ratkaisuissa droonien avulla voidaan toteuttaa visuaalisia tarkastuksia ja dokumentointia tehokkaasti, mikä tukee kunnossapidon suunnittelua ja päätöksentekoa (Kolari 2023; Miettinen 2022).

Laajemmin tarkasteltuna droonien käyttö mahdollistaa siirtymisen reaktiivisesta kunnossapidosta kohti ennakoivampia toimintamalleja. Infrastruktuurin, kuten sähkölinjojen ja putkistojen, tarkastuksessa droonit voivat kerätä jatkuvaa ja tarkkaa dataa kohteiden kunnosta. Tämä mahdollistaa vikojen varhaisen havaitsemisen ja kunnossapitotoimenpiteiden oikea-aikaisen kohdentamisen. Esimerkiksi sähköverkoissa drooneja hyödynnetään vikatilanteiden paikantamiseen ja kasvillisuuden hallintaan, mikä parantaa verkon toimintavarmuutta ja lyhentää korjausaikoja (Järvi‑Suomen Energia 2022; DroneDari 2023; Caruna 2023).

Energia-alalla droonien merkitys korostuu erityisesti tuuli- ja aurinkovoimaloiden tarkastuksissa. Tutkimusten mukaan droonien avulla voidaan toteuttaa tarkastuksia nopeammin ja turvallisemmin kuin perinteisillä menetelmillä, kuten helikopterien avulla. Lisäksi droonien tuottama tarkka kuvadata mahdollistaa jopa pienten vaurioiden havaitsemisen, mikä tukee laitosten toimintavarmuutta ja vähentää seisokkien riskiä. Samalla kustannukset pienenevät, koska tarkastukset voidaan toteuttaa kevyemmällä kalustolla ja vähemmillä resursseilla (VTT 2018; Consortiq 2023).

Droonien käyttö ei rajoitu pelkästään teollisuuden kunnossapitoon, vaan niitä hyödynnetään laajasti myös metsä- ja ympäristöseurannassa. Metsäalalla droonit ovat jo vakiintunut työväline muun muassa metsäsuunnittelussa, tuhojen seurannassa ja palovalvonnassa. Ympäristönvalvonnassa drooneja voidaan käyttää esimerkiksi vesistöjen ja maaperän tilan tarkkailuun, mikä tukee kestävän kehityksen tavoitteita. Datan keruu on kuitenkin vasta ensimmäinen vaihe, ja aineiston analysointi edellyttää käyttäjältä osaamista ja sopivia analytiikkatyökaluja (Tapio 2023; HAMK 2022).

Tekoälyn yhdistäminen drooni-teknologiaan avaa uusia mahdollisuuksia tiedon hyödyntämiseen. Esimerkiksi sähköverkkojen tarkastuksessa droonien keräämää kuva- ja mittausdataa voidaan analysoida automaattisesti tekoälyn avulla, jolloin vikojen tunnistaminen nopeutuu ja manuaalisen työn tarve vähenee. Tämä kehitys tukee sekä tehokkuuden parantamista että turvallisuuden lisäämistä, kun riskialttiita tarkastuksia voidaan automatisoida (PKS Sähkönsiirto 2022; Caruna 2023).

Droonien käyttö laajenee myös logistiikkaan ja pelastustoimiin. Kuljetuksissa droonit voivat tarjota nopean ja kustannustehokkaan ratkaisun erityisesti kiireellisissä toimituksissa tai vaikeasti saavutettaville alueille. Lisäksi drooneja voidaan hyödyntää hätätilanteissa esimerkiksi etsintä- ja pelastustehtävissä sekä lääkkeiden kuljetuksessa. Tulevaisuudessa droonekuljetusten merkityksen arvioidaan kasvavan merkittävästi, mikä luo uusia liiketoimintamahdollisuuksia (Kauppalehti 2023; Easteam 2023).

Teknologian kehittyessä myös droonien automaatio lisääntyy. Esimerkkejä tästä ovat automaattiset lataus- ja telakointiratkaisut, joiden avulla droonit voivat toimia lähes täysin autonomisesti. Tällaiset ratkaisut mahdollistavat jatkuvan valvonnan ja tarkastustoiminnan ilman jatkuvaa käyttäjän läsnäoloa, mikä parantaa erityisesti valvonnan jatkuvuutta ja reagointinopeutta (DJI 2023; Wibotic 2023; Skycharge 2023).

Droonien laajempaa käyttöönottoa rajoittavat kuitenkin edelleen tietyt haasteet. Keskeisimpiä näistä ovat lainsäädäntöön liittyvät rajoitukset, teknologiset rajat (kuten lentoaika ja kantavuus) sekä osaamisvaatimukset. Droonien turvallinen käyttö edellyttää koulutettua henkilöstöä sekä voimassa olevien säädösten noudattamista. Lisäksi datan analysointi ja hyödyntäminen edellyttävät riittävää teknistä osaamista (Traficom, 2023).

Lapin alueen näkökulmasta droonien potentiaali on erityisen merkittävä. Alueen pitkät etäisyydet, vaativat olosuhteet ja laaja infrastruktuuri luovat tarpeen tehokkaille ja joustaville valvonta- ja tarkastusratkaisuille. Droonien avulla voidaan parantaa esimerkiksi energiateollisuuden infrastruktuurin valvontaa, metsien seurantaa sekä hätätilanteiden hallintaa. Samalla teknologia tukee kestävää kehitystä vähentämällä tarvetta raskaammille ja kuormittavammille tarkastusmenetelmille (GTK 2022; Tapio 2023).

Lappiin on rakentumassa myös arktisen droneosaamisen superkeskittymä, jossa yhdistyvät tutkimus, koulutus ja yritysyhteistyö. Tavoitteena on kehittää erityisesti pohjoisiin olosuhteisiin soveltuvia ratkaisuja, mikä on tärkeää esimerkiksi energiasektorille, kaivosteollisuuteen ja infrastruktuurin valvontaan. Tämä vahvistaa alueen mahdollisuuksia hyödyntää drooneja laajasti ja luo edellytyksiä uusille innovaatioille sekä liiketoiminnalle (Lapin AMK, 2026).

Yhteenvetona voidaan todeta, että drooni-teknologia tarjoaa laajasti hyödynnettävissä olevia ratkaisuja teollisuuden, energiateollisuuden ja ympäristönhallinnan tarpeisiin. Sen keskeiset hyödyt liittyvät turvallisuuden parantamiseen, kustannusten vähentämiseen ja toiminnan tehostamiseen. Tulevaisuudessa erityisesti tekoälyn ja autonomisten järjestelmien kehitys tulee entisestään vahvistamaan droonien roolia osana älykkäitä ja kestäviä toimintaympäristöjä (PKS Sähkönsiirto 2022; Consortiq 2023).

Hankkeessa on tehty blogi aiheesta: Dronen käyttö sähkölinjojen kunnonvalvonnassa – Lapin ammattikorkeakoulu

2.3 LoRa-teknologia mahdollistaa etämittauksen Lapin olosuhteissa

Lapissa etäisyydet ovat pitkiä, olosuhteet vaihtelevat nopeasti ja monet mittauskohteet sijaitsevat paikoissa, joihin ei ole helppoa vetää sähkö- tai tietoliikenneyhteyksiä. Tämä näkyy esimerkiksi uusiutuvan energian tuotannossa, luonnonvarojen seurannassa, matkailuympäristöissä ja maaseudun arjen ratkaisuissa.

Yksi käytännöllinen teknologia tällaisiin tarpeisiin on LoRa. Se on langaton tiedonsiirtotekniikka, joka soveltuu erityisesti tilanteisiin, joissa halutaan siirtää pieniä määriä mittaustietoa pitkien etäisyyksien päästä vähäisellä virrankulutuksella. LoRaWAN puolestaan on LoRa-teknologiaan perustuva verkkomalli, jonka avulla erilaiset anturit ja mittalaitteet voidaan liittää osaksi laajempaa IoT-järjestelmää. LoRaWANia käytetään yleisesti esimerkiksi antureissa, jotka mittaavat lämpötilaa, kosteutta, sijaintia, vedenpintaa tai muita ympäristöön liittyviä tietoja. (The Things Network, TEKTELIC)

Miksi LoRa sopii Lapin tarpeisiin?

LoRa-teknologian keskeinen etu on sen pitkä kantama. Se ei vaadi samanlaista tiheää tukiasemaverkkoa kuin monet lyhyen kantaman langattomat ratkaisut. Tämä on tärkeää Lapissa, jossa mittauspisteet voivat sijaita esimerkiksi tuulivoimapuistossa, metsäalueella, vesistön äärellä, teollisuusalueella tai kaukana kiinteästä verkkoyhteydestä. LoRaWAN on suunniteltu juuri tällaisiin vähävirtaisiin ja laajan alueen IoT-ratkaisuihin. (LoRa Alliance, The Things Network)

Toinen etu on pieni virrankulutus. Anturi voi toimia paristolla tai akulla pitkään, jos sen ei tarvitse lähettää tietoa jatkuvasti. Tämä sopii hyvin esimerkiksi olosuhdeseurantaan, jossa mittaus tehdään tietyin väliajoin. Käytännössä anturi voi mitata esimerkiksi lämpötilaa, kosteutta tai vedenpintaa ja lähettää tiedon järjestelmään muutaman minuutin, tunnin tai vuorokauden välein. LoRaWAN-laitteita käytetään tyypillisesti juuri tällaisissa sovelluksissa, joissa siirretään pieniä datapaketteja harvakseltaan. (The Things Network, TEKTELIC)

Lapin näkökulmasta tämä tarkoittaa, että mittaustietoa voidaan kerätä ilman jatkuvaa paikan päällä käymistä. Tämä voi vähentää huoltokäyntejä, parantaa ennakointia ja tuoda päätöksentekoon reaaliaikaisempaa tietoa. Hankkeen tavoitteiden kannalta tämä tukee ajatusta siitä, että tekoälyä, anturointia ja data-analytiikkaa voidaan hyödyntää erityisesti arktisissa olosuhteissa toimivien järjestelmien kunnossapidossa ja kehittämisessä.

LoRa-antureita käytännön tarpeisiin

LoRaWAN-verkkoon voidaan liittää monenlaisia antureita. Tärkeää on, että anturi tuottaa sellaista tietoa, jota voidaan hyödyntää käytännön päätöksenteossa. Hankkeen näkökulmasta kiinnostavia käyttökohteita ovat mm. energia, kunnossapito, ympäristön seuranta ja kenttäolosuhteissa tapahtuva mittaaminen.

Lämpötila- ja kosteusanturit

Lämpötila- ja kosteusanturit ovat yksinkertainen mutta hyödyllinen esimerkki LoRaWAN-ratkaisusta. Niitä voidaan käyttää esimerkiksi laitekaapeissa, varastoissa, teknisissä tiloissa, sääsuojissa, tuulivoimaloiden yhteydessä tai kylmissä ulko-olosuhteissa. Anturi voi ilmoittaa, jos lämpötila laskee tai nousee liian paljon tai jos kosteus lisääntyy tavalla, joka voi aiheuttaa laitteille vaurioita. LoRaWAN-antureita käytetään yleisesti lämpötilan ja kosteuden mittaamiseen esimerkiksi rakennuksissa, teollisuudessa, maataloudessa ja ympäristöseurannassa. (TEKTELIC)

Lapissa tällaisilla mittauksilla voi olla erityistä merkitystä, koska pakkanen, kosteus, lumi, jäätyminen ja nopeat lämpötilavaihtelut vaikuttavat laitteiden toimintaan.

Maaperä- ja olosuhdeanturit

Maaperäanturit voivat mitata esimerkiksi maan kosteutta, lämpötilaa ja sähkönjohtavuutta. Niitä käytetään erityisesti maataloudessa, kastelun ohjauksessa ja ympäristön seurannassa. Esimerkiksi Milesightin LoRaWAN-maaperäanturi mittaa maaperän kosteutta, lämpötilaa ja sähkönjohtavuutta, ja valmistajan mukaan sitä voidaan käyttää vaativissa ulko-olosuhteissa sekä älykkään kastelun tukena. (Milesight)

Lapissa tällaisia antureita voitaisiin soveltaa esimerkiksi kasvukauden seurantaan, turve- ja suoalueiden mittauksiin, tie- ja maarakenteiden olosuhdeseurantaan tai tutkimuskohteisiin, joissa halutaan ymmärtää maaperän kosteuden, lämpötilan ja vuodenaikojen vaihtelun vaikutuksia.

Vedenpinnan ja ympäristön seuranta

LoRaWAN soveltuu myös vedenpinnan, säiliöiden täyttöasteen, virtaaman tai vedenlaadun seurantaan. Esimerkiksi Decentlabin LoRaWAN-tuotevalikoimassa on veden, ilman ja maaperän mittaukseen tarkoitettuja antureita, kuten pinnankorkeuden, paineen, sameuden, sähkönjohtavuuden ja sääolosuhteiden mittalaitteita. (Decentlab)

Lapissa veden ja ympäristön seurannalla voi olla merkitystä esimerkiksi hulevesien, jokien, ojien, kaivosympäristöjen, teollisuusalueiden tai matkailukohteiden näkökulmasta. Kun mittauspisteet ovat hajallaan laajalla alueella, langaton ja vähävirtainen ratkaisu voi olla käytännössä huomattavasti helpompi toteuttaa kuin perinteinen kaapeloitu järjestelmä.

Ilmanlaatu- ja CO₂-anturit

LoRaWANia voidaan käyttää myös ilmanlaadun mittaamiseen. Esimerkiksi CO₂-antureilla voidaan seurata ilmanvaihdon toimivuutta, kasvihuoneiden olosuhteita tai varastotilojen turvallisuutta. Milesightin LoRaWAN CO₂ -anturi mittaa hiilidioksidia sekä lämpötilaa, kosteutta ja ilmanpainetta, ja valmistajan mukaan sitä voidaan käyttää esimerkiksi kasvihuoneissa, rakennusten ilmanvaihdon seurannassa ja varastointiympäristöissä. (Milesight)

Lapissa tällaiset ratkaisut voisivat liittyä esimerkiksi matkailun rakennuksiin, etäisiin huoltotiloihin, varastoihin, kasvatusympäristöihin tai teollisuuden tiloihin. Mittausten avulla voidaan havaita poikkeamia aikaisemmin ja kohdistaa huoltotoimet sinne, missä niille on todellinen tarve.

LoRa paikannuksessa

LoRa-teknologiaa voidaan käyttää myös paikannukseen. Yksinkertaisin tapa on yhdistää laitteeseen GPS- tai GNSS-paikannin ja lähettää sijaintitieto LoRaWAN-verkon kautta eteenpäin. Tätä voidaan hyödyntää esimerkiksi työkoneiden, perävaunujen, konttien, mittalaitteiden tai muiden arvokkaiden kohteiden seurannassa. The Things Networkin mukaan LoRaWAN-paikantimia käytetään muun muassa rakentamisessa, logistiikassa, omaisuuden seurannassa ja konttien seurannassa. (The Things Network , 2022)

Paikannusta voidaan tehdä myös ilman varsinaista GPS-laitetta hyödyntämällä verkon vastaanottamia signaaleja. Tällöin sijaintia voidaan arvioida esimerkiksi sen perusteella, miten voimakkaana laitteen viesti kuuluu eri tukiasemille tai milloin sama viesti saapuu eri tukiasemille. LoRa Alliance on kuvannut LoRaWAN-paikannuksessa muun muassa RSSI- ja TDOA-menetelmiä. RSSI perustuu signaalin voimakkuuteen ja antaa karkeamman arvion, kun taas TDOA hyödyntää viestin saapumisaikaeroja useilla yhdyskäytävillä. (LoRa Alliance, 2020)

Tarkkuus ei yleensä ole samaa tasoa kuin GPS-paikannuksessa, mutta se voi riittää moniin käytännön tarpeisiin. LoRa Alliance on arvioinut TDOA-paikannuksen tarkkuuden olevan olosuhteista riippuen noin 20–200 metriä, kun taas RSSI-pohjainen paikannus on selvästi karkeampi. (LoRa Alliance, 2020)

Lapin näkökulmasta paikannuksen arvo voi olla siinä, että tiedetään missä suunnassa tai millä alueella jokin kohde sijaitsee. Aina ei tarvita metrin tarkkuutta. Esimerkiksi huoltokaluston, mittauslaitteiden, varavoimalaitteiden, kenttäasemien tai siirrettävien rakenteiden seurannassa riittää usein tieto siitä, missä kohde on viimeksi havaittu ja onko se liikkunut odottamattomasti.

Hyödyt ja rajoitteet

LoRaWANin etuja ovat pitkä kantama, pieni virrankulutus, kohtuullinen kustannustaso ja soveltuvuus laajoille alueille. LoRa Alliance korostaa LoRaWANin vahvuuksina muun muassa pitkää kantamaa, energiatehokkuutta, tietoturvaa ja mahdollisuutta toteuttaa julkisia, yksityisiä tai hybridiverkkoja. (LoRa Alliance)

Rajoitteena on se, että LoRaWAN ei sovellu suuren tietomäärän jatkuvaan siirtämiseen. Sillä ei kannata siirtää videokuvaa tai hyvin tiheää mittausdataa. Se toimii parhaiten silloin, kun mittaustieto on lyhyttä ja sitä lähetetään harvakseltaan. Tämä on kuitenkin useimmissa kenttämittauksissa riittävää, jos käyttötapaus suunnitellaan oikein. (The Things Network, The Things Network B)

Paikannuksessa on hyvä huomioida, että LoRaWAN soveltuu parhaiten alueelliseen seurantaan ja omaisuuden paikannukseen, ei erittäin tarkkaan reaaliaikaiseen paikannukseen. Jos tarvitaan tarkka sijainti, laitteeseen voidaan yhdistää GNSS-paikannin. Jos taas riittää tieto kohteen likimääräisestä sijainnista, verkkoon perustuva paikannus voi olla riittävä ja energiatehokkaampi vaihtoehto. (LoRa Alliance, 2020, The Things Network, 2022)

LoRaWAN ei ratkaise kaikkia tiedonsiirron tarpeita, mutta se sopii hyvin niihin tilanteisiin, joissa halutaan seurata pieniä mutta tärkeitä tietoja pitkän matkan päästä. Siksi se on varteenotettava teknologia esimerkiksi energia-alan, kunnossapidon, ympäristöseurannan, maatalouden, matkailun ja teollisuuden kehityskohteissa Lapissa.

2.4 Teknologiset ratkaisut pohjoisissa erityisolosuhteissa: paikannus, automaatio ja turvallisuus

Pohjoisen haastavat olosuhteet, kuten pakkanen, asettavat korkeita vaatimuksia teknologialle. Digitalisaation ytimessä ovat nykyisin yksityiset verkkoratkaisut, tarkka paikannus ja älykäs automaatio, jotka parantavat merkittävästi työturvallisuutta ja toiminnan tehokkuutta niin kaivosalalla kuin poronhoidossakin.

Kaivosalan automaatio ja turvallisuus

Kaivosteollisuudessa digitalisaatio on keskeinen tekijä puhtaamman, turvallisemman ja tuottavamman työympäristön luomisessa. Automaation ja sähköistämisen myötä onnettomuusriskit pienenevät ja työntekijöiden altistuminen melulle sekä vaarallisille kaasuille vähenee (Sandvik Group, 2023).

Paikannus- ja verkkoratkaisut

Maanalaisessa ympäristössä luotettava paikannus on edellytys sekä turvallisuudelle että autonomiselle toiminnalle, sillä perinteinen satelliittipaikannus (GPS/GNSS) ei toimi kallioperän sisällä. Tämän vuoksi kaivoksissa hyödynnetään korvaavia teknologioita, kuten ultralaajakaistaa (UWB) ja SLAM-menetelmää (Simultaneous Localization and Mapping), jossa laitteet navigoivat laserskannauksen ja konenäön avulla. (Premachandra C 2025, Sainio J 2025)

Lapin kaivokset ovat teknologian eturintamassa:

• Kittilän kaivos (Agnico Eagle): Kaivokseen on rakennettu itsenäinen 5G-privaattiverkko, joka mahdollistaa kaluston jatkuvan seurannan ja autonomisten laitteiden etäohjauksen yli kilometrin syvyydessä (Agnico Eagle Finland, 2021).
• Kemin kaivos (Outokumpu): Käytössä on Sandvik OptiMine® -järjestelmä ja Newtrax-paikannustägit, jotka luovat valvomoon reaaliaikaisen 3D-tilannekuvan koko tunneliverkostosta (Sandvik Mining, 2020).
• Kevitsan kaivos (Boliden): Avolouhoksella hyödynnetään langatonta privaattiverkkoa ja RTK-GNSS-paikannusta, jolla saavutetaan työkoneiden senttimetriluokan tarkkuus (Nokia, 2023).

Automaatio turvallisuuden takeena

Automaatio poistaa tarpeen ihmisten työskentelylle riskialttiissa paikoissa. Esimerkiksi Sandvikin testikaivoksessa Tampereella kehitetään ratkaisuja, joissa autonomiset laitteet suorittavat lataussyklin itsenäisesti ja työntekijät saavat paremman yleiskuvan toiminnoista älykkäiden työkalujen avulla. (Sandvik Group 2023.) Turvallisuutta valvotaan myös törmäyksenestojärjestelmillä (PDS), jotka tunnistavat työntekijöiden varusteisiin sijoitetut sensorit ja voivat tehdä automaattisen hätäpysäytyksen (Sandvik PDS).

Älykäs poronhoito

Poronhoidossa digitalisaatio on tuonut apua erityisesti eläinten hävikin vähentämiseen ja työn tehostamiseen laajilla tunturialueilla. Vuosittain poropopulaatiosta saattaa kadota jopa 10 prosenttia, mikä aiheuttaa merkittäviä elinkeinollisia menetyksiä. (DNA, 2020.)

Paikannusteknologiat poronhoidossa

Porojen paikannuksessa hyödynnetään matalan virrankulutuksen verkkoja, jotka takaavat pitkän akunkeston ja hyvän kuuluvuuden:

• NB-IoT-teknologia: Anicaren Rudolf-laite käyttää tätä tekniikkaa ilmoittaakseen poron sijainnin ja terveydentilan poikkeamat suoraan poronhoitajan mobiilisovellukseen. Laite on suunniteltu kestämään arktiset olosuhteet ja sen akunkesto on jopa viisi vuotta. (DNA 2020.)
• LoRaWAN-verkko: Digitan ja Ranniotin yhteistyö hyödyntää LoRaWAN-teknologiaa, joka on osoittautunut tehokkaaksi laajojen tunturialueiden kattamisessa, joihin perinteiset matkapuhelinverkot eivät yllä (Digita).
• Satelliittipaikannus: Elisan poropaikannuspalvelu hyödyntää jopa 130 satelliittia ja se on suunniteltu toimimaan Lapin äärimmäisissä, jopa -40 °C pakkasissa (Elisa, 2026).

Hyödyt eläinten hyvinvoinnille ja työn tehokkuudelle

Älykkäät paikannuslaitteet parantavat työn tehokkuutta vähentämällä tarpeetonta maastossa liikkumista moottorikelkoilla, mikä säästää aikaa ja polttoainetta. Tärkein hyöty on kuitenkin eläinten hyvinvoinnin seuranta: laitteet havaitsevat liikkeen loppumisen tai poikkeavat käyttäytymismallit, mikä mahdollistaa nopean reagoinnin sairastumisiin tai petovahinkoihin. (DNA, 2020; Elisa, 2026.)

2.5 Robotiikka arktisella alueella

Lapin erityispiirteet, kuten pitkät välimatkat, vaativat olosuhteet ja työvoiman saatavuushaasteet luovat vahvan tarpeen robotiikan hyödyntämiselle. Robotiikka voi auttaa tehostamaan tuotantoa, parantamaan työturvallisuutta ja tukemaan toimintaa ympäristöissä, joissa työ on fyysisesti raskasta tai haastavaa.  

Selvitystyössä haastateltiin Robocoast-hankkeen projektipäällikköä, joka silloin työskenteli Palvelurobotiikan erityisasiantuntijana. Hänen mukaansa Meri-Lapin alueella on vahva teollinen perinne sekä konepajateollisuuden keskittymä, joka itsessään luo tarpeita uusille robotisoiduille ratkaisuille.

Nykytila Lapin alueella 

Lapin alueella toimii useita yrityksiä, joissa robotiikkaa hyödynnetään osana tuotantoa ja päivittäistä toimintaa. Monissa yrityksissä robotiikka on onnistunut investointi, joka tukee tuotannon tehokkuutta, laatua ja kilpailukykyä. Erityisesti teollisuuden ja konepajatoiminnan parissa robotiikka nähdään jo luonnollisena osana modernia tuotantoa. 

Toisaalta alueella on myös yrityksiä, joissa robotiikan käyttöönotto ei ole täysin vastannut alkuperäisiä odotuksia. Robotteja on saatettu hankkia investointipäätöksinä ilman riittävää pitkäjänteistä tukea käyttöön, ohjelmointiin tai jatkokehitykseen. Monille yrityksille robotiikka ei ole omaa ydintoimintaa, vaan osa muuta tuotantoa, jolloin osaamisen ylläpito ja kehittäminen voi jäädä vähäiseksi. Tällöin robotin käyttöaste, ohjelmointi ja tuotannollinen hyöty eivät välttämättä vastaa alkuperäisiä myyntipuheita tai investointilaskelmia. 

Lisäksi osa yrityksistä kokee, että robotin toimittamisen jälkeen palvelut, ohjelmointi ja tekninen tuki ovat vahvasti toimittajasidonnaisia ja usein hinnaltaan korkeita. Tämä voi johtaa tilanteeseen, jossa yritys on käytännössä riippuvainen ulkopuolisesta toimijasta tai joutuu selviytymään rajallisella omalla osaamisella.  (V. Kanto, henkilökohtainen tiedonanto, 24.5.2026) 

Robotiikan haasteet Lapin alueella 

Yksi suurimmista haasteista on osaamisen ja tukipalveluiden saatavuus alueellisesti. Yritykset kokevat epävarmuutta siitä, saavatko ne riittävästi tukea ja asiantuntemusta investoinnin jälkeen, erityisesti tilanteissa, joissa tuotantoa pitäisi kehittää, ohjelmistoja muuttaa tai ratkaista häiriötilanteita nopeasti.

Lisäksi yritykset kokevat, että robotiikkaratkaisut ovat usein vahvasti myyjäohjautuvia. Yrityksillä ei aina ole riittävästi puolueetonta asiantuntemusta arvioida, millainen robotiikkaratkaisu vastaisi aidosti heidän tarpeitaan. Tämän vuoksi investointipäätöksiin liittyy epävarmuutta siitä, valitaanko teknisesti ja taloudellisesti oikea ratkaisu vai päädytäänkö toimittajan näkökulmasta sopivimpaan vaihtoehtoon. 

Pitkät välimatkat ja rajallinen paikallinen asiantuntijaverkosto lisäävät myös kynnystä investoida robotiikkaan erityisesti pk-yrityksissä.  (V. Kanto, henkilökohtainen tiedonanto, 24.5.2026)

Robotiikan palveluketju Lapin alueella 

Robotiikan myyntiä ja toimituksia tehdään myös Lapin alueelle, mutta varsinainen huolto-, ohjelmointi- ja asiantuntijatuki sijaitsee usein maantieteellisesti kaukana Etelä-Suomessa. Tämä koetaan alueella haasteena erityisesti tuotannon jatkuvuuden ja investointien turvallisuuden näkökulmasta. 

Etäyhteyksillä toteutettava ohjelmointi ja tekninen tuki helpottavat tilannetta osittain, mutta eivät täysin ratkaise yritysten tarpeita. Jos kaikki robotiikan ylläpito, muutostyöt ja vikatilanteiden ratkaisut ovat ulkopuolisten toimijoiden ja maksullisten palveluiden varassa, voi investoinnin kannattavuus jäädä yrityksen näkökulmasta epävarmaksi. 

Tämän vuoksi monet yritykset kokevat tärkeäksi, että alueella olisi enemmän paikallista osaamista robotiikan käyttöönottoon, ohjelmointiin, kunnossapitoon ja tuotannon kehittämiseen liittyen. (V. Kanto, henkilökohtainen tiedonanto, 24.5.2026) 

Robotiikan kehityskohteet Lapin alueella 

Haastatellun asiantuntijan mielestä Lapin alueelle tarvitaan lisää alueellista robotiikkaosaamista sekä koulutusta, joka tukee yritysten käytännön tarpeita. Yritysten investointihalukkuus kasvaa merkittävästi silloin, kun ne kokevat osaamisen olevan saatavilla läheltä ja henkilöstön ymmärtävän robotiikan perusteita sekä käyttöä osana tuotantoa.

Tärkeänä nähdään myös robotiikan kunnossapidon, ohjelmoinnin ja käyttöönoton osaamisen kehittäminen alueellisesti. Yritykset tarvitsevat mahdollisuuden saada tukea nopeasti ja helposti ilman pitkiä viiveitä tai korkeita matkakustannuksia. Tällä hetkellä tällaisia koulutus- ja tukipalveluita ei ole alueella riittävästi tarjolla. 

Lisäksi yritykset kaipaavat puolueetonta asiantuntijatukea robotiikkainvestointien suunnitteluun. Tarvitaan toimijoita, joiden kanssa voidaan avoimesti arvioida yrityksen todellisia tarpeita, tuotannon vaatimuksia ja investoinnin kannattavuutta ilman suoraa myyntitavoitetta. Tässä alueen oppilaitoksilla ja TKI-toiminnalla voisi olla merkittävä rooli esimerkiksi opinnäytetöiden, harjoitustöiden, pilotointien ja kehityshankkeiden kautta. 

Kun yritykset saavat luotettavaa ja puolueetonta tukea, syntyy myös enemmän uskallusta investoida robotiikkaan. Samalla voidaan vähentää riskiä siitä, että yrityksille hankitaan ratkaisuja, jotka eivät täysin vastaa niiden todellisia tarpeita. (V. Kanto, henkilökohtainen tiedonanto, 24.5.2026) 

Robotiikka maataloudessa 

Lypsyrobotit 

Teknologian kehityksen mukana maatiloilla on yleistyneet erilaiset robotiikkaa hyödyntävät ratkaisut. Niitä käytetään niin suurilla kuin pienemmilläkin tiloilla. Yksi yleisimmistä ratkaisuista on maitotiloilla käytössä olevat lypsyrobotit. Kuvassa 1 on esitetty erään valmistajan lypsyrobotti. (Lely, 2026)

Kuva 1. Lypsyrobotti Lely Astronaut A5 (Lely 2026)

Lypsyrobotteja on ollut olemassa jo markkinoilla pitkään ja kehityksen mukana niistä on saatu energiatehokkaampia ja lehmille mukavampia käyttää. Tämä on mahdollistanut esimerkiksi sen, että lehmä itse päättää milloin se syö ja käy lypsyllä robotissa. 

Droonit 

Maataloudessa käytetään nykyään laajalti myös drooni-tekniikkaa, joita pääasiassa käytetään tarkkailu- ja työskentelydrooneina.  Tarkkailudrooneilla kerätään tietoa esimerkiksi pelloilta käyttäen laadukkaita RGB-, multispektri- tai lämpökameroita.  Tarkkailudrooneilla esimerkiksi mitataan biomassaa, tarkastellaan kasvutiheyttä ja kasviterveyttä tai paikannetaan rikkakasveja. Näin ollen ne auttavat viljelyn suunnittelussa ja optimoinnissa. (Hankkija, 2026)

Työskentelydrooneja hyödynnetään esimerkiksi osittain kylvössä ja nestemäisten lannoitteiden levityksessä.  Työskentelydroonit ovat selkeästi painavimpia ja suurempia kuin tarkkailudroniit.  Droonien käyttö kautta maatalousalan tulee todennäköisesti yleistymään tulevaisuudessa. Myös KÄLY-hankkeessa hyödynnettiin drooni-tekniikkaa.  (Hankkija, 2026)

Peltorobotit ja harvesterit 

Myös pelloilla toimii monipuolisesti erilaisia robotiikkaa tai älyratkaisuja hyödyntäviä laitteita. Ratkaisuja hyödynnetään esimerkiksi kylvöön, rikkaruohojen poistoon, kyntämiseen ja sadon tarkkailuun.  

Moni laite, kuten kuvan 2 rikkaruohojen hävitysrobotti hyödyntää toiminnassaan tekoälyä. Se tunnistaa rikkaruohot hyötykasveista ja hävittää ne käyttäen hiilidioksidilaasereita. Kuvan laite kykenee tuhoamaan 100 000 rikkaruohoa tunnissa. (Carbon robotics)

Kuva 2. Rikkaruohojen hävitysrobotti. (Carbon robotics)

Valmistajat tarjoavat paljon erilaisia ratkaisuja autonomiseen kylvöön ja sadonkorjuuseen. Näiden avulla on mahdollista säästää kustannuksissa, vähentää hävikkiä ja tehostaa viljelyä. Sadonkorjuun apuna käytetään älykästä ratkaisua, joka tunnistaa konenäön avulla kypsät yksilöt ja poimii ne pois jättäen raa’at vielä tekeytymään. Tällaiset koneet ovat tehokkaita esimerkiksi tomaattien tai mansikoiden sadonkorjuussa. Kuva 3 esittää mansikanpoimintarobotin tekemässä työtään. (Käyhkö L., 2023)

Kuva 3. Mansikanpoimintarobotti. (Käyhkö L., 2023)

Siivousrobotit 

Huomattavasti matalamman kynnyksen investointeja ovat markkinoilta löytyvät maatalouskäyttöön tarkoitetut puhdistusrobotit. Ne on suunniteltu puhdistamaan kiinteälattiaiset pihatot. Käyttäen tällaista tekniikkaa pihaton lattia tulee puhtaammaksi kuin perinteistä lantaraappaa käytettäessä. Pihaton hygieniataso nousee paremman puhtauden myötä, tällöin sorkka- tai utaretulehduksia sattuu harvemmin ja lehmät voivat paremmin.

Lapin arktiset olosuhteet, pitkät välimatkat ja työvoiman saatavuushaasteet tekevät robotiikasta alueelle erityisen merkittävän kehityskohteen. Yritykset hyötyvät robotiikasta silloin, kun ratkaisut ovat aidosti tarpeisiin sopivia ja niiden käyttöönottoa sekä ylläpitoa tuetaan pitkäjänteisesti. Samalla on selvää, että osaamisen vahvistaminen, puolueeton asiantuntijatuki ja paikallisten palveluketjujen kehittäminen ovat avainasemassa, jotta investoinnit muuttuvat toimiviksi ja kannattaviksi ratkaisuiksi. Kun yritykset saavat tukea lähellä, teknologia palvelee paremmin tuotantoa, turvallisuutta ja kilpailukykyä. Näin robotiikka voi toimia Lapissa aidosti strategisena voimavarana sekä teollisuudessa että maataloudessa ja tukea alueen elinvoimaa pitkälle tulevaisuuteen.

2.6 Tekoäly ja älyratkaisut osana turvallisuuden kehittymistä

Tekoälyn hyödyntämistä koskeva selvitystyö osoittaa selkeästi, että älykkäät ratkaisut eivät ole enää pelkästään tulevaisuuden mahdollisuus, vaan jo nyt käytössä oleva väline työtehokkuuden parantamiseen ja työturvallisuuden kehittämiseen. Kehitys näkyy erityisen vahvasti teollisuudessa, mutta sen vaikutukset ulottuvat myös pk‑yrityksiin ja laajasti eri toimialoille.

Valmistavassa teollisuudessa tekoälyn keskeinen rooli liittyy tuotantoprosessien optimointiin. Kun dataa kerätään järjestelmällisesti ja analysoidaan älykkäillä menetelmillä, voidaan tunnistaa prosessien pullonkaulat, ennakoida häiriöitä ja parantaa tuotannon suunnittelua. Tällä on suora vaikutus työn sujuvuuteen ja turvallisuuteen: hyvin toimiva prosessi vähentää yllättäviä tilanteita, jotka usein aiheuttavat sekä tuotannon keskeytyksiä että turvallisuusriskejä (Pinja, 2023; Oksanen, 2022).

Erityisen merkittäväksi nousee tekoälyn kyky tunnistaa poikkeamia reaaliaikaisesti. Laadunvalvonnassa ja kunnossapidossa tämä tarkoittaa sitä, että virheet ja riskit havaitaan aikaisessa vaiheessa, ennen kuin ne eskaloituvat vakaviksi ongelmiksi. Ennakoiva kunnossapito on tästä keskeinen esimerkki. Kun laitteiden kuntoa seurataan jatkuvasti ja analysoidaan älykkäiden mallien avulla, voidaan välttää äkillisiä vikaantumisia, tuotantoseisokkeja ja niihin liittyviä turvallisuusriskejä. Samalla parannetaan resurssitehokkuutta ja vähennetään tarpeetonta korjaustyötä (Hurja, 2023; Oksanen, 2022; Pinja, 2023).

Tekoälyn vaikutus ulottuu myös työn tekemisen tapoihin. Automaatio ja analytiikka vähentävät manuaalisen työn tarvetta erityisesti rutiininomaisissa ja virheherkissä tehtävissä. Tämä ei ainoastaan paranna työn laatua, vaan mahdollistaa henkilöstön keskittymisen vaativampiin ja turvallisuuskriittisempiin tehtäviin. Samalla työkuormitus tasaantuu ja työn hallittavuus paranee, mikä heijastuu positiivisesti työhyvinvointiin (Kankaanranta, 2022; Pinja, 2023).

Pk‑yritysten näkökulmasta kehitys on erityisen merkittävä, sillä tekoälyratkaisut ovat aiempaa saavutettavampia. Erilaiset valmiit alustat, selkeät käyttöönoton mallit sekä koulutus- ja tukimateriaalit madaltavat kynnystä hyödyntää tekoälyä myös pienemmissä organisaatioissa. Tekoälyä voidaan soveltaa tuotannon lisäksi esimerkiksi asiakaspalvelussa, tilauksenkäsittelyssä ja muissa tukiprosesseissa, jolloin koko organisaation tehokkuus paranee (Haaga‑Helia, 2023; Netum, 2023).

Materiaalitekniikan näkökulmasta tekoäly toimii mahdollistavana teknologiana, joka yhdistää mittausdatan, materiaalien käyttäytymisen mallinnuksen ja ennakoivat analyysimenetelmät. Näin voidaan esimerkiksi arvioida materiaalin käyttöikää, tunnistaa vaurioitumisen alkuvaiheita ja seurata rakenteiden turvallisuutta jatkuvasti. Tämä avaa mahdollisuuksia kehittää uusia älykkäitä valvontaratkaisuja erityisesti kriittisiin käyttökohteisiin (Hurja, 2023; Oksanen, 2022).

Kokonaisuutena tarkasteltuna tekoälyn merkitys rakentuu usean tekijän yhteisvaikutuksesta. Teknologinen kehitys on saavuttanut tason, jossa ratkaisut ovat käytännössä sovellettavissa, mutta todellinen hyöty syntyy vasta, kun ne kytketään organisaation prosesseihin ja osaamiseen. Tämä korostaa käyttöönoton suunnittelun, henkilöstön koulutuksen ja toimintamallien kehittämisen merkitystä (Pinja 2023; Haaga‑Helia 2023).

Vuoden 2026 tuore tutkimus tuo konkreettista näyttöä tekoälyn vaikutuksista teollisuuden turvallisuuteen ja tehokkuuteen. Esimerkiksi kansainväliset analyysit osoittavat, että tekoälypohjaiset ratkaisut mahdollistavat tuotantodatan reaaliaikaisen analysoinnin, jolloin poikkeamat, laiteviat ja turvallisuusriskit voidaan havaita ennen niiden toteutumista. Tämän seurauksena voidaan vähentää suunnittelemattomia seisokkeja, parantaa laadunhallintaa ja lisätä tuotannon luotettavuutta. Tutkimusten mukaan ennakoivaan kunnossapitoon perustuvat tekoälyratkaisut voivat vähentää odottamattomia vikaantumisia jopa 30–50 % ja pienentää kunnossapitokustannuksia merkittävästi samalla kun työympäristö muuttuu turvallisemmaksi. Tämä vahvistaa käsitystä siitä, että tekoäly ei ainoastaan tehosta toimintaa, vaan toimii suoraan turvallisuutta parantavana teknologiana teollisuuden käyttöympäristöissä (Patel, 2026; ILO, 2026)

Yhteenvetona voidaan todeta, että tekoäly tarjoaa selkeitä ja perusteltuja mahdollisuuksia turvallisuuden ja työtehokkuuden kehittämiseen. Selvitystyön perusteella teknologia on riittävän kypsää käytännön sovelluksiin, ja käyttökohteita on tunnistettavissa laajasti eri toimialoilla. Keskeinen haaste ei ole enää mahdollisuuksien puute, vaan niiden systemaattinen hyödyntäminen osana arjen toimintaa ja kehittämistyötä.

2.7 Kunnossapidon murros – mitä KP25-kongressi opetti

Kunnossapitokongressi 2025 nosti vahvasti esille sen, että kunnossapito on siirtymässä uuteen vaiheeseen, jossa sen merkitys ulottuu paljon perinteistä ylläpitoa laajemmalle. Kunnossapitoa ei enää nähdä pelkästään kustannuseränä tai tukitoimintona, vaan keskeisenä tekijänä teollisuuden kilpailukyvyssä, turvallisuudessa ja tuotannon jatkuvuudessa. Samalla kuitenkin tunnistettiin, että kehityspotentiaalia on edelleen paljon. Suuri osa kunnossapidosta on yhä reaktiivista, vaikka teknologiat mahdollistaisivat ennakoivamman ja tehokkaamman toiminnan.

Kongressin keskeinen viesti oli, että data ja digitalisaatio muuttavat kunnossapidon perustaa. Tiedon kerääminen ei enää riitä, vaan ratkaisevaa on kyky hyödyntää sitä päätöksenteossa ja arjen työssä. Tekoäly, IoT ja analytiikka mahdollistavat vikojen ennakoinnin, kunnossapitotöiden optimoinnin sekä resurssien paremman kohdentamisen. Samalla kuitenkin korostui, että teknologia ei yksin ratkaise mitään. Ilman oikeaa osaamista, toimivia prosesseja ja selkeitä tavoitteita investoinnit eivät tuota odotettua hyötyä.

Osaaminen nousi kongressissa ehkäpä keskeisimmäksi haasteeksi. Perinteinen tekninen osaaminen ei enää riitä, vaan tarvitaan uudenlaisia osaajia, jotka ymmärtävät sekä kunnossapidon käytännön että digitaaliset työkalut ja datan hyödyntämisen. Lisäksi työelämän muutos, osaajien eläköityminen ja hiljaisen tiedon katoaminen haastavat organisaatioita. Koulutuksen ja työelämän yhteistyön merkitys korostuu, jotta osaaminen pysyy kehityksen mukana.

Toinen keskeinen teema oli vihreä siirtymä ja siihen liittyvät investoinnit. Uudet energiaratkaisut ja teolliset prosessit lisäävät järjestelmien monimutkaisuutta ja nostavat vaatimuksia kunnossapidolle. Kunnossapito on yhä useammin osa koko tuotantoprosessin optimointia ja energiatehokkuuden varmistamista. Samalla kuitenkin nousi esiin huoli investointitason riittävyydestä ja kunnossapitovelasta, joka voi pitkällä aikavälillä heikentää kilpailukykyä.

Kongressissa korostettiin myös sitä, että vaikka digitalisaatio kehittyy nopeasti, kunnossapidon onnistuminen ratkaistaan edelleen käytännön tekemisessä. Esimerkiksi suuret seisokit ovat monimutkaisia kokonaisuuksia, joissa yhdistyvät suunnittelu, projektinhallinta, turvallisuus ja eri toimijoiden saumaton yhteistyö. Näissä tilanteissa näkyy konkreettisesti, miten tärkeää on yhdistää teknologia, osaaminen ja toimivat käytännöt.

Kaikki nämä havainnot tukevat suoraan KÄLY-hankkeen tavoitteita. Hanke toimii juuri siinä rajapinnassa, jossa kunnossapidon murros tapahtuu. Se edistää datan hyödyntämistä ja tuo esiin konkreettisia tapoja, joilla digitalisaatio voidaan viedä käytäntöön asti. Lisäksi hanke vahvistaa yritysten, oppilaitosten ja asiantuntijoiden välistä yhteistyötä, jota pidettiin ratkaisevana tekijänä koko alan kehityksessä.

KÄLY-hankkeen kannalta keskeistä onkin kyky yhdistää kolme asiaa. Ihmiset, tieto ja tekeminen. Kongressin keskeinen viesti oli, että kunnossapidon tulevaisuus rakentuu juuri näiden varaan. Teknologia mahdollistaa paljon, mutta todellinen hyöty syntyy vasta silloin, kun osaaminen, prosessit ja yhteistyö tukevat sen käyttöä.

Yhteenvetona voidaan todeta, että kunnossapito on siirtymässä vaiheeseen, jossa sen merkitys teollisuudessa kasvaa samalla kun vaatimukset lisääntyvät.

2.8 Energialouhintaratkaisujen kaupallinen tarjonta – teknologiat ja käytännön esimerkit

Energialouhintateknologiat ovat siirtyneet viime vuosina vahvasti tutkimuksesta kaupalliseen käyttöön. Markkinoilla on saatavilla laaja valikoima ratkaisuja, jotka perustuvat ympäristöstä kerättävään energiaan, kuten tuuleen, lämpötilaeroihin, valaistukseen ja mekaaniseen värähtelyyn. Näiden ratkaisujen käyttö painottuu erityisesti kohteisiin, joissa jatkuva verkkovirta ei ole saatavilla tai huoltovapaus on keskeinen vaatimus. Tässä katsauksessa esitetään keskeisiä markkinoilla saatavilla olevia energialouhintatuotteita ja -teknologioita.

Pienet tuulivoimalat hajautetuissa energiaratkaisuissa

Pienet tuulivoimalat muodostavat kaupallisesti kypsän energialouhintateknologian, ja niitä on saatavilla laajalla tehoalueella muutamasta kymmenestä watista kymmeniin kilowatteihin. Pienimpien ratkaisujen joukossa on mikro­tuulivoimaloita, joiden tyypillinen teho on 50–500 W. Näitä käytetään yleisesti akkujen lataukseen ja off-grid -järjestelmissä. Off-grid järjestelmä on itsenäinen sähköjärjestelmä, joka toimii ilman yhteyttä valtakunnan verkkoon. Esimerkkejä tällaisista tuotteista ovat 50 W kannettavat turbiinit sekä noin 90 W ja 300 W mikro­generaattorit, joita valmistetaan useiden toimittajien toimesta. (Global Growth Insights, 2025)

Seuraavassa kokoluokassa ovat ammattikäyttöön suunnitellut pienvoimalat, joiden tehot vaihtelevat noin 300 watista useisiin kilowatteihin. Näitä hyödyntävät esimerkiksi telekommunikaatioasemat, mittausjärjestelmät ja mikroverkot. Tunnettuja valmistajia ovat muun muassa Ryse Energy ja SkyWind, joiden tuotteet on suunniteltu erityisesti off-grid-käyttöön ja hybridiratkaisuihin. Lisäksi markkinoilla on robusteja teollisuustason ratkaisuja, kuten Superwind ja Kestrel, jotka toimivat vaativissa ympäristöolosuhteissa. (Superwind, Kestrel)

Laajemmin tarkasteltuna small wind -luokassa (alle 100 kW) on saatavilla satoja kaupallisia malleja, jotka palvelevat niin kotitalouksien, maatilojen kuin teollisuuden tarpeita. Tämä osoittaa teknologian vakiintuneen aseman hajautetun energiantuotannon ratkaisuna. (Madhu, 2025)

Lämpöenergiaan perustuvat TEG-ratkaisut

Thermoelectric Generator (TEG) -teknologia on saavuttanut vakiintuneen roolin erityisesti teollisuudessa, jossa hyödynnetään hukkalämpöä. Markkinoilla on useita kaupallisia tuotteita, joiden tehot vaihtelevat muutamasta watista useisiin satoihin watteihin.

Teollisuustason ratkaisuista keskeinen esimerkki on Emersonin Perpetua Power Puck, joka muuntaa putkistojen ja prosessilaitteiden lämpötilaeron sähköksi. Laitetta käytetään langattomien mittalaitteiden virransyöttöön, ja se voi toimia jopa vuosikymmeniä ilman huoltoa. Vastaavasti Global Power Technologies tarjoaa TEG-järjestelmiä, joiden tehoalue ulottuu noin 5 watista 500 wattiin, ja joita käytetään laajasti etäkohteissa ja kriittisissä infrastruktuureissa. (Kishore et al., 2018; Bharat Kumar et al., 2024)

Keskitehoisissa ratkaisuissa on saatavilla valmiita moduulipohjaisia tuotteita, kuten 30–60 W TEG-generaattoreita, joita voidaan asentaa esimerkiksi putkistoihin tai lämpöpintoihin. Lisäksi kuluttajakäyttöön on kehitetty pienempiä järjestelmiä, kuten puuliesiin ja kaasukeittimiin suunniteltuja TEG-laitteita, joiden teho on tyypillisesti 10–100 W. Näitä käytetään esimerkiksi varavoimana tai sähköttömissä kohteissa. (Energy theory, 2024)

TEG-teknologian erityispiirre on sen yksinkertainen rakenne ilman liikkuvia osia, mikä mahdollistaa korkean luotettavuuden mutta rajoittaa hyötysuhdetta. (Green Energy insight, 2024)

Aurinkosähkö ja sisävalaistukseen perustuvat ratkaisut

Aurinkokennoihin perustuva energialouhinta on laajimmin käytetty teknologia, ja markkinoilla on runsaasti tuotteita eri teholuokissa. Perinteiset aurinkopaneelit kattavat käytännössä kaikki tehotasot pienistä muutaman watin paneeleista suuriin järjestelmiin.

Perinteisen aurinkoteknologian rinnalle on kehittynyt uusia ratkaisuja, jotka on optimoitu sisävalaistukseen. Epishine on esimerkki yrityksestä, joka valmistaa orgaanisiin materiaaleihin perustuvia ohuita ja joustavia aurinkokennoja. Nämä niin sanotut light energy harvesting -moduulit on suunniteltu toimimaan heikossakin valaistuksessa, kuten toimisto- ja myymäläympäristöissä.

Epishinen LEH3-sukupolven moduulit ovat saatavilla useissa kokoluokissa, ja ne mahdollistavat energian keräämisen jopa 20–1000 luksin valaistustasolla. Teknologian etuna on sen kyky korvata paristoja ja mahdollistaa pitkäikäiset, huoltovapaat ratkaisut. (NenPower, 2024)

Hybridiratkaisut ja kehityssuunta

Käytännössä yhä useammat kaupalliset energialouhintaratkaisut perustuvat usean energialähteen yhdistämiseen. Esimerkiksi tuuli- ja aurinkoenergian yhdistäminen samaan järjestelmään parantaa energian saatavuutta eri olosuhteissa. Vastaavasti teollisuudessa TEG-järjestelmiä yhdistetään aurinkopaneeleihin ja energian varastointiin.

Hybridijärjestelmät ovat erityisen yleisiä etäkohteissa, kuten teleasemilla ja mittauspisteissä, joissa energiansaannin luotettavuus on kriittistä. Tuuli tuottaa energiaa erityisesti öisin ja talvikaudella, kun taas aurinko täydentää tuotantoa päivän aikana. (Lindsey systems)

Yhteenveto

Markkinoilla on saatavilla laaja valikoima energialouhintaratkaisuja, jotka kattavat useita eri teknologioita ja tehotasoja. Tuulivoima ja aurinkoenergia edustavat kypsiä ja laajasti käytettyjä ratkaisuja, kun taas TEG-teknologia on vakiinnuttanut asemansa erityisesti teollisuuden sovelluksissa.

Kehityssuunta kohti hybridijärjestelmiä korostaa energialähteiden yhdistämisen merkitystä. Yksittäinen energialouhintateknologia harvoin riittää takaamaan jatkuvaa energiantuotantoa, mutta yhdistettynä ne mahdollistavat luotettavat, huoltovapaat ja pitkäikäiset energiaratkaisut vaativissakin käyttöympäristöissä.

2.9 3D-tulostus – kokemuksia, vaatimuksia ja kehitysnäkymiä

Lapin arktisessa ympäristössä 3D-tulostuksen vaatimukset eivät liity vain itse tulostimeen, vaan koko ketjuun: materiaalivalinta, tulostusprosessi, jälkikäsittely, laadunvarmistus, käyttölämpötila, kosteus, jäätyminen, UV-säteily, logistiikka ja dokumentointi.

Käyttöympäristön vaatimukset Lapissa

Arktisessa Lapissa 3D-tulostetun osan pitää kestää usein:

• alhaisia lämpötiloja, käytännössä usein -20…-40 °C-luokan olosuhteita talvikäytössä
• lämpötilavaihteluita, esimerkiksi sisätilasta ulos, sulamisesta jäätymiseen ja takaisin
• kosteutta, lunta, jäätä ja jäätymis-sulamissyklejä
• mekaanisia iskuja ja tärinää, esimerkiksi kunnossapidossa, liikkuvissa koneissa, ajoneuvoissa tai energiainfrassa
• UV-säteilyä ja sääaltistusta, erityisesti kevättalvella ja avotuntureilla
• pitkiä etäisyyksiä ja huoltoviiveitä, jolloin osan luotettavuus ja korjattavuus korostuvat.

Materiaalivaatimukset

Polymeerit

Perusmateriaalit, kuten PLA (polymaitohappo, biopohjainen muovi), eivät yleensä ole hyvä valinta arktisiin ulkokohteisiin, koska ne voivat haurastua kylmässä ja kärsiä kosteudesta. Parempia vaihtoehtoja voivat olla esimerkiksi:

• PA12 / nailon, erityisesti jauhepetimenetelmässä tai materiaalisuihkutusmenetelmässä
• PA11, jos vaaditaan sitkeyttä ja iskunkestoa
• TPU, jos tarvitaan joustavuutta, tiivisteitä tai suojakomponentteja
• ASA, jos UV-kesto on tärkeää
• polykarbonaatti- tai erikoiskomposiitit, jos vaaditaan korkeampaa iskunkestoa tai kylmänkestoa
• ultralujat polymeerit: PAEK-muovit ja Polyimidi (PI) – tekniset muovit, äärimmäistä lujuutta ja kemiallista kestoa vaativiin sovelluksiin.

Kylmässä käytössä materiaalin keskeisiä ominaisuuksia ovat iskulujuus matalassa lämpötilassa, haurauslämpötila, kosteuden imeytyminen, UV-kesto, mittapysyvyys ja lämpölaajeneminen. Kylmässä osa voi murtua eri tavalla kuin huoneenlämmössä, joten huoneenlämpötesti ei yksin riitä arktiseen käyttöön. Kylmäolosuhteissa 3D-tulostettujen muoviosien ongelmiksi on tunnistettu muun muassa haurastuminen, kosteuden jäätyminen osan rakenteisiin sekä jäätymis-sulamissyklien aiheuttama halkeilu. (Holt, 2026; Arslan, 2025).

3D-tulostukseen liittyviä asioita käydään läpi esittelemällä hankkeen järjestämän 3d-tulostus ja 3d-skannausseminaarin antia sekä Oulussa järjestetyn seminaarin antia, jossa teemaan liittyviä asioita esiteltiin laajemminkin.

3D-tulostus- ja 3D-skannauseminaari

Hankkeessa järjestettiin 3D-tulostuksen ja skannauksen seminaari, joka tarjosi tiiviin ja käytännönläheisen katsauksen 3D-teknologioiden mahdollisuuksiin erityisesti teollisuuden näkökulmasta. Tilaisuudessa tuotiin esiin konkreettisia esimerkkejä ja käyttökohteita sekä inspiroitiin yrityksiä hyödyntämään teknologiaa omassa toiminnassaan.

Seminaarin keskeisenä teemana oli 3D-tulostuksen ja 3D-skannauksen yhdistäminen osaksi liiketoimintaa, tuotekehitystä ja kunnossapitoa. Puheenvuoroissa käsiteltiin sitä, millaisia mahdollisuuksia 3D-tulostus tarjoaa yrityksille sekä mitä asioita tulee huomioida, kun teknologiaa otetaan käyttöön. Yhtenä keskeisenä sovelluskohteena esiin nousi varaosatuotanto. Seminaarissa tuotiin esiin, kuinka vanhoja tai vaikeasti saatavia osia voidaan rekonstruoida 3D-skannauksen avulla ja valmistaa uudelleen 3D-tulostamalla. Tämä nähtiin erityisen hyödyllisenä kunnossapidossa, jossa nopea reagointi ja varaosien saatavuus ovat keskeisiä tekijöitä. Kuvassa 4 on esimerkkejä 3D-tulosteista.

Kuva 4. Esimerkkejä 3D-tulosteista. (Jani Sipola)

3D-skannauksen osalta käsiteltiin myös sen roolia laadunvalvonnassa ja mittauksessa. Esityksissä korostettiin, että tarkat 3D-mittaukset mahdollistavat tuotannon laadun parantamisen sekä prosessien optimoinnin. Samalla tuotiin esiin, että skannausta hyödynnetään yhä enemmän suunnittelun tukena, esimerkiksi olemassa olevien rakenteiden digitalisoinnissa.

Tilaisuudessa tuotiin esille, että miten 3D-tulostusta voidaan soveltaa esimerkiksi muottien valmistuksessa hartsivalujen yhteydessä. Hankkeessa testattiin hartsivaluja erilaisilla täyteaineilla. Tästä on kerrottu tarkemmin myöhemmin tässä julkaisussa.

Kokonaisuutena tilaisuuden keskeinen viesti oli, että 3D-tulostus ja -skannaus tarjoavat konkreettisia hyötyjä erityisesti teollisuudessa, kunnossapidossa ja tuotekehityksessä. Teknologioiden yhdistäminen mahdollistaa uusia toimintatapoja, kuten digitaalisen varaosatuotannon ja tarkemman laadunhallinnan. Samalla korostui, että teknologian tehokas hyödyntäminen edellyttää osaamista sekä ymmärrystä sen soveltamisesta omassa toimintaympäristössä.

Teollisuustason 3D-tulostuksessa voidaan sanoa olevan kolme tärkeää tekijää: toimitusvarmuus, toimitusaika ja laatu. Kaikkien näiden on hyvä toteutua, jotta 3D-tulostuksessa on mahdollisuuksia. Teollisuustason tulostuksessa voidaan myös puhua, kun kappalemäärät alkavat olemaan korkeita esim. 3D Form Tech pystyy tuottamaan 8000–10000 osaa viikossa ja heillä on käytössä niin muovitulostimia kuin metallitulostimia. Lapista ei tunnistettu yrityksiä, jotka tekisivät päätoimisesti 3D-tulosteita suurina määrinä.

Esimerkkinä kerrottiin, miten tulostus onnistuu, kun piti saada yli 150 000 kappaletta pieniä alle 20 mm muovituotteita tulostettua tehokkaasti ja kannattavasti. Menetelmässä tulostettiin monta kappaletta yhtäaikaisesti ikään kuin kolmeulotteisessa matriisissa eli monta vierekkäin ja päällekkäin. Metallitulostuksesta kerrottiiin miten titaniumin ja ruostumattoman teräksen yhdistelemällä saatiin nopeasti kehitettyä veden käsittelyyn liittyvä suutin, joka säästää vettä. Tuotetta ei tehdä varastoon vaan tarpeen mukaan.

3D-skannausta oli käytetty laadunvarmistukseen putken taivutussolussa. Robottiin oli integroitu 3d-skanneri, joka mittasi putken. Automaattinen mittausraportti kertoi operaattorille, että onko putki hyväksytty. 3D-skannausta soveltamisesta kunnossapidossa kerrottiin kohteesta, jossa mitattiin säiliön eräänlaista kiinnityspintaa ja sen kuntoa.

Tässä hankkeessa ei ollut mahdollisuuksia syventyä kovin syvälle 3D-tulostukseen liittyvissä asioissa. Se on ihan kokonaan oma tutkimuskohde ja tähän on vastattu Lapin AMKissa, uudella 3D-tulostukseen keskittyvällä IAmSUs – Innovatiivinen lisäävä valmistus ja kestävä kehitys -hankkeella, joka painottuu erityisesti teknisten muovien lisäävään valmistukseen ja niiden sovelluskohteisiin.

Hankkeessa kehitetään lisäävän valmistuksen osaamis- ja yhteistyöverkostoa Pohjois-Suomen alueelle sekä pilotoidaan teollisia käyttökohteita ultralujilla polymeereillä. Lisäksi hankkeessa tutkitaan ultrapolymeerien käytettävyyttä, mekaanista kestävyyttä sekä soveltuvuutta vaativiin teollisiin käyttökohteisiin. Tavoitteena on näin edistää lisäävän valmistuksen käyttöönottoa, lisätä alueellista osaamista sekä tukea yritysten siirtymää kohti kehittyneempiä valmistusratkaisuja. Lisätietoja hankkeesta: IAmSuS – Innovatiivinen lisäävä valmistus ja kestävä kehitys – Lapin ammattikorkeakoulu”

Oulun 3D-tulostusseminaari

Maaliskuussa 2025 Oulussa järjestetty 3D-tulostusseminaari kokosi yhteen laajasti alan yrityksiä, asiantuntijoita, tutkijoita ja opiskelijoita tarkastelemaan 3D-tulostuksen nykytilaa ja tulevaisuuden kehityssuuntia. (Business Oulu, 2025).

Seminaarin keskiössä oli erityisesti teollisen mittakaavan 3D-tulostus, mukaan lukien muovi- ja metallitulostuksen uusimmat ratkaisut sekä niiden käytännön soveltaminen. Esityksissä korostettiin, että 3D-tulostus on siirtymässä yhä vahvemmin prototypoinnista kohti varteenotettavaa tuotantomenetelmää, joka tukee yritysten liiketoimintaa ja mahdollistaa uusia toimintamalleja (Business Oulu, 2025.; Narbrough, 2025). Kuvassa 5 on esityksessä kerrottuja kriisien synnyttämistä kysyntäpiikeistä.

Kuva 5. Tarpeita kriiseissä. (Jani Sipola)

Yhtenä keskeisenä teemana oli 3D-tulostuksen taloudellinen näkökulma. Puheenvuoroissa tarkasteltiin teknologian kustannuksia, käyttöä ja kannattavuutta sekä sitä, millä edellytyksillä yritysten kannattaa ottaa 3D-tulostus osaksi omaa toimintaansa. Samalla tuotiin esiin uusia liiketoimintamahdollisuuksia ja yhteistyömalleja esimerkiksi teollisuuden ja puolustussektorin välillä. (Business Oulu, 2025).

Teknologisesta näkökulmasta seminaarissa painottui erityisesti suurten ja monimutkaisten kappaleiden valmistus. Algoritmiavusteisen suunnittelun (kuva 6) todettiin mahdollistavan entistä tehokkaampia ja optimoituja rakenteita, mikä parantaa sekä valmistusprosessin tehokkuutta että lopputuotteiden laatua. (Business Oulu, 2025.; Narbrough, 2025).

Kuva 6. Algoritmiavusteinen suunnittelu. (Jani Sipola)

Metallin 3D-tulostus nousi vahvasti esiin yhtenä keskeisenä kehityssuuntana. Esityksissä käsiteltiin muun muassa funktionaalisia rakenteita, materiaalien kestävyyttä sekä uusia valmistusmenetelmiä, kuten valokaaritulostukseen perustuvaa WAAM-teknologiaa. Lisäksi keskustelua käytiin siitä, mitkä ovat teknologian todelliset mahdollisuudet ja missä kohdin siihen liittyy vielä epävarmuuksia tai väärinkäsityksiä. (Business Oulu, 2025).

Seminaarissa tarkasteltiin myös robotiikan roolia 3D-tulostuksessa. Robottipohjaisen tulostuksen nähtiin tarjoavan uusia mahdollisuuksia erityisesti suurikokoisten kappaleiden valmistukseen ja tuotannon joustavuuden lisäämiseen, vaikka teknologia onkin vielä osittain kehittyvä ja vaatii lisää tunnettuutta ja osaamista. (Narbrough, 2025).

Osallistujille tapahtuma tarjosi käytännönläheisen katsauksen 3D-tulostuksen mahdollisuuksiin. Näytteilleasettajien kautta oli mahdollista tutustua erilaisiin tulostusmenetelmiin, materiaaleihin ja palveluihin sekä keskustella suoraan asiantuntijoiden kanssa. (Business Oulu, 2025).

Kokonaisuutena seminaarin keskeinen viesti oli, että 3D-tulostus on nopeasti kehittyvä ja yhä merkittävämpi osa modernia teollisuutta. Teknologian hyödyntäminen edellyttää kuitenkin yrityksiltä osaamisen kehittämistä, oikeiden käyttökohteiden tunnistamista sekä ymmärrystä sen taloudellisista vaikutuksista. Seminaari tarjosi arvokasta ajankohtaista tietoa ja käytännön esimerkkejä, joita voidaan hyödyntää myös laajemmin älykkäiden teknologioiden ja digitaalisen tuotannon kehittämisessä.

2.10 Teknologiaosa-alueiden yrityskartoitus Lapin maakunnan näkökulmasta

Lähtökohtana kartoitukselle on ollut hankkeen teema eli kestävät älyratkaisut. Älyratkaisu tarkoittaa kokonaisuutta, jossa yhdistyvät elektroniikka, ohjelmointi ja materiaaliteknologia. Näihin voivat sisältyä robotiikka, tekoäly, LoRa/IoT sekä 3D‑tulostus. Tavoitteena ovat kestävät, energiatehokkaat ja arktisiin olosuhteisiin soveltuvat ratkaisut.

Yleinen tilanne Lapin älyratkaisukentässä on vahvasti tutkimus-, kehitys- ja hankevetoinen. Yrityspohjainen tuotekehitys on vielä rajallista. Suurin osa kehityksestä tapahtuu korkeakoulujen ja hankkeiden kautta.

Tämä kartoitus tuo esille muita yrityksiä, joita ei ole mainittu aiemmissa kohdissa tätä selvitystä. Tässä on koottu Lapin maakunnassa toimivia yrityksiä, joiden osaaminen liittyy drooni-teknologiaan, LoRa- ja anturiratkaisuihin, paikannustekniikkaan, robotiikkaan ja automaatioon, AI/IoT-ratkaisuihin sekä 3D-tulostukseen tai 3D-aineistojen hyödyntämiseen. Yritykset on jaoteltu kahteen ryhmään: ensiksi yrityksiin, joiden kotipaikka tai päätoimipaikka sijaitsee Lapissa, ja toiseksi yrityksiin, joiden kotipaikka on muualla Suomessa, mutta joiden toiminnasta on löydettävissä yhteys Lapin alueeseen.

Lista ei ole välttämättä kattava, vaan siihen on pyritty nostamaan edellä mainituilla teknologiaosalueilla toimivia yrityksiä, joista on saatavilla julkisesti tietoa. Kartoituksessa on hyödynnetty yritystietolähteitä, kuten Fonectaa/Finderiä ja Taloustutkaa, yritysten omia verkkosivuja sekä muita julkisia dokumentteja ja uutisia, joissa yritykset mainitaan kyseisillä teknologia-alueilla toimiviksi.

Lapissa kotipaikkaiset tai päätoimipaikkaa pitävät yritykset

Lapissa on tunnistettavissa useita yrityksiä, joiden osaaminen liittyy suoraan tai välillisesti tarkasteltuihin teknologiakoreihin. Erityisen vahvoja osaamisalueita ovat drooneihin liittyvä mittaus- ja aineistotuotanto, teollinen automaatio, kaivos- ja materiaalinkäsittelyratkaisut sekä ohjelmistokehitys.

Ranniot Oy on Rovaniemellä toimiva yritys, jonka toimialana on IT-konsultointi/IT-palvelut ja ohjelmistojen suunnittelu ja valmistus. Yrityksen omilla sivuilla Ranniot kuvataan paikannusjärjestelmäksi eläimille, kalustolle ja henkilöille. Palvelu on “Suomen Lapissa kehitetty ja poroilla pilotoitu”. Digitan aineistossa Ranniot mainitaan digitaalisia kartta- ja paikannusratkaisuja tarjoavana yrityksenä, joka on kehittänyt porojen paikantamiseen ratkaisuja yhteistyössä Digitan LoRaWAN-teknologian kanssa.

Geovisor Oy on Rovaniemellä toimiva yritys, joka liittyy erityisesti drooni-, paikkatieto-, mittaus- ja kaivosdatan hyödyntämiseen. Yritys on mukana Lapin Arctic Drone Operation Center -verkostossa, jonka tavoitteena on rakentaa Lappiin arktisen drooniosaamisen keskittymä. Fonectan/Finderin mukaan Geovisor toimii Rovaniemellä ja sen palvelut liittyvät kaivostoiminnan ja georakentamisen päätöksenteon tukemiseen.

Nparts Oy on Rovaniemellä toimiva kone- ja prosessisuunnitteluun liittyvä yritys. Yritys on mukana Arctic Drone Operation Center -verkostossa, mikä osoittaa sen kytkeytyvän Lapin drooni- ja robotiikkaosaamisen kehittämiseen. Yrityksen omilla sivuilla kuvataan palvelut ideasta valmiiksi tuotteeksi: tarvittaessa 3D-skannaus, suunnittelu, prototyypit ja valmistus 3D-tulostamalla.

NewPaakkola Oy on Tervolassa toimiva teollinen yritys, jonka osaaminen liittyy erityisesti kaivos- ja perusteollisuuden materiaalinkäsittelyyn. Yrityksen omien verkkosivujen mukaan NewPaakkola tarjoaa kuljetinratkaisuja, sivukiven käsittelyn ratkaisuja, kuivaläjitysratkaisuja sekä elinkaaripalveluja. Näiden tietojen perusteella NewPaakkola kuuluu automaation ja teollisen materiaalinkäsittelyn teknologiakoriin.

Polar-Automaatio (Caverion tytäryhtiö) on Keminmaassa toimiva yritys. Polar-Automaatio hallitsee teollisuusautomaation koko elinkaaren suunnittelusta toteutukseen: huollon, kunnossapidon, sähköasennukset, etätuen ja sähkö- ja automaatiolaitteiden varaosaylläpidon sekä toimintakyvyn varmistamiseen liittyvät palvelut.

ArticControl Oy on Äkäslompolossa toimiva yhden koodarin automaatiokonsultointiyritys. Kokemusta on B&R automaatio-ohjelmoinnista, projektien johtamisesta ja kouluttamisesta. Erityisosaamisalueita ovat turva-automaatio, liikkeenohjaus ja liikkuvan kaluston automaatio.

Kota Kollektiivi Oy, joka tunnetaan myös nimellä Kota Collective, on Rovaniemellä toimiva visuaaliseen tarinankerrontaan erikoistunut yritys. Yritys on mukana Arctic Drone Operation Center -verkostossa, mikä liittää sen Lapin drooni-ekosysteemiin. Yrityksen omien verkkosivujen mukaan se tuottaa brändi-, valokuva- ja filmisisältöjä markkinointiin ja viestintään. Sen osaaminen liittyy droonien tuottaman visuaalisen aineiston, digitaalisen sisällön ja mahdollisesti 3D-ympäristöissä hyödynnettävän kuvamateriaalin tuotantoon.

Arctic Connect Oy on Rovaniemellä toimiva ICT- ja ohjelmistoyritys, jonka palvelut liittyvät etäkommunikaatioon, AV-ratkaisuihin ja ohjelmistokehitykseen. Yrityksen omien verkkosivujen mukaan Arctic Connect toteuttaa etäneuvottelu- ja kokousratkaisuja, AV-ratkaisuja sekä ohjelmointeja, ja sen ohjelmistokehitys tuottaa etäkommunikaatioon räätälöityjä ja yleisiin tarpeisiin soveltuvia ratkaisuja. Finderin yritystiedot vahvistavat yrityksen toimipaikan Rovaniemellä ja kuvaavat sen tarjoavan etäneuvotteluratkaisuja, AV-ratkaisuja ja ohjelmistokehitystä. Näiden perusteella yritys soveltuu ohjelmistojen sekä AI/IoT-ratkaisujen mahdolliseksi toteuttaja- ja integraatiokumppaniksi.

AI-KnxX Oy on Rovaniemellä sijaitseva yritys, jonka päätoimialana on ohjelmistojen suunnittelu ja valmistus. Yritys keskittyy innovatiivisiin tekoälyratkaisuihin, joiden avulla se auttaa asiakkaitaan optimoimaan liiketoimintaprosessejaan, parantamaan asiakaskokemuksia ja kehittämään älykkäitä sovelluksia eri toimialoilla. AI-KnxX Oy:n tiimi koostuu asiantuntevista ohjelmistokehittäjistä, data-analyytikoista ja tekoälyasiantuntijoista, jotka työskentelevät tiiviissä yhteistyössä asiakkaidensa kanssa räätälöityjen ratkaisujen löytämiseksi.

Muualla Suomessa kotipaikkaiset yritykset, joilla on toiminnallinen yhteys Lappiin

Lapin alueella toimii myös yrityksiä, joiden kotipaikka sijaitsee muualla Suomessa, mutta joiden palvelut, verkostoyhteydet tai käyttötapaukset liittyvät selvästi Lappiin. Näiden yritysten merkitys korostuu erityisesti drooni-, LoRa-, IoT- ja paikannusratkaisuissa, joissa valtakunnalliset palveluntarjoajat ja erikoistuneet teknologiaosaajat voivat toimia Lapissa ilman paikallista kotipaikkaa.

Dronekeskus Oy on Hämeenlinnassa kotipaikkaa pitävä yritys, joka on mukana Lapin Arctic Drone Operation Center -verkostossa. ADOC-verkostoon kuuluminen osoittaa sen toiminnallisen yhteyden Lapin drooni- ja robotiikkaosaamisen kehittämiseen. Tämän vuoksi yritys on perusteltua sisällyttää Lapissa toimiviin drooni-ekosysteemin yrityksiin, vaikka sen kotipaikka ei ole Lapissa.

Radai Oy on Oulussa toimiva yritys, joka tarjoaa ympäristö- ja geofysikaalisia mittauspalveluja UAV-laitteilla eli miehittämättömillä ilma-aluksilla. Finderin mukaan Radai tarjoaa UAV-pohjaisia ympäristö- ja geofysikaalisia mittauspalveluja, ja yrityksen omilla verkkosivuilla palveluihin kuuluvat drooni-pohjaiset magneettiset ja sähkömagneettiset mittaukset. Radai on myös mainittu Arctic Drone Operation Center -verkoston toimijana.

Digita Oy on valtakunnallinen toimija, jonka LoRaWAN-verkko soveltuu erityisesti vähävirtaiseen ja pitkän kantaman IoT-tiedonsiirtoon. Digitan omien tietojen mukaan LoRaWAN-ratkaisut soveltuvat pienten datamäärien lähettämiseen ja vastaanottamiseen, ja Digita tarjoaa LoRa-yhteensopivaa IoT-verkkoa koko Suomen alueella. Lapin näkökulmasta Digitan toiminnasta on konkreettinen esimerkki porojen paikannuksessa, jossa LoRaWAN-teknologiaa ja IoT-verkkoa on hyödynnetty porojen reaaliaikaiseen seurantaan.

IoTNet Finland Oy on kotimainen IoT-operaattori, joka rakentaa Suomeen LoRa-teknologiaan perustuvaa langatonta IoT-verkkoa. Yrityksen omien tietojen mukaan verkkoa rakennetaan aluekohtaisesti kaupunki- ja energiayhtiöiden tarpeisiin, ja sen avulla voidaan kytkeä erilaisia etäluettavia antureita verkkoon. Vaikka tässä kartoituksessa ei löytynyt erillistä Lapin toimipaikkaa, yrityksen ratkaisut ovat relevantteja Lapin energian, infran, teollisuuden ja pitkien etäisyyksien sensoriverkkotarpeisiin. [taloustutka.fi]

Kaltio Technologies Oy on Oulussa toimiva IoT-ratkaisuihin erikoistunut yritys. Julkisten yrityslistauksien mukaan Kaltio Technologies kehittää IoT-ratkaisuja erityisesti haastaviin sijainteihin, joissa ei ole verkkovirtaa tai WiFi-yhteyttä, ja ratkaisut perustuvat usein vähävirtaisiin, akkupohjaisiin sensoreihin. Tämä tekee yrityksestä relevantin Lapin toimintaympäristöön, jossa kohteet voivat sijaita laajoilla, harvaan asutuilla ja vaikeasti saavutettavilla alueilla.

Teknologiakoreittainen yhteenveto

Drooni-teknologian osalta Lapin yrityskentässä korostuvat erityisesti Geovisor Oy, Nparts Oy ja Kota Kollektiivi Oy. Näillä yrityksillä on yhteys Arctic Drone Operation Center -verkostoon, joka kokoaa Lappiin arktisen drooniosaamisen toimijoita. Lisäksi Dronekeskus Oy ja Radai Oy ovat tärkeitä Lapissa toimivia, mutta muualla kotipaikkaa pitäviä yrityksiä. Dronekeskus kytkeytyy Lappiin ADOC-verkoston kautta, ja Radai tuo mukaan UAV-pohjaisen geofysikaalisen mittausosaamisen.

LoRa- ja anturiratkaisuissa Lapista ei löytynyt tässä selvityksessä vahvaa näyttöä paikallisesta LoRaWAN-operaattorista tai erityisesti LoRa-laitteisiin erikoistuneesta yrityksestä. Sen sijaan Lapin kannalta keskeisiä toimijoita ovat valtakunnalliset ja alueellisesti skaalautuvat palveluntarjoajat, kuten Digita Oy, IoTNet Finland Oy ja Kaltio Technologies Oy. Digitan LoRaWAN-verkko ja porojen paikannukseen liittyvä esimerkki osoittavat, että teknologiaa voidaan hyödyntää Lapin laajoilla alueilla konkreettisissa käyttötapauksissa.

Paikannustekniikan ja tracking-ratkaisujen näkökulmasta Geovisor Oy, Ranniot Oy ja Digita Oy ovat keskeisiä esimerkkejä. Geovisorin toiminta liittyy paikkatietoon, kaivosdataan ja mittausaineistoihin, kun taas Digitan LoRaWAN-ratkaisut mahdollistavat omaisuuden ja eläinten paikannusta laajoilla alueilla. Radai Oy täydentää tätä kokonaisuutta dronepohjaisella geofysikaalisella mittausdatalla, jota voidaan hyödyntää kartoituksessa ja alueellisen tilannekuvan muodostamisessa.

Robotiikan ja automaation osalta vahvimmat Lapissa kotipaikkaiset yritykset ovat NewPaakkola Oy ja Nparts Oy. NewPaakkola tarjoaa kaivosteollisuuden materiaalinkäsittelyn ratkaisuja, joissa yhdistyvät mekaaninen suunnittelu, teollinen automaatio ja elinkaaripalvelut. Nparts puolestaan tuo mukaan kone- ja prosessisuunnittelun sekä ADOC-verkoston kautta kytkennän arktiseen drooni- ja robotiikkakehittämiseen.

AI/IoT-ratkaisuissa Lapin yrityksistä esiin nousevat erityisesti Arctic Connect Oy ja AI-KnxX Oy. Arctic Connectilla on selkeästi todennettua ohjelmistokehitys- ja ICT-integraatio-osaamista, mikä tekee siitä relevantin AI/IoT-ratkaisujen mahdolliseksi toteuttajaksi. AI-KnxX Oy tuo ohejelmisto ja tekoälyosaamista.

3D-tulostuksen ja 3D-aineistojen osalta Lapin yrityskenttä näyttäytyy tässä selvityksessä vielä hajanaisena. Varsinaisia Lapissa kotipaikkaisia teollisen 3D-tulostuksen yrityksiä ei julkisista lähteistä löytynyt vahvasti todennettuna. Nparts Oy liittyy kuitenkin 3D-koriin teknisen suunnittelun, kone- ja prosessisuunnittelun, 3D-tulostuksen sekä mahdollisen prototypoinnin kautta. Kota Collective puolestaan liittyy 3D-aineistojen ja visuaalisen materiaalin tuotantoon välillisesti erityisesti drone- ja kuvantamisaineistojen näkökulmasta. Muualla Suomessa toimivia teollisen 3D-tulostuksen yrityksiä ovat esimerkiksi Materflow, 3D Formtech, Maker3D ja 3DTech.

Johtopäätös

Lapin teknologiayrityskenttä painottuu vahvasti soveltavaan teknologiaosaamiseen. Drooneihin, paikkatietoon, teolliseen automaatioon, kaivos- ja materiaalinkäsittelyratkaisuihin sekä ICT- ja ohjelmistopalveluihin liittyvä osaaminen on tunnistettavissa useiden yritysten kautta. Erityisesti Arctic Drone Operation Center -verkosto kokoaa yhteen toimijoita, joiden osaaminen liittyy arktisissa olosuhteissa käytettäviin drooni-, robotiikka- ja mittausratkaisuihin.

Lapin omat yritykset muodostavat tärkeän paikallisen osaamispohjan, mutta monissa teknologiakoreissa, kuten LoRaWAN-verkoissa, IoT-anturoinnissa ja erikoistuneessa drooni-mittauksessa, Lapin kannalta keskeiset yritykset ovat kotipaikaltaan muualla Suomessa. Tämä tarkoittaa, että Lapin teknologiaekosysteemi rakentuu sekä paikallisista yrityksistä että valtakunnallisista tai alueellisesti toimivista teknologiaosaajista. Tämä on tärkeä huomio erityisesti projekteissa, joissa tavoitteena on kehittää arktisiin olosuhteisiin soveltuvia kunnossapidon, mittauksen, paikannuksen ja automaation ratkaisuja.

2.11 Älykkäät ja kestävät teollisuusratkaisut Lapissa: Yritysten tarpeet ja kehitysnäkymät – haastattelujen tulokset

Lapin alueen teollisuus ja elinkeinot kohtaavat ainutlaatuisia haasteita, jotka asettavat erityisvaatimuksia teknologisille ratkaisuille. Lähteiden ja yritysten esittämien näkemysten perusteella keskiössä ovat pohjoisen äärimmäiset olosuhteet, digitalisaation tuomat mahdollisuudet toimintavarmuuden parantamiseen sekä tarve korvata manuaalisia prosesseja älykkäällä automaatiolla.

Aluksi on esitetty lähinnä teollisuuden alojen yritysten näkemyksiä, ja sen jälkeen on kerrottu maatalous alan yrittäjien näkemyksiä ja ajatuksia tarpeista ja kehitysnäkymistä.

Toimintavarmuus ja äärimmäiset olosuhteet

Lapin olosuhteet asettavat teknologialle vaatimuksia, joita tavanomaiset standardit eivät aina täytä. Laitteistojen ja tiedonsiirtoyhteyksien on toimittava luotettavasti jopa yli 40 asteen pakkasissa, sillä monen laitteen speksattu raja on juuri -40 °C. Erityisesti energia-autonomisten ratkaisujen toteuttaminen on haastavaa, koska kaamosaika ja lumi rajoittavat aurinkoenergian hyödyntämistä. Tiedonsiirrolta edellytetään korkeaa tietoturvaa ja varmatoimisuutta, mikä saattaa vaatia verkonvaihdon (roaming) hyödyntämistä rajaseuduilla.

Energiantuotannon ja sähköverkon hallinta

Energiantuotannossa ja jakelussa digitalisaation tavoitteena on vikatilanteiden ennakointi ja ylläpidon tehostaminen. Yksi esille nousseista kehityskohteista on lämpövoimaloiden tarkastusprosessien automatisointi. Nykyisin viranomaismääräykset edellyttävät päivittäisiä tarkastuskierroksia, jotka suoritetaan ihmisaistein havainnoiden ääntä, näkymää, lämpöä ja hajuja. Tähän voisi soveltua ratkaisuksi anturointia, kuten mikrofoneja, kameroita ja lämpökameroita, jotka korvaisivat manuaalisen työn. Tulevaisuuden visiona on jopa robottien hyödyntäminen mittauksissa ja havainnoinnissa, jolloin tekoäly voisi analysoida kertyvän datan ja ilmoittaa automaattisesti kriittisistä poikkeamista.

Sähkö- ja vesihuollossa on jo käytössä paljon anturointia, mutta suurin tarve kohdistuu työkaluihin, jotka auttavat analysoimaan massiivista datamäärää. Tekoälyratkaisuja, kuten EG Ines -työkalua, suunnitellaan sähköverkon kulutusjouston arviointiin ja energiankulutuksen optimointiin. Lisäksi vesihuollossa olisi tarvetta älykkäille jäätymisenestojärjestelmille.

Poronhoidon teknologiset tarpeet

Poronhoidossa keskeisin tarve liittyy eläinten paikantamiseen ja työn helpottamiseen vaikeassa maastossa. Nykyisten tutkapantojen haasteena on paristojen rajallinen kesto, ja alalla on kiinnostusta kestävämmille ratkaisulle, kuten nahan alle sijoitettaville siruille, mikäli niiden lukulaitteet saadaan toimimaan luotettavasti kovissa pakkasissa. Työn fyysisyyttä voitaisiin helpottaa robotiikalla tai automaatiolla porojen keräämisessä, vaikka se nähdäänkin tällä hetkellä vielä haastavana toteuttaa.

Teollisuuden ja testaustoiminnan digitalisaatio

Valmistavassa teollisuudessa ja testauspalveluissa korostuvat kaluston hallinnan ja laadunvarmistuksen tarpeet. Autojen ja renkaiden talvitestauksen kaltaisessa ympäristössä tarvitaan merkistä riippumattomia järjestelmiä, joilla voidaan seurata kunnossapitokaluston käyttötunteja ja energiankulutusta jälkiasenteisesti. Testiratojen kulunhallintaan kaivataan siirrettäviä ja energiatehokkaita puomijärjestelmiä, jotka toimivat ilman kiinteää sähköverkkoa.

Konepaja- ja muoviteollisuudessa nähdään merkittävää potentiaalia seuraavissa kohteissa:

• Tekoäly ja dokumentaatio: Tekoälyä halutaan hyödyntää teknisen dokumentaation hallinnassa ja rakennuskaavojen selkeyttämisessä.
• Konenäkö: Automaattista laaduntarkastusta ja konenäköä suunnitellaan muovituotteiden valmistukseen sekä biomateriaalien tunnistamiseen.
• Robotiikka: Hitsaukseen ja pakkausprosesseihin etsitään ratkaisuja coboteista tai teollisuusroboteista tuotannon tehostamiseksi.

Haastatteluissa nousi esiin useita konkreettisia ideoita kokeiluille, joilla voitaisiin parantaa työturvallisuutta ja tehokkuutta. Näitä ovat esimerkiksi sähkölinjojen lumikuorman tunnistaminen äänikameroilla tai värähtelyantureilla, droonien automaattinen lataus uusiutuvalla energialla sekä räjähdyskaasujen mittaaminen suoraan työkoneiden puomeista kaivoksilla.

Haasteita tekoälyn tietoturvaan liittyen

Haastattelujen perusteella tekoälyn hyödyntämiseen Lapin teollisuudessa liittyy useita tietoturvaan ja luottamuksellisuuteen kytkeytyviä haasteita:

• Arkaluontoisen tiedon vuotaminen: Yritykset kokevat haasteeksi sen ymmärtämisen, mitä tietoja tekoälylle voi antaa ilman riskiä siitä, että arkaluontoinen tieto leviää ulkopuolisten saataville. Energia-alan yritys on linjannut, ettei se halua antaa aineistojaan tekoälylle juuri tietoturvasyistä.
• Huoltovarmuus ja kriittinen infrastruktuuri: Energia-alan kaltaisilla toimijoilla on keskeinen rooli alueen huoltovarmuuden ylläpitämisessä, mikä asettaa erityisvaatimuksia sekä tiedonsiirtoyhteyksien tietoturvalle että tekoälysovellusten käytölle.
• Asiakasluottamus ja yksityisyys: Tekoälyn käyttöön liittyy pelko asiakasluottamuksen vaarantumisesta. Esimerkiksi talvitestausympäristössä asiakkaiden luottamuksellisuus ja yksityisyys ovat toiminnan keskiössä, ja kaikki teknologiset ratkaisut on sovitettava tähän tarpeeseen.
• Osaamisen puute: Yksi merkittävä haaste on ymmärryksen puute siitä, miten tekoälyjärjestelmät käsittelevät dataa. Yrityksissä nähdäänkin tarvetta koulutukselle, jotta henkilöstö oppii tunnistamaan turvalliset tavat hyödyntää tekoälyä asiantuntijatyössä.
• Tiedonsiirron turvallisuus: Koska Lapissa joudutaan toisinaan hyödyntämään ulkomaisia verkkoja (roaming) tiedonsiirron varmistamiseksi, viestintäyhteyksiltä edellytetään erityistä varmatoimisuutta ja tietoturvallisuutta.

Energiatehokkuutta voidaan parantaa älykkäällä kulunhallinnalla

Älykkäällä kulunhallinnalla voidaan parantaa energiatehokkuutta usealla eri tavalla, erityisesti vähentämällä turhaa logistiikkaa ja hyödyntämällä kestäviä energiantuotantomuotoja etäkohteissa.

Haastatteluissa nostettiin esiin seuraavat keskeiset keinot:

• Ajokilometrien ja logistiikan vähentäminen: Kun kulunvalvonta- ja seurantajärjestelmät ovat etäohjattavia ja hallittavissa keskitetysti valvomosta, voidaan välttää tarpeetonta ajamista kohteiden välillä. Esimerkiksi laajalla ja harvaan asutulla alueella pelkkä vikatilanteen tarkastaminen paikan päällä voi tarkoittaa satoja ajokilometrejä päivässä; älykkään etäseurannan avulla voidaan määrittää tarkemmin, milloin ja mihin huoltoa todella tarvitaan.
• Energia-autonomiset ja siirrettävät ratkaisut: Haastavissa olosuhteissa, kuten Lapin testiradoilla, joihin sähköverkon ulottaminen on vaikeaa, energiatehokkuutta lisätään käyttämällä peräkärryalustalle rakennettuja liikuteltavia yksiköitä. Nämä yksiköt sisältävät oman energiantuotantonsa (esim. aurinko tai tuuli), puomin ohjauksen ja tiedonsiirron, mikä poistaa tarpeen rakentaa kiinteää ja energiaa kuluttavaa infrastruktuuria luonnontilaisille alueille.
• Vihreän energian hyödyntäminen: Älykkään kulunhallintakaluston käyttövoima pyritään tuottamaan mahdollisimman ympäristöystävällisesti. Vaikka talviolosuhteet ja kaamos asettavat haasteita, tavoitteena on käyttää vihreää energiantuottoa, joka säilyttää toimintavarmuutensa ilman suuria ylläpito- tai polttoaineresursseja.
• Toiminnan optimointi ja häiriöiden ehkäisy: Älykäs kulunhallinta varmistaa, ettei asiakkailla ole pääsyä alueille, joilla huolto- tai kunnossapitotyöt ovat kesken. Tämä tehostaa työntekoa ja varmistaa, että kunnossapitoon käytetty energia ja resurssit kohdistuvat oikein ilman ulkopuolisista tekijöistä johtuvia keskeytyksiä.

Yhteenvetona voidaan todeta, että älykäs kulunhallinta säästää energiaa ennen kaikkea siirtymällä fyysisestä valvonnasta digitaaliseen etähallintaan ja hyödyntämällä kohdennettuja, paikallisia energiaratkaisuja perinteisen sähköverkon sijaan.

Pk-yritysten suurimmat esteet teknologian käyttöönotolle

Haastattelujen perusteella Lapin pk-yritysten suurimmat esteet uuden teknologian käyttöönotolle liittyvät resurssipulaan, osaamiseen sekä alueen asettamiin teknisiin erityisvaatimuksiin.

Keskeisimmät esteet ovat:

• Resurssien puute (aika, raha ja henkilöstö): Yritykset nimeävät kustannukset ja ajan tai henkilöstön puutteen merkittävimmiksi esteiksi. Investoinneilta edellytetään hyvin selkeitä ja osoitettuja hyötyjä, jotta ne nähtäisiin kannattavina.
• Osaamisen puute ja epävarmuus: Uusien teknologioiden, kuten tekoälyn, kohdalla suurin este on ymmärryksen puute siitä, miten niitä voidaan hyödyntää turvallisesti ja tehokkaasti. Esimerkiksi tekoälyn osalta kaivattaisiin koulutusta, jotta tiedettäisiin, mitä tietoja sille uskaltaa antaa ilman tietoturvariskiä.
• Tekniset rajoitteet ja olosuhteet: Lapin äärimmäiset pakkaset (jopa alle -40 °C) rajaavat monet markkinoilla olevat standardiratkaisut pois, sillä ne eivät välttämättä toimi luotettavasti pohjoisen talvessa. Lisäksi moniin kohteisiin on vaikea viedä käyttöenergiaa tai tiedonsiirtoyhteyksiä, mikä estää esimerkiksi älykkään kulunhallinnan toteuttamista.
• Tietoturva ja luottamus: Erityisesti kriittisellä alalla toimivat yritykset suhtautuvat varauksella esimerkiksi tekoälyyn tietoturvaan, asiakasluottamukseen ja huoltovarmuuteen liittyvien riskien vuoksi. Myös pelko arkaluontoisen tiedon leviämisestä jarruttaa kokeiluja.
• Järjestelmien yhteensopivuus ja elinkaari: Haasteita aiheuttavat ohjelmistojen yhteensopimattomuus (mikä on johtanut jopa pilottien hylkäämiseen) sekä puutteet ohjelmistojen elinkaaren hallinnassa.
• Etäisyys tutkimus- ja oppilaitosmaailmaan: Yritykset kokevat, että oppilaitosten tarjoama apu saattaa jäädä etäiseksi, ja ne kaipaisivat enemmän tukea pienissä, käytännönläheisissä detaljeissa suoraan yrityksen sisällä.

Yhteenvetona voidaan todeta, että teknologian käyttöönotto vaatisi pk-yrityksiltä paitsi taloudellisia panostuksia, myös konkreettista näyttöä toimivuudesta arktisissa oloissa sekä tukea tekniseen osaamiseen ja tietoturvaan.

Seuraavassa on listattu haastatteluissa esille nousseita suunnitelmia ja tarpeita sekä pohdinnassa olevia ratkaisuja.

• EG Ines -tekoälytyökalu: Tämä on tulossa käyttöön kiinteistöjen mittausdatan analysointiin. Sen avulla lasketaan kulutuspotentiaalia ja kartoitetaan sähköverkon kulutusjoustoa. Työkalu auttaa tunnistamaan kulutuspoikkeamia, mikä mahdollistaa kunnossapidon kohdentamisen täsmällisemmin.
• Ennakoiva kunnossapito ja vikojen estäminen: Tekoälyä suunnitellaan hyödynnettäväksi ennustavien kohteiden tuottamiseen kunnossapidolle. Tavoitteena on, että tekoäly analysoisi valtavia datamääriä ja ilmoittaisi ihmiselle tuloksista tai poikkeamista, joiden perusteella voidaan tehdä päätöksiä ja toimenpiteitä.
• Tykkyantureiden datan tulkinta: Sähköverkossa on koekäytössä tykkyantureita, jotka keräävät tietoa asennosta, lämpötilasta ja sijainnista. Tällä hetkellä data on tulkittava käsin, mutta lähteissä todetaan, että tätä työlästä työtä voisi jatkossa hoitaa tekoäly, vaikka sopivaa ratkaisua ei ole vielä ollut saatavilla.
• Droonit ja automaatio: Droonien hyödyntämistä halutaan lisätä esimerkiksi vikapaikkojen automaattisessa kuvaamisessa sekä puusto- ja kasvillisuusanalyyseissä. Suunnitelmissa on myös droonien autonomisuuden lisääminen ja niiden automaattilataus uusiutuvilla energioilla.
• Asiantuntijatyön tuki: Copilot-tekoäly nähdään mahdollisena työkaluna asiantuntijoiden tekstisisällön tuottamisessa ja viestinnässä, vaikka tietoturvasta ja aineistojen luovuttamisesta ollaankin tarkkoja.
• Muoviteollisuuden laadunvalvonta: Konenäköä suunnitellaan hyödynnettäväksi muovintarkkailun laadunvalvonnassa ja erityisesti rullien laadun seurannassa, johon ei tällä hetkellä löydy valmista kaupallista tuotetta.
• Teollisuuden kunnossapito ja hihnavalvonta: Biotuotelaitoksilla valvontakameroiden kuvaa voitaisiin analysoida tekoälyllä, jotta havaitaan kuljetinhihnojen vauriot, rispaantuminen, hihnan siirtyminen sivuun tai hihnalla oleva poikkeava kuorma.
• Biomateriaalien tunnistus: Biokaasulaitoksilla konenäköä voitaisiin käyttää materiaaliaumojen tunnistamiseen, jolloin järjestelmä erottaisi automaattisesti, onko syötettävä materiaali esimerkiksi risuja, olkia tai muuta vastaavaa biomateriaalia.
• Rakentaminen ja metsätalous: Drooneilla otettua kuvamateriaalia hyödynnetään jo nyt rakentamisen laadunvalvonnassa, ja tulevaisuudessa konenäköä voitaisiin soveltaa droonien avulla tehtäviin puusto- ja kasvillisuusanalyyseihin.

Älykkäät ja kestävät maatalousratkaisut Lapissa: Tilojen tarpeet ja digitalisaation tila

Lapin maatalousyrittäjät hyödyntävät jo nyt monipuolisesti teknologiaa, mutta digitalisaation taso vaihtelee tilakohtaisesti. Hanke on kartoittanut alueen yrittäjien näkemyksiä, joissa korostuvat työn helpottaminen, eläinten hyvinvoinnin seuranta ja tarve kustannustehokkaille investoinneille.

Nykyiset älykkäät ja kestävät ratkaisut

Lapin maatiloilla on jo käytössä useita teknologisia sovelluksia, joista merkittävimpiä ovat:

• Robotiikka ja automaatio: Lypsy- ja ruokintarobotit ovat yleisiä. Myös navetoiden ilmanvaihto ja valaistus on monin paikoin automatisoitu. 
• Eläinten seuranta: Aktiivisuuspannat ja korvamerkit keräävät dataa eläinten liikkumisesta, levosta ja terveydentilasta, mikä mahdollistaa nopean reagoinnin poikkeamiin. 
• Viljelyteknologia: Traktoreissa hyödynnetään GPS-ohjausta ja satelliittitietoja täsmäviljelyyn ja lannoituksen optimointiin. 
• Energia: Joillakin tiloilla on omaa sähkön- ja lämmöntuotantoa, kuten aurinkopaneeleita. 

Digitalisaation taso ja datan hyödyntäminen

Moni yrittäjä kuvailee digitalisaation olevan ”alkutekijöissään”, vaikka laitteistoa onkin paljon.

• Datan keruu: Dataa kerätään pääasiassa eläinten terveydestä, tuotantomääristä (maito/liha) ja rehun kulutuksesta. Energiankulutusta seurataan usein kuukausitasolla, mutta tarkempi laitekohtainen seuranta on harvinaisempaa. 
• Päätöksenteko: Kerättyä dataa hyödynnetään aktiivisesti päivittäisessä työnjohdossa, kuten eläinten terveyden seurannassa ja tulevaisuuden investointien suunnittelussa. 
• Digitaaliset työkalut: Sähköinen kirjanpito ja sähköiset viljelypäiväkirjat ovat arkipäivää. Myös WhatsApp-ryhmät ovat muodostuneet kriittisiksi viestintävälineiksi työntekijöiden ja eläinlääkäreiden välillä. 

Prosessien haasteet: Kulutus ja hukka

Eniten turhaa työtä ja kustannuksia aiheutuu seuraavista tekijöistä:

• Energiankulutus: Lypsyn aikaiset virtapiikit (jäähdytys, valaistus, pumput) muodostavat merkittävän kulutuserän. 
• Materiaali- ja rehuhukka: Ruokinnassa syntyvän hävikin on arvioitu olevan jopa 7 %. 
• Manuaalinen seuranta: Suurilla laitumilla eläinten etsiminen ja tarkastaminen vie huomattavasti aikaa. 

Tulevaisuuden potentiaali ja älyratkaisut

Yrittäjät näkevät suurinta potentiaalia seuraavilla alueilla:

• Droonit: Eläinten etsiminen laitumilta ja ravinnehuollon seuranta (täsmälannoitus) satelliittikuvien tai droonikuvauksen avulla. 
• Tekoäly: Viljelysuunnittelun automatisointi ja eläinten sairauksien ennakointi ennen oireiden näkymistä. 
• Integroitu automaatio: Älykkäät korvamerkit, jotka kytkeytyvät suoraan automaattiseen ruokintajärjestelmään. 

Konkreettiset hyödyt ja esteet käyttöönotolle

Ratkaisun kannattavuuden tekee ensisijaisesti työajan säästö ja joustavuus. Myös parantunut tuottavuus (esim. maitotuotoksen kasvu automaation myötä) ja eläinten parempi hyvinvointi ovat keskeisiä hyötyjä.

Suurimmat esteet uusien ratkaisujen käyttöönotolle ovat:

1. Investointikustannukset: Laitteiden korkea hinta suhteessa epävarmaan hyötyyn. 
2. Ajan ja osaamisen puute: Uusien järjestelmien opetteluun ei aina löydy resursseja, vaikka kiinnostusta olisi. 
3. Sukupolvenvaihdos: Vanhempi polvi saattaa kokea kynnyksen uuteen teknologiaan korkeammaksi, kun taas nuorempi polvi odottaa innolla digitaalisia työkaluja. 

Yhteenveto ja pilotointi

Valtaosa haastatelluista yrittäjistä on kiinnostuneita osallistumaan uusien älylaitteiden kokeiluihin ja pilotointiin, mikäli ne eivät lisää heidän työkuormaansa merkittävästi. Tämä osoittaa, että Lapin maataloussektorilla on valmiutta kokeilla innovaatioita, jotka parantavat tilojen elinvoimaa ja kestävyyttä.

3 Hartsivalut ja 3D-tulostetut muotit

Digitaalisen valmistuksen menetelmien rinnalla hankkeessa tarkasteltiin myös vaihtoehtoisia tapoja valmistaa kestäviä ja yksilöllisiä komponentteja. Erityisen kiinnostavaksi nousi 3D-tulostuksen ja hartsivalun yhdistäminen, jossa 3D-tulostettuja osia hyödynnetään valumuotteina tai muottien valmistuksen apuvälineinä. Menetelmä tarjoaa mahdollisuuden tuottaa näyttäviä ja toiminnallisia kappaleita myös silloin, kun pelkkä 3D-tulostus ei riitä vaadittujen materiaaliominaisuuksien saavuttamiseen.

Tässä osiossa tarkastellaan ensin hartsivalujen materiaalikokeiluja, joissa tutkittiin erilaisten täyteaineiden vaikutusta materiaalin lujuuteen ja käytettävyyteen. Näiden kokeiden tulokset loivat perustan menetelmän soveltamiselle käytännön kohteisiin. Tämän jälkeen esitellään hankkeen demoihin valmistetut kotelokomponentit, joiden toteutuksessa hyödynnettiin kokeiluista saatuja kokemuksia ja oppeja.

3.1 Hartsivalut

Hankkeessa testattiin hartsivalujen ja 3D-tulostettujen muottien käyttämistä kappaleiden valmistuksessa. Idea syntyi, kun pohjautuu taotun hiilikuidun (forged carbon) menetelmään. Menetelmässä hartsin sekaan puristetaan hiilikuitua, mikä antaa sille marmorimaisen ”taotun” ulkonäön. Hiilikuituarkin sijaan käytettiin lyhyttä hiilikuitulankaa täyteaineena. Hartsista ja hiilikuitulangasta tehtiin ”hiilikuitupasta”, joka puristettiin muottien väliin ja annettiin kovettua (kuvakokoelma 1). Idea jalostui ja lisäksi testattiin miten materiaalit, kuten teollisuuden sivuvirtoina syntyvät jakeet, soveltuvat täyteaineeksi. Eri täyteaineiden materiaaliominaisuuksia testattiin vetokoesauvojen avulla.

Testien avulla haluttiin selvittää voisiko hartsivalujen avulla toteuttaa joitakin demojen komponentteja. Yhteen demoon tehtiinkin kotelointiratkaisu tällä tekniikalla ja siitä on kerrottu myöhemmin. 

 

 Kuvakokoelma 1. Hiilikuituhartsiseos vetokoesauvan muottivaihe. (Jouni Kanto)

Materiaalin lujuusvetokokeet 

Täyteaineena kokeiltiin hiilikuitulankaa, selluarkkia, puusta höylättyä lastua ja tekstiilijakeita. Varsinaisista vetokokeista jätettiin pois puusta höylätty lastu, koska se oli käytännössä niin haurasta jo vetokoesauvaa käsiteltäessä. Tekstiilijakeellekin tehtiin vain yksi vetokoesauva vertailuarvon saavuttamiseksi. Hiilikuitu 1 vetokoesauvoja ei käytetty vakuumikoneessa ja hiilikuitu 2 vetokoesauvat käytettiin vakuumikoneessa. Tällä selvitettiin, miten vetokoesauvaan mahdollisesti jäävät ilmakuplat vaikuttavat lujuuteen. Muut testi tuotteet käytettiin vakuumissa. Kuvakokoelmassa 2 on testin vetokoesauvat.

  Kuvakokoelma 2. Vetokoesauvat testissä käytetyillä täyteaineilla, hiilikuitu 1, hiilikuitu 2, sellu, pelkkä hartsi, PLA, PLA Aero ja villalanka. (Jouni Kanto)

Vetokoe 

Vetokokeet suoritettiin standardin SFS-EN ISO 6892-1 testiparametrien mukaisesti. Koelaitteina käytettiin Zwick Allround 250 kN -vetokonetta. Jokaiselle eri koostumukselle testattiin kolme vetosauvaa,paitsi villalankalle vain yksi. Mekaanisten ominaisuuksien määrittäminen toteutettiin vetokoneen avulla.  

 Tulokset 

Testien perusteella selkeästi lujin koostumus oli hiilikuiduilla ja varsinkin hiilikuitu 1 koostumuksella. Selvästi heikoin materiaali oli PLA Aero. Venyvin koostumus oli pelkällä hartsilla. 

Kuvassa 7 on esitetty voima-venymävetokäyrät, joista hyvin havaitsee, kuinka jokainen materiaalikoostumus käyttäytyi eri lailla. 

Kuva 7. Voima-venymäkäyrä. (Raimo Vierelä)

Yhteenveto 

Testin avulla kokeiltiin, miten 3D-tulostamalla tehtyjen muottien avulla voidaan tehdä hartsivaluja erilaisilla täyteaineilla ja mitkä on näiden lujuudet. Vertailun vuoksi testattiin myös pelkkien 3D-tulosteiden lujuudet. Muottien valmistuksessa ja käsittelyssä jouduttiin tekemään iterointia ennen kuin löydettiin parhaiten toimiva ratkaisu, etteivät vetokoesauvat tartu kiinni muotteihin. Ratkaisuksi löytyi PVA eli vesiliukoisen puuliiman levitys pintaan myös alumiiniteippi ja vahaus olivat hyvin toimiva ratkaisu. 3D-tulostuksen hyödyiksi muottien valmistuksessa voidaan sanoa: iterointi on nopeaa, voidaan toteuttaa helposti ja nopeasti moniosaisia muotteja, materiaalivaihtoehtoja on monia ja muottien kestävyys on sopivaa pienten sarjojen valmistuksessa. 

Tulokset osoittavat, että hiilikuidun käyttö täyteaineena tuotti parhaat lujuusominaisuudet. 3D-tulosten lujuus on heikoimmasta päästä, mutta siihen vaikuttaa moni asia, kuten millaista täyttöastetta käytetään. Tähän asiaa ei tässä kokeessa otettu kantaa. PLA- ja PLA Aero –sauvojen vertailu osoittaa, että PLA Aero on selvästi heikompi materiaali. 

1.2 Kotelot

Onnistuneiden vetosauvatestien ansiosta päätettiin valmistaa muutamaan hankkeen demoon osia valumenetelmin. Metsälaidun caseen valettiin lehmille kaulapanta-anturien kotelot. Savustuspönttö-demossa valettiin releelle kotelo. Molemmissa tapauksissa päädyttiin käyttämään polyuretaanivaluhartsia, johon sekoitettiin hiilikuitusilppua.

Esivalmistelut 

Kappaleille valmistettiin valamista varten valupedit. Pedit 3d-mallinnettiin hieman suuremmiksi kuin itse kappaleet ja tulostettiin (kuvakokoelma 3). Kaulapantakotelon kanssa käytettiin muottisilikonia. Silikonimuotti tehtiin hyödyntäen valmiiksi 3d-tulostettua prototyyppiä kotelosta. Silikonimuotilla saatiin todella tarkasti kopioitua kaikki kotelon muodot, lehmäkuosi mukaan luettuna.

Kuvakokoelma 3. Kaulapantakotelon valupedin ja kannen 3D-mallinnos. (Toni Toikka)

Releen kotelon esityö vaiheessa 3d-tulostettiin valupedit, kuten kaulapantakotelonkin kanssa mutta näiden petien kanssa ei käytettykään muottisilikonia vaan päädyttiin vain päällystämään pedit alumiiniteipillä ja lopuksi valelemaan muotinirroitusvahalla. Kuvakokoelmassa 4 on esitetty valupedin pohja ja kansi. 

Kuvakokoelma 4. Relekotelon valupedin A ja B osien 3D-mallinnos. (Toni Toikka)

Valaminen 

Kun esityöt oli viimeistelty, oli aika aloittaa osien valaminen. Hartsin komponentit sekoitettiin ohjeen mukaisesti. Kaulapantakoteloiden kohdalla silikonimuotit täytettiin kerroksittain, vähän hartsia ja sen päälle tökittiin hammastikulla tiiviisti hiilikuitusilppua. Tuli ilmi, että hartsi alkaa kovettua todella nopeasti, tämän takia nousi pieni kiireen tunne. Valut kuitenkin saatiin valettua ja kappaleet jätettiin kuivumaan.

Kuivumisajan kuluttua aloitettiin irrotella kappaleita muoteistaan. Silikonimuotteja tukevat valupedit olivat hieman jämähtäneet kiinni toisiinsa, joten niiden irrotus tuotti hieman työtä. Silikoni toisaalta irtosi hyvin kappaleesta.

Irrottaessa muotteja havaittiin, että oli hieman yliarvioitu hiilikuituhartsin kestävyys. Osa kappaleista oli hyvin haperoa ja osaan kappaleita oli muodostunut runsaasti ilmakuplia. Havaittiin, että tällä tekniikalla hyvin pienien ja tarkkojen muotojen tekeminen on haastavaa.

Releen kotelon kanssa oli opittu ja tehtiin suoraan reilusti suurempi seinämävahvuus ja mahdollisimman pyöreät muodot kappaleeseen. Valettaessa hiilikuitusilppu sekoitettiin suoraan hartsin sekaan ja kaadettiin koko seos kerralla muottiin. Tällä tavoin menettelemällä hiilikuidun osuus materiaalissa vähenee hieman mutta onnistumisprosentti kasvaa.

Myös releen kotelon valupetien irrotus oli oma työnsä mutta suuren materiaalivahvuuden ansiosta ei tarvinnut varoa. Pedit irrotettiin kappaleista, saranoitiin ja viimeisteltiin. Lopputulos on esillä kuvakokoelmassa 5.

Kuvakokoelma 5. Releen kotelo. (Toni Toikka)

Yhteenveto

Kappaleiden valmistaminen tällä tavoin on toimiva ratkaisu silloin, kun valettava kappale on yksinkertaisen muotoinen, riittävän suuri ja seinämävahvuudeltaan riittävä. Testien mukaan, karkeasti arvioiden, kun seinämävahvuus ylittää 5 millimetriä, työstettävyys helpottuu huomattavasti.

Suurpiirteisien kappaleiden kanssa työskentely on helpohkoa tällä tavoin. Yksinkertaisen muotoisien kappaleiden kanssa on suoraviivaisempaa käyttää vain alumiiniteippiä ja muotinirrotusvahaa kappaleen ja pedin välissä.

Mikäli kappale sisältää paljon tarkkoja muotoja ja muotoilua, kannattaa petien välissä käyttää silikonimuottia ja sekoittaa hiilikuitusilppu vasta valuvaiheessa hartsiin.

Testien perusteella, voidaan todeta 3d-mallinnuksen ja tulostuksen yhdistettynä hiilikuituhartsivalamiseen olevan toimiva ratkaisu, kun tavoitellaan näyttäviä kappaleita. Valaminen on varteenotettava tekniikka erityisesti silloin, kun 3d-tulostusmateriaaleista ei löydy sopivaa materiaalia käyttötarkoitukseen.

2 Demonstraatiot ja kokeilut

Haastatteluissa, yritysvierailuilla ja yhteisissä työpajoissa nousi esiin useita käytännön kehitystarpeita, joihin olemassa olevat ratkaisut eivät täysin vastanneet. Näiden havaintojen pohjalta hankkeessa päätettiin pilotoida teknologioita todellisissa käyttöympäristöissä. Demonstraatioiden tavoitteena oli arvioida uusien ratkaisujen teknistä toimivuutta, käytettävyyttä sekä soveltuvuutta erityisesti Lapin ja arktisten olosuhteiden asettamiin vaatimuksiin. Samalla kokeilut tarjosivat mahdollisuuden yhdistää hankkeen keskeisiä teemoja, kuten drooniteknologiaa, IoT-ratkaisuja, energianhallintaa, anturointia, automaatiota sekä digitaalista tiedonkeruuta, konkreettisiksi ja käytännössä testattaviksi sovelluksiksi. Hankkeessa toteutettiin yhteensä seitsemän demonstraatiota ja kokeilua, jotka esitellään seuraavaksi.

• Koirien verijälkikoulutus droonia hyödyntämällä
• Metsälaitumen energia-autonominen tiedonkeruuyksikkö – käytännön ratkaisu karjan hyvinvoinnin seurantaan
• Kahvilaskuri – käytännön kokeilu IoT-ratkaisujen hyödyntämisestä toimintaympäristössä
• Mäskitikku tuo dataa lehmien rehusta – käytännön esimerkki digitalisaation hyödyntämisestä
• Droonipohjainen 360° videoratkaisu – immersiivinen näkymä ympäristöön ilmasta käsin
• Lämpövahti ratakiskohitsaukseen – käytännön ratkaisu kenttäolosuhteiden haasteisiin
• Älykäs savustuspönttö – perinteisen ratkaisun digitalisointi ja lämpötilanhallinnan optimointi

2.1 Koirien verijälkikoulutus droonia hyödyntämällä

KÄLY-hankkeessa toteutettu droonipohjainen verijäljen tekolaite on esimerkki siitä, miten robotiikkaa, 3D-suunnittelua ja sulautettua elektroniikkaa voidaan hyödyntää käytännönläheisen koulutustarpeen ratkaisemisessa. Kehitystyön taustalla oli koirien kouluttajilta tullut tarve kehittää uusi menetelmä verijälkien tekemiseen maastossa. Verijälkiä käytetään koirien kouluttamisessa haavoittuneen eläimen jäljittämiseen, mutta perinteisessä menetelmässä jälki tehdään ihmisen toimesta raahaamalla narun päähän sidottua vereen kastettua sientä maastossa. Menetelmän haasteena on, että maastoon jää veren lisäksi myös ihmisen hajujälkeä. Tämä herättää kysymyksen siitä, oppiiko koira seuraamaan varsinaista verijälkeä vai ihmisen jättämää hajua.

Lähtökohtana oli kehittää ratkaisu, jolla verijälki voidaan tehdä maastoon ilman, että ihminen kulkee jäljen päällä tai sen välittömässä läheisyydessä. Tavoitteena oli rakentaa drooniin liitettävä annostelulaitteisto, jonka avulla verta voidaan levittää hallitusti maastoon ilmasta käsin. Ratkaisun tuli olla mahdollisimman kevyt, yksinkertainen ja käytännön kenttäolosuhteisiin soveltuva. Samalla sen tuli olla ohjattavissa droonin lennätyksen yhteydessä siten, että verijäljen tekeminen olisi turvallista ja toistettavaa.

Drooniksi valittiin pienikokoinen DJI Mavic 2 Enterprise, joka edustaa helposti saatavilla olevaa ja suhteellisen yleistä droonikalustoa. Valinta toi kuitenkin merkittäviä reunaehtoja laitteiston suunnittelulle. Droonin hyötykuorman kantokyky oli rajallinen, ja testien perusteella maksimikuormaksi arvioitiin noin 500 grammaa. Tämä tarkoitti, että annostelulaitteiston, kiinnikkeiden, elektroniikan ja mukana kuljetettavan veren kokonaispaino tuli pitää mahdollisimman pienenä.

Kehitystyö aloitettiin 3D-skannaamalla drooni, jotta siihen voitiin suunnitella sopivat kiinnitysmekanismit (kuvakokoelma 6). Skannauksen perusteella pystyttiin mallintamaan droonin muotoihin sopivat osat ja varmistamaan, että laitteisto saadaan kiinnitettyä tukevasti ilman, että se häiritsee droonin toimintaa. Kiinnitysmekanismit valmistettiin 3D-tulostamalla PLA Aero -materiaalista, joka valittiin sen keveyden ja riittävän mekaanisen kestävyyden vuoksi.

Kuvakokoelma 6. Droonin 3D-skannaus ja kiinnitysmekanismien suunnittelu. (Jani Sipola)

Useiden iteraatiokierrosten ja käytännön testien jälkeen annostelulaitteiston perusratkaisuksi muodostui iso lääkeruisku, jousikuormitteinen mäntä sekä puristusventtiili. Venttiiliratkaisussa letkua puristetaan epäkeskoakselin avulla, jolloin veren virtausta voidaan ohjata hallitusti. Ratkaisu mahdollistaa yksinkertaisen ja kevyen rakenteen, jossa liikkuvien osien määrä pysyy vähäisenä. Tämä on tärkeää erityisesti droonikäytössä, jossa jokainen lisägramma vaikuttaa lentoaikaan, vakauteen ja turvallisuuteen.

Annostelulaitteiston ohjaus toteutettiin droonin kauko-ohjaimen avulla. Sähkövirta otettiin droonin lisälaitteille tarkoitetusta liittimestä, jolloin erillistä virtalähdettä ei tarvittu. Veren annostelua varten laitteistoon tarvittiin lisäksi ohjauselektroniikka, joka mahdollistaa veren annostelun lennon aikana. Näin lentäjä pystyy käynnistämään ja pysäyttämään veren annostelun tarpeen mukaan sekä säätämään jäljen muodostumista maaston ja harjoitustilanteen mukaan (kuvakokoelma 7).

Kuvakokoelma 7. Droonin alle kiinnitetty verijäljen annostelulaitteisto. (Jouni Kanto)

Testien aikana ruiskussa käytettiin noin 100–200 millilitraa verta. Tällä määrällä pystyttiin tekemään kokeiluissa muutaman sadan metrin pituinen verijälki. Jäljen pituuteen vaikutti erityisesti annostelulaitteen asetus, eli kuinka nopeasti verta päästettiin maastoon. Testit osoittivat, että pienelläkin verimäärällä voidaan saada aikaan koulutuskäyttöön soveltuva jälki, kun annostelu on riittävän hallittua.

Kehitystyössä korostui myös droonitoimintaan liittyvä lupaprosessi. Koska droonista pudotetaan hyötykuormaa, tässä tapauksessa verta, toiminta edellyttää erityisen kategorian toimintalupaa Traficomilta. Hankkeessa haettiin lupa hankkeen loppuun saakka, ja lupa kattaa verijäljen tekemiseen liittyvän lentotoiminnan. Lupahakemusta varten laadittiin useita dokumentteja, kuten CONOPS eli toiminnan kuvaus, SORA-riskinarviointi sekä OSO-taulukko, jossa kuvataan toiminnan turvallisuustavoitteita.

Hakemukseen saatiin toiminnan luonteen vuoksi joitakin kevennyksiä. Täyttä toimintakäsikirjaa ei tarvinnut laatia, vaan hakemuksen liitteeksi riitti CONOPS, joka on osa varsinaista toimintakäsikirjaa. Lupaprosessi osoittautui kuitenkin työlääksi, sillä tarvittavia tietoja ja dokumenttien sisältövaatimuksia ei ollut helposti saatavilla yhdestä paikasta. Osa vaatimuksista oli kuvattu yleisellä tasolla Traficomin drooniinfo-sivuilla, mutta merkittävä osa tiedoista tuli selvittää EASA:n dokumentaatiosta ja verkkosivuilta. Prosessi vaati perehtymistä ilmailualan turvallisuuskäsitteisiin, riskienhallintaan ja toiminnan määrittelyyn.

Luvan käsittely kesti noin kuukauden, mikä oli selvästi lyhyempi aika kuin tyypillinen 3–5 kuukauden käsittelyaika. Käsittelyä nopeutti toiminnan luonne. Lentotoiminta tapahtuu matalalla lentokorkeudella, hitaalla lentonopeudella ja harvaan asutulla alueella, riittävän kaukana sivullisista ihmisistä. Näiden tekijöiden ansiosta toiminnan riskit pysyivät matalassa riskiluokassa, ja riskien hallinta voitiin osoittaa kohtuullisin toimenpitein.

Pilotointivaiheessa laitteistoa testattiin käytännön harjoitustilanteissa (kuvakokoelma 8). Pilotoinnin perusteella verijälki kannattaa tehdä avoimelle alueelle, kuten uudistushakatulle alueelle. Tällaisessa ympäristössä droonin lennättäminen on helpompaa, ja lentäjä voi pysyä paikallaan lennon aikana. Avoin alue parantaa myös näkyvyyttä ja helpottaa droonin hallintaa. Testeissä koirat seurasivat droonilla tehtyä verijälkeä hyvin, ja toimintaa voitiin seurata etäältä ilman, että ylimääräiset ihmiset kulkivat jäljen läheisyydessä ja sekoittivat hajumaailmaa.

Kuvakokoelma 8. Testit maastossa ja veren annostelulaitteisto droonissa. (Mika Turska)

Kokeissa tehtiin myös kiinnostava havainto perinteisen menetelmän haasteista. Kun verijälkeen muodostui katkos ja sen läheisyydessä oli pelkkä ihmisen tekemä jälki, koira lähti seuraamaan ihmisen jälkeä, vaikka siinä ei ollut verta. Tämä tuki alkuperäistä oletusta siitä, että ihmisen hajujälki voi vaikuttaa koiran käyttäytymiseen koulutustilanteessa. Havainto korostaa droonipohjaisen menetelmän hyötyä, sillä sen avulla voidaan tuottaa verijälki ilman ihmisen välitöntä kulkua jäljellä.

Demosta tuotettiin myös videojulkaisu, jossa esitellään ratkaisun toimintaa käytännössä:
https://www.youtube.com/watch?v=-OvjboIhqFM

Kokonaisuutena droonipohjainen verijäljen tekolaite osoittaa, että suhteellisen pienellä ja yleisesti saatavilla olevalla droonikalustolla voidaan toteuttaa uudenlainen koulutustyökalu koirien jäljestämisharjoitteluun. Ratkaisu yhdistää drooniteknologian, 3D-skannauksen, 3D-tulostuksen, mekaanisen annostelun ja ohjauselektroniikan käytännönläheiseksi kokonaisuudeksi. Samalla se havainnollistaa, että onnistunut tekninen demo vaatii varsinaisen laiterakentamisen lisäksi myös turvallisuusvaatimusten, lupaprosessien ja käyttöympäristön huolellista huomioimista.

KÄLY-hankkeen näkökulmasta demo toimii konkreettisena esimerkkinä siitä, miten digitaalista suunnittelua ja älykkäitä laiteratkaisuja voidaan soveltaa uudenlaisiin kenttäkäyttötilanteisiin. Ratkaisu vastaa suoraan käyttäjiltä tunnistettuun tarpeeseen ja tuottaa samalla uutta tietoa sekä koirien kouluttamisen menetelmistä että droonien hyödyntämisestä maasto-olosuhteissa. Demo osoittaa myös iteratiivisen kehittämisen merkityksen: toimiva ratkaisu syntyi vaiheittain kokeilujen, testien ja havaintojen pohjalta. Jatkokehityksessä voidaan tarkastella esimerkiksi annostelun tarkempaa säätöä, suuremman hyötykuorman mahdollistavia droonialustoja, pidempien jälkien tekemistä sekä koulutustilanteiden dokumentointia ja analysointia.

2.2 Metsälaitumen energia-autonominen tiedonkeruuyksikkö – käytännön ratkaisu karjan hyvinvoinnin seurantaan

KÄLY‑hankkeessa toteutettu Metsälaidun case osoittaa, miten energian harvestointi ja langaton viestintä voivat tuoda karjan hyvinvoinnin seurannan navetan ulkopuolelle. Casessa oli tarkoitus kerätä luotettavaa tietoa eläinten käyttäytymisestä ja aktiivisuudesta myös silloin, kun karja laiduntaa ulkona navetasta, metsäalueilla. Perinteiset ratkaisut ovat usein riippuvaisia kiinteästä sähköstä ja lyhyestä kantamasta, mikä rajoittaa niiden käyttöä luonnonmukaisissa laidunympäristöissä.

Tavoitteena oli suunnitella energiaomavarainen ja huoltovapaa ratkaisu, joka toimii autonomisesti, yhtäjaksoisesti ja pitkään haastavissakin kenttäolosuhteissa. Lopulta kokoonpano muodostui neljästä eri laitteesta, jotka yhdessä loivat toimivan, juuri metsälaitumelle sopivan kokonaisuuden (Kuva 8).

Kuva 8. Tiedonkeruulaite, pantojen laturi ja kaksi pantaa (Toni Toikka)

Tiedonkeruuyksikkö päätettiin sijoittaa metsälaitumella sijaitsevaan ruokintahäkkiin pienen aurinkopaneeliakku laitteen kanssa, josta saatava sähkö riitti laitteelle. Tiedonkeruuyksikön tehtävänä on vastaanottaa dataa kaulapannoilta. Käyttäjä pääsee dataan käsiksi Wifi-yhteyden ansiosta. Laitteistoon kuului Wifi-tukiasema, jonka kautta liikenne tapahtuu. Tukiasema sai virtansa akusta, jota ladattiin kentälle sijoitetulla aurinkopaneelilla.

Lehmille tarkoitetut kaulapanta-anturit suunniteltiin eläimelle ergonomiseksi ja turvalliseksi, huomioiden mahdollisimman pyöreä muotoilu ja paino. Kotelot 3d-tulostettiin säänkestävästä materiaalista. Pannoissa käytettiin lipo akkuja (litiumpolymeeriakkuja) sekä syväuni-tilaa, joiden ansiosta ne toimivat ilman ulkoista energianlähdettä parhaimmillaan viikkoja. Energiabudjetti suunniteltiin tarkasti, jotta langaton viestintä, sensorien luku ja datan välitys voitiin toteuttaa luotettavasti myös vaihtelevissa sääolosuhteissa.

Testausvaiheessa toimiva prototyyppi kuljetettiin eräälle Lapissa sijaitsevalle maatilalle. Testauksen aikana varmistettiin, että energian harvestointi riittää laitteen jatkuvaan toimintaan ja että langaton viestintä toimii luotettavasti.

Demo osoittaa, kuinka energiaomavaraiset ja langattomat teknologiat voivat tukea karjan seurantaa laidunalueilla. Samalla demo todistaa, miten prototyyppivaiheen ratkaisuja voidaan iteratiivisesti kehittää kohti laajempaa kenttätestausta ja käytännön käyttöönottoa, kun elektroniikka, viestintätekniikka ja käyttöympäristön tarpeet kulkevat käsi kädessä. Videomateriaali demon toteutuksesta on nähtävissä videolla: https://www.youtube.com/watch?v=uJP5CIxlEJY.

2.3 Kahvilaskuri – käytännön kokeilu IoT-ratkaisujen hyödyntämisestä toimintaympäristössä

KÄLY‑hankkeen tavoitteena oli edistää digitaalisten ratkaisujen hyödyntämistä käytännön toimintaympäristöissä sekä vahvistaa osaamista uusien teknologioiden soveltamisessa. Yhtenä konkreettisena kokeiluna toteutettiin kahvilaskuri, jonka kehitystyö tarjoaa havainnollisen esimerkin IoT‑ratkaisujen mahdollisuuksista ja käyttöönottoon liittyvistä haasteista. (kuva 9)

Kokeilun lähtökohtana oli tutustua LoRaWANiin sekä yhdistää se selkeään tarpeeseen automatisoida henkilökunnan kahvinkulutuksen seuranta ruokalassa. Aiemmin kulutusta seurattiin manuaalisesti. Tavoitteena oli kehittää ratkaisu, joka tuottaa luotettavaa, reaaliaikaista dataa vähentäen samalla manuaalista työtä.

Kuva 9. Kahvilaskuri. (Mika Turska)

Ensimmäinen toteutus perustui LoRaWAN-teknologiaan, joka valittiin sen energiatehokkuuden ja pitkän kantaman vuoksi, sekä tämä oli myös valikoitunut yhdeksi keskeiseksi teemaksi. Teknisesti ratkaisu osoitti, että yksinkertaisellakin anturipohjaisella järjestelmällä voidaan kerätä relevanttia käyttödataa. Kuitenkin käytännön pilotointi toi esiin merkittäviä haasteita. Tiedonsiirrossa ilmeni viiveitä ja katkoksia, jotka heikensivät datan käytettävyyttä operatiivisessa päätöksenteossa. Lisäksi laitteiston fyysinen kestävyys nousi esiin kriittisenä tekijänä jatkuvassa käytössä.

Pilotoinnin perusteella teknologiaratkaisua tarkasteltiin uudelleen. LoRaWAN osoittautui vähemmän optimaaliseksi suljetussa sisäympäristössä, jossa tiedonsiirrolta vaaditaan nopeutta ja luotettavuutta. Kehityksen seuraavassa vaiheessa ratkaisu siirrettiin WiFi‑pohjaiseksi, hyödyntäen olemassa olevaa verkkoinfrastruktuuria. Samalla toteutettiin laitteiston jatkokehitys, johon sisältyi muun muassa piirilevyn suunnittelu sekä koteloinnin optimointi 3D‑mallinnuksen avulla.

Teknisen toteutuksen ohella keskeinen kehityskohde oli datan hyödyntäminen. Kahvilaskurin arvo ei perustu pelkästään datan keräämiseen, vaan sen analysointiin ja käytettävyyteen. Järjestelmään kehitettiin raportointiominaisuuksia, joiden avulla käyttäjät voivat tarkastella kulutusta ajanjaksoittain ja hyödyntää tietoa toiminnan suunnittelussa.

Kokeilu osoittaa, että IoT‑ratkaisujen käyttöönotto ei ole pelkästään tekninen kysymys, vaan vaatii kokonaisvaltaista tarkastelua. Teknologian valinta tulee suhteuttaa käyttöympäristöön, datan käsittelyyn sekä käyttäjien tarpeisiin. Lisäksi pilotointi korostaa iteratiivisen kehittämisen merkitystä. Ensimmäinen ratkaisu toimii harvoin optimaalisesti, mutta kokeilujen kautta voidaan tunnistaa toimivat lähestymistavat.

Kahvilaskuri toimii käytännön esimerkkinä siitä, miten digitalisaatiota voidaan soveltaa käytännössä pienimuotoisestikin. KÄLY‑hankkeen näkökulmasta kokeilu tukee erityisesti kolmea keskeistä tavoitetta. Osaamisen kehittämistä, datan hyödyntämistä sekä käytännönläheisten ratkaisujen pilotointia.

Kahvilaskurin toiminnasta ja käytettävyydestä kerättiin webropol-kyselyllä palaute, johon saatiin 58 positiivista palautetta eikä yhtään negatiivista. Kahvilaskuria pidetään yleisesti erittäin toimivana, helppokäyttöisenä ja käytännöllisenä ratkaisuna, joka on koettu selvästi paperiversiota paremmaksi. Laite nopeuttaa kirjaamista, vähentää virheitä ja helpottaa sekä käyttäjien että ravintolahenkilökunnan työtä. Käyttö koetaan vaivattomaksi ja jopa innostavaksi ja ratkaisu on saanut positiivista palautetta myös ulkoasustaan. Yksittäisenä huolena nostettiin esiin varmuus siitä, että kaikki kirjaukset siirtyvät varmasti laskutukseen. Kokonaisuutena palaute on erittäin myönteistä ja ratkaisua suositellaan laajennettavaksi laajemminkin.

Demonstraatiosta tehtiin julkaisu: Kahvilaskurin matka – kupillinen kerrallaan – Lapin ammattikorkeakoulu

2.4 Mäskitikku tuo dataa lehmien rehusta – käytännön esimerkki digitalisaation hyödyntämisestä

Tässä demonstraatiossa yhdistettiin maatalous, teollisuuden sivuvirrat ja IoT-teknologia. Tuloksena syntyi yksinkertainen ratkaisu “mäskitikku”, jonka avulla voidaan seurata lehmien rehuna käytettävän panimomäskin laatua reaaliaikaisesti.

Kaikki sai alkunsa hyvin konkreettisesta tarpeesta. Tornion panimolla syntyy oluen valmistuksen sivutuotteena runsaasti mäskiä, jota hyödynnetään paikallisella maitotilalla lehmien rehuna. Vaikka mäski on ravinteikasta ja käyttökelpoista, sen säilyvyys aiheuttaa haasteita. Korkean kosteuspitoisuuden vuoksi se pilaantuu nopeasti, eikä sen kuntoa pystytä arvioimaan luotettavasti pelkän silmämääräisen tarkastelun perusteella. Tämä vaikeuttaa sen tehokasta hyödyntämistä ja lisää riskiä rehuhävikille.

KÄLY‑hankkeen puitteissa syntyi ajatus kehittää ratkaisu, joka toisi tilanteeseen läpinäkyvyyttä datan avulla. Näin syntyi mäskitikku, joka seuraa mäskin lämpötilaa ja kosteutta suoraan varastointikontissa (kuva 10). Anturilta kerätty tieto siirtyy langattomasti verkon kautta järjestelmään, jossa sitä voidaan tarkastella reaaliaikaisesti ja historiatietona. Tämä antaa käyttäjälle aivan uudenlaisen mahdollisuuden arvioida, milloin rehu on käyttökelpoista ja milloin se on menettänyt laatunsa.

Ratkaisun toteutus perustui valmiin maatalouskäyttöön tarkoitetun anturin muokkaamiseen uuteen käyttötarkoitukseen. Laite yhdistettiin IoT-verkkoon, ja datan käsittely sekä visualisointi toteutettiin avoimen lähdekoodin työkaluilla. Näin syntyi kustannustehokas kokonaisuus, joka on helposti laajennettavissa ja muokattavissa erilaisiin käyttökohteisiin.

Kuva 10. Mäskitikku varastoinikontissa. (MikaTurska)

Projektissa kohdattiin myös käytännön haasteita, jotka ovat tyypillisiä uusien teknologioiden kokeilussa. Anturien toiminta ei ollut heti odotetun mukaista, ja mittaustulosten luotettavuus vaihteli, koska laite oli alun perin suunniteltu maaperän mittaamiseen eikä vastaavaan orgaaniseen materiaaliin. Tämä johti tarpeeseen testata, säätää ja arvioida vaihtoehtoisia mittaustapoja. Loppujen lopuksi mittatikusta ei saatu luotettavia kosteusarvoja ikinä ulos. Haasteista huolimatta ratkaisu osoitti selvästi, että oikeanlainen datankeruu voi tuoda merkittävää lisäarvoa myös perinteisiin toimialoihin.

Keskeinen oppi kokeilusta on se, että digitalisaatio ei tarkoita monimutkaisia järjestelmiä, vaan usein yksinkertaisia ja käytännönläheisiä ratkaisuja, jotka vastaavat todellisiin tarpeisiin. Mäskitikku on hyvä esimerkki siitä, miten pienelläkin kehitystyöllä voidaan parantaa resurssitehokkuutta, vähentää hävikkiä ja tukea kiertotaloutta.

Laajemmin tarkasteltuna kokeilu osoittaa, kuinka tärkeää on yhdistää eri toimijoita. Teollisuutta, maataloutta ja koulutusorganisaatioita. Yhteistyön kautta syntyy ratkaisuja, joita yksittäinen toimija ei välttämättä pystyisi kehittämään. Samalla se osoittaa, miten käytännön kokeilut ovat keskeinen keino uuden teknologian käyttöönotossa. Oppiminen tapahtuu tekemisen kautta.

KÄLY‑hankkeen näkökulmasta mäskitikkudemo on konkreettinen esimerkki siitä, miten dataa voidaan tuoda osaksi arjen päätöksentekoa. Se osoittaa, että digitalisaatio ei ole vain suurten järjestelmien kehittämistä, vaan enemmänkin kykyä tunnistaa oikeat käyttökohteet ja rakentaa niihin toimivia, helposti hyödynnettäviä ratkaisuja.

Demosta tehtiin julkaisu: Mäskitikku tuo dataa lehmien rehusta – Lapin ammattikorkeakoulu

2.5 Droonipohjainen 360° videoratkaisu – immersiivinen näkymä ympäristöön ilmasta käsin

KÄLY-hankkeessa toteutettu droonipohjainen 360 asteen videoratkaisu on esimerkki siitä, miten olemassa olevaa kuvaus- ja paikkatietoteknologiaa voidaan yhdistää uudenlaisen, immersiivisen käyttäjäkokemuksen tuottamiseksi. Kehitystyön lähtökohtana oli yhteistyökumppanin esittämä tarve: voitaisiinko toteuttaa Google Street View -tyylinen liikuttava näkymä hyödyntäen droonikuvausta ja 360° videotekniikkaa. Tavoitteena oli luoda ratkaisu, jossa käyttäjä voi tarkastella ympäristöä vapaasti ja edetä kuvattua reittiä pitkin saumattomasti.

Ratkaisun kuvausalustana hyödynnettiin DJI Mavic -droonia, johon kiinnitettiin GoPro 360 -kamera (kuva 11). Kameran asentamiseksi drooniin suunniteltiin ja toteutettiin 3D-tulostettu koroke, jonka avulla saatiin riittävä näkökulma esteettömään 360° kuvaukseen. Rakenteellinen lisäys toi kuitenkin mukanaan merkittäviä haasteita: kameran aiheuttama lisäpaino vaikutti droonin lento-ominaisuuksiin, heikentäen vakautta ja vaikeuttaen hallittavuutta erityisesti tuulisissa olosuhteissa. Lisäksi sääolosuhteet, kuten kosteus, aiheuttivat ajoittaisia toimintahäiriöitä, mikä korosti kenttäolosuhteiden vaikutusta kuvausjärjestelmän luotettavuuteen.

Kuva 11. GoPro 360 -kamera droonissa. (Jouni Kanto)

Kuvausdata kerättiin GoPro 360 -kameralla, joka mahdollistaa täydellisen pallomaisen näkymän tallentamisen yhdellä laitteella. Tallennetun materiaalin hyödyntäminen edellytti usean vaiheen käsittelyprosessia. Ensimmäisessä vaiheessa raakavideo muunnettiin GoPro Player -ohjelmalla mp4-muotoon jatkokäsittelyä varten. Tämän jälkeen videosta erotettiin siihen tallennettu paikannusdata ulkoisella työkalulla, jolloin saatiin tiedostomuodossa droonin lentoreittiä vastaava paikkatieto.

Seuraavassa vaiheessa kuvamateriaalista muodostettiin 360° kuvasarjoja sekä niitä vastaava paikannuspolku. Tätä varten kehitettiin tarkoitukseen räätälöity työkalu, joka koostuu Windows-ympäristössä suoritettavasta bat-skriptistä, ffmpeg-kuvamuuntimesta sekä Pythonilla toteutetusta ohjelmasta reittidatan käsittelyyn ja laskentaan. Ratkaisun avulla videosta voitiin generoida sarja staattisia 360° kuvia, jotka ovat sidottu tarkasti lentoreitin pisteisiin.

Lopuksi tuotettu aineisto vietiin verkkosivustolle, jossa se esitetään käyttäjälle interaktiivisessa muodossa. Valmiissa näkymässä käyttäjä voi pyörittää 360° kuvaa vapaasti eri suuntiin sekä liikkua dronen lentoreittiä pitkin eteen- ja taaksepäin. Lisäksi käyttöliittymään on integroitu karttanäkymä, joka havainnollistaa dronen sijainnin suhteessa ympäristöön reaaliaikaisesti kuvapisteiden välillä liikuttaessa.

Kehitystyön aikana tunnistettiin useita keskeisiä oppeja ja kehityskohteita. Laitteiston osalta droonin kantokyvyn ja kuormituksen optimointi nousi keskeiseksi tekijäksi, samoin sääolosuhteiden vaikutus kuvausprosessiin. Toisaalta ohjelmallinen ratkaisu osoittautui joustavaksi ja skaalautuvaksi, mahdollistaen erilaisten reittien ja kuvauskohteiden käsittelyn ilman merkittäviä muutoksia prosessiin.

Kokonaisuutena demo osoittaa, että suhteellisen kevyellä laitteistolla ja avoimen lähdekoodin työkaluja hyödyntäen voidaan rakentaa toimiva ja visuaalisesti vaikuttava ratkaisu, joka tuo uuden ulottuvuuden ympäristön tarkasteluun. Projekti korostaa erityisesti eri teknologioiden – droonikuvauksen, 360° videon, paikkatiedon ja web-visualisoinnin – yhdistämisen mahdollisuuksia.

KÄLY-hankkeen näkökulmasta ratkaisu toimii konkreettisena esimerkkinä siitä, miten digitaalisten työkalujen yhdistelmällä voidaan luoda uusia palvelukonsepteja. Se havainnollistaa myös iteratiivisen kehittämisen merkitystä: nopea pilotointi mahdollisti teknisten haasteiden tunnistamisen ja ratkaisun toimivuuden arvioinnin käytännössä, tarjoten pohjan jatkokehitykselle ja mahdollisille tuotantotason sovelluksille.

2.6 Lämpövahti ratakiskohitsaukseen – käytännön ratkaisu kenttäolosuhteiden haasteisiin

KÄLY‑hankkeessa toteutettu kiskohitsauksen lämpövahti on esimerkki siitä, miten digitaalista mittaustekniikkaa voidaan hyödyntää vaativissa kenttäolosuhteissa. Kehitystyön taustalla oli käytännön tarve rataverkon kunnossapidossa. Hitsaustilanteissa lämpötilan on pysyttävä riittävän korkeana, jotta vältetään materiaalin vaurioituminen ja uusintakorjaukset. Erityisesti maasto-olosuhteissa työskentely asettaa lisävaatimuksia mittaukselle, käytettävyydelle ja laitteen luotettavuudelle.

Lähtökohtana oli kehittää yksinkertainen ja helppokäyttöinen ratkaisu, joka mahdollistaa lämpötilan reaaliaikaisen seurannan ilman monimutkaista käyttöliittymää. Erityinen vaatimus oli selkeä hälytysjärjestelmä. Käyttäjän tulee havaita välittömästi, jos lämpötila laskee kriittisen raja-arvon alapuolelle. Käytännössä tämä tarkoitti visuaalisen (LED-hälytysvalo) ja auditiivisen (äänimerkki) palautteen yhdistämistä (kuva 12).

Kuva 12. Lämpövahti valmiina mittaukseen. (Jani Sipola)

Teknisesti ratkaisu toteutettiin mikrokontrolleripohjaisena järjestelmänä, jossa keskeisenä vaihtoehtona oli ESP32-alusta. Lämpötilamittaus perustuu kahteen K‑tyypin termopariin, jotka kiinnitetään hitsattavaan kohteeseen magneeteilla. Ratkaisussa huomioitiin kenttäolosuhteiden käytännön vaatimukset. Magneettikiinnityksen tulee kestää korkeita lämpötiloja (jopa noin 450 °C) ja tarjota riittävä pitovoima. Kahden anturin käyttö mahdollistaa mittauksen luotettavuuden parantamisen ja lämpötilan tasaisuuden seurannan.

Mittausdata käsitellään termoparivahvistimien avulla ja järjestelmään on toteutettu säädettävä hälytysraja. Käyttäjä voi määrittää halutun lämpötilan yksinkertaisella säätimellä, jonka alittuessa laite aktivoi hälytyksen. Lisäksi järjestelmään on suunniteltu datan loggaus, mikä mahdollistaa mittaustietojen jälkikäteisen tarkastelun ja analysoinnin. Loggausratkaisua tarkasteltiin useasta näkökulmasta, kuten laitteen oma muisti, SD‑kortti tai tiedonsiirto ulkoiseen järjestelmään.

Kehitystyössä testattiin myös erilaisia käyttöliittymäratkaisuja. Perustoiminnallisuus toteutettiin aluksi yksinkertaisilla komponenteilla, mutta jatkokehityksessä tarkasteltiin kosketusnäytön käyttöä. Samalla arvioitiin, onko monimutkaisempi käyttöliittymä perusteltu vai onko selkeä ja robusteihin painikkeisiin perustuva ratkaisu käytännössä toimivampi kenttäolosuhteissa.

Pilotointivaiheessa toteutettiin nopeasti toimiva demoversio, joka valmistui noin kuukaudessa. Laitetta testattiin käytännössä, ja sen keskeiset toiminnallisuudet lämpötilan mittaus, hälytysrajan säätö sekä visuaalinen ja auditiivinen hälytys toimivat odotetulla tavalla. Testauksen yhteydessä tunnistettiin myös kehityskohteita. Esimerkiksi äänimerkki todettiin liian hiljaiseksi, mikä johti tarpeeseen tarkastella tehokkaampia hälytysratkaisuja. Vaihtoehtoisena lähestymistapana testattiin myös hälytysten välittämistä Bluetooth‑kuulokkeisiin, mikä osoittautui toimivaksi ratkaisuksi meluisissa ympäristöissä.

Virtaratkaisuksi valittiin paristopohjainen toteutus, joka tukee laitteen liikkuvuutta ja käyttöä ilman ulkoista virtalähdettä. Samalla tarkasteltiin jänniteregulaattorien toimintaa ja energiatehokkuutta, jotka ovat keskeisiä tekijöitä kenttäkäyttöön tarkoitetuissa laitteissa.

Kokonaisuutena lämpövahti osoittaa, että toimiva ratkaisu voidaan rakentaa suhteellisen yksinkertaisista komponenteista, kun suunnittelu perustuu selkeään käyttötarpeeseen. Projekti korostaa iteratiivisen kehittämisen merkitystä. Nopea prototyyppi mahdollistaa testauksen, jonka perusteella ratkaisu voidaan viedä kohti käytännön käyttöä. Samalla se havainnollistaa, että teknologian onnistunut käyttöönotto edellyttää paitsi toimivaa elektroniikkaa myös käyttäjäystävällistä suunnittelua ja käyttötilanteen ymmärtämistä.

KÄLY‑hankkeen näkökulmasta lämpövahti toimii konkreettisena esimerkkinä siitä, miten digitaalisia ratkaisuja voidaan kehittää käytännön tarpeista lähtien. Se yhdistää mittaustekniikan, datan käsittelyn ja käyttöliittymäsuunnittelun kokonaisuudeksi, joka tukee turvallista ja tehokasta työskentelyä. Samalla se antaa arvokasta kokemusta siitä, miten prototyyppivaiheen ratkaisuja voidaan viedä kohti kenttätestausta ja mahdollisia jatkokehityskohteita.

2.7 Älykäs savustuspönttö – perinteisen ratkaisun digitalisointi ja lämpötilanhallinnan optimointi

KÄLY-hankkeessa toteutettu älykäs savustuspönttö on esimerkki siitä, miten perinteinen ja täysin manuaalinen laite voidaan muuttaa tarkasti ohjatuksi ja käyttäjäystävälliseksi digitaaliseksi ratkaisuksi (kuvakokoelma 9). Kehitystyön taustalla oli käytännön tarve: savustuksen lopputulos riippuu merkittävästi lämpötilan hallinnasta, mutta tavanomaisissa ratkaisuissa säätö perustuu käyttäjän kokemukseen ja jatkuvaan manuaaliseen seurantaan. Tämä tekee prosessista epätarkan ja altistaa lopputuloksen vaihtelulle erityisesti pidempikestoisissa savustuksissa.

Lähtökohtana oli kehittää ratkaisu, joka automatisoi lämpötilan seurannan ja säädön, mutta säilyttää käytön yksinkertaisena ja intuitiivisena. Toteutus rakennettiin Raspberry Pi 5 -alustalle, johon liitettiin 8 tuuman kosketusnäyttö. Käyttöliittymä toteutettiin Python-ohjelmointikielellä hyödyntäen PyGame-kirjastoa, mikä mahdollisti kevyen mutta selkeän visuaalisen esitystavan. Käyttäjä voi seurata lämpötiloja reaaliajassa ja muuttaa asetuksia suoraan kosketusnäytön kautta ilman erillisiä ohjauslaitteita.

Lämpötilan mittaus toteutettiin kahdella erillisellä anturilla, jotka palvelevat eri tarkoituksia. Savustuspöntön sisälämpötilaa mitataan K-tyypin termoelementillä, joka soveltuu hyvin korkeisiin lämpötiloihin ja tarjoaa luotettavan mittauksen vaihtelevissa olosuhteissa. Savustettavan tuotteen lämpötilan mittaus perustuu puolestaan kaupalliseen lihalämpömittariin, jonka toiminta nojaa NTC-termistoriin (Lämpötila-anturi, jonka sähköinen vastus pienenee, kun lämpötila nousee). Tämä toi toteutukseen oman teknisen haasteensa, sillä mittaus tuottaa analogisen signaalin, joka täytyy muuntaa digitaaliseksi erillisen ADC-piirin avulla (Analog-to-Digital Converter). Ratkaisussa yhdistettiin näin kaksi erilaista mittausteknologiaa toimivaksi kokonaisuudeksi.

Kuvakokoelma 9. Älykäs savustuspönttö ja mittausdataa. (Mika Turska)

Lämpötilan hallinta perustuu ohjelmalliseen PID-säätöön (Proportional-Integral-Derivative), joka mahdollistaa jatkuvan ja tarkan ohjauksen. Säätöalgoritmi reagoi lämpötilapoikkeamiin ohjaamalla lämmitystä Solid State Releen kautta. Solid State Releen käyttö osoittautui keskeiseksi ratkaisuksi järjestelmän luotettavuuden ja suorituskyvyn kannalta. Koska rele toimii ilman mekaanisia liikkuvia osia, se kestää käytännössä rajoittamattoman määrän kytkentäkertoja ilman kulumista, toisin kuin perinteiset mekaaniset kytkimet. Lisäksi kytkentä tapahtuu viiveettä, mikä mahdollistaa nopean reagoinnin säätötilanteissa ja tukee PID-säätimen tarkkaa toimintaa. Käytännön testien perusteella järjestelmä pystyy pitämään lämpötilan vakaasti asetetussa arvossa noin asteen tarkkuudella, mikä on merkittävä parannus verrattuna manuaaliseen säätöön perustuvaan savustukseen.

Pilotointivaiheessa ratkaisua testattiin käytännön savustustilanteissa. Testien perusteella järjestelmän keskeiset toiminnallisuudet – lämpötilan mittaus, reaaliaikainen visualisointi ja automaattinen säätö – toimivat luotettavasti. Erityisesti PID-säädön vakaus ja Solid State Releen nopea reagointi osoittautuivat keskeisiksi tekijöiksi tasaisen lopputuloksen saavuttamisessa. Samalla korostui käyttöliittymän selkeyden merkitys: yksinkertainen ja suoraan asiaan keskittyvä toteutus tukee laitteen käytettävyyttä myös tilanteissa, joissa käyttäjä keskittyy muihin työvaiheisiin.

Kokonaisuutena projekti osoittaa, että perinteisiä laitteita voidaan merkittävästi kehittää digitaalisten ratkaisujen avulla ilman, että niiden perusidea muuttuu. Yhdistämällä edullisia komponentteja, joustavaa ohjelmistokehitystä ja tarkoituksenmukaista käyttöliittymäsuunnittelua voidaan toteuttaa ratkaisu, joka parantaa prosessin hallittavuutta, vähentää käyttäjän kuormitusta ja lisää lopputuloksen laatua.

KÄLY-hankkeen näkökulmasta älykäs savustuspönttö toimii konkreettisena esimerkkinä siitä, miten digitalisaatio voi tuoda lisäarvoa myös arkisiin ja perinteisiin käyttökohteisiin. Se yhdistää mittaustekniikan, automaattisen ohjauksen ja käyttöliittymäsuunnittelun kokonaisuudeksi, joka tukee hallittua ja toistettavaa lopputulosta. Samalla projekti havainnollistaa iteratiivisen kehittämisen merkitystä: käytännön testauksen kautta ratkaisuja voidaan nopeasti kehittää kohti toimivaa ja luotettavaa toteutusta.

3 Yhteenveto ja johtopäätökset

KÄLY-hankkeen selvitystyö ja demonstraatiot osoittavat, että Lapin alueella on merkittävää potentiaalia älykkäiden ja kestävien teknologiaratkaisujen kehittämiseen ja käyttöönottoon. Alueen pitkät etäisyydet, arktiset olosuhteet, hajautunut infrastruktuuri, vahva teollinen perusta sekä maatalouden ja luonnonvara-alojen erityistarpeet muodostavat toimintaympäristön, jossa älyratkaisuille on selkeä tarve. Selvitystyössä tunnistettiin kuitenkin myös useita haasteita: teknologioiden käyttöönottoon liittyy osaamisvajetta, tietoturvakysymyksiä, investointien kannattavuuden arviointia, datan hyödyntämisen puutteita sekä epävarmuutta siitä, mitkä ratkaisut todella toimivat pohjoisissa kenttäolosuhteissa. Näihin haasteisiin ei vastata pelkästään teknologiaa hankkimalla, vaan tarvitaan pitkäjänteistä kokeilukulttuuria, käyttäjälähtöistä kehittämistä, puolueetonta asiantuntijatukea, koulutusta sekä yritysten, oppilaitosten ja teknologiatoimijoiden tiivistä yhteistyötä.

Hankkeen keskeinen havainto on, että älyratkaisujen kehittäminen on vietävä mahdollisimman lähelle todellisia käyttöympäristöjä. Kentälle jalkautuminen, mittaaminen ja konkreettinen kokeilu tuottivat tietoa, jota ei olisi voitu saada pelkästään toimistotyönä tai kirjallisuusselvityksenä. Tästä hyvä esimerkki oli äänikameran hyödyntäminen sähköverkkoyhtiön, konepajan ja metsäteollisuuden kohteissa. Osalle toimijoista tekniikka oli jo tuttu esimerkiksi osittaispurkausten ja eristevaurioiden tunnistamisesta, kun taas toisille se avasi kokonaan uusia mahdollisuuksia. Kokeiluissa vahvistui käsitys siitä, että äänikamera soveltuu hyvin osittaispurkausten ja ilmavuotojen havaitsemiseen, mutta mekaanisten vikojen tunnistaminen vaatii vielä jatkotutkimusta. Samalla syntyi uusia kehitysideoita, kuten sähkötolppien eristevaurioiden ennakoiva tarkastelu röntgentekniikan avulla. Vaikka röntgenkokeilussa erottelutarkkuus ei riittänyt eristeiden sisäisten rakenteiden tunnistamiseen, kokeilu osoitti tärkeän periaatteen: vaativissa vikadiagnostiikan kohteissa yksittäinen teknologia ei välttämättä riitä, vaan ratkaisu voi syntyä useiden mittaus- ja analyysimenetelmien yhdistämisestä. Tätä kehityssuuntaa tukee myös Lapin AMKissa vuonna 2026 käynnistynyt KUNNIA-hanke, jossa äänikameraa tutkitaan laajemmin yhtenä kunnossapidon teknologiana.

Tekoälyn osalta johtopäätös on kaksijakoinen. Yhtäältä tekoäly on jo selvästi tulossa osaksi yritysten arkea: pk-yrityksissä nähdään tarvetta esimerkiksi dokumentaation järjestämiseen, teknisen tiedon hallintaan ja asiantuntijatyön tukemiseen, kun taas suuret teollisuusyritykset tarvitsevat tekoälyä erityisesti laajojen datamassojen analysointiin, kunnossapidon ennakointiin ja päätöksenteon tueksi. Toisaalta selvitystyö osoitti, että monilla toimialoilla tekoälyyn soveltuvat käytännön tuotteet, integraatiot ja toimintamallit ovat vasta tulossa laajemmin hyödynnettäviksi. Tämä tarkoittaa, että Lapin alueella tarvitaan tekoälyn käyttöönottoon selkeitä kokeiluympäristöjä, turvallisia datankäsittelyn käytäntöjä ja konkreettisia esimerkkitapauksia, joissa yritykset voivat nähdä hyödyt ennen suuria investointeja. Erityisesti tietoturva, luottamuksellinen data ja kriittisen infrastruktuurin vaatimukset korostuvat, kun tekoälyä sovelletaan energia-, teollisuus- ja testausympäristöissä.

Älykkäät ratkaisut palvelevat kestävää kehitystä ennen kaikkea resurssitehokkuuden, turvallisuuden, ennakoitavuuden ja paikallisen toimintakyvyn vahvistamisen kautta. Droonit voivat vähentää tarvetta raskaalle liikkumiselle ja riskialttiille tarkastustyölle, LoRa- ja muut vähävirtaiset anturiratkaisut mahdollistavat etämittauksen pitkien etäisyyksien päästä, tekoäly auttaa tunnistamaan poikkeamia ja kohdentamaan huoltotoimia oikea-aikaisesti, ja 3D-tulostus voi tukea varaosien paikallista valmistusta sekä materiaalien tehokkaampaa käyttöä. Energia-autonomiset ratkaisut, hybridienergiajärjestelmät ja huoltovapaat mittauspisteet ovat erityisen tärkeitä Lapissa, jossa sähkö- ja tietoliikenneyhteyksien rakentaminen kaikkiin kohteisiin ei ole aina taloudellisesti tai ympäristön kannalta järkevää. Kestävän ajattelumallin mukaisesti alueellista omavaraisuutta voidaan vahvistaa myös kehittämällä omaa droonikalustoa, 3D-tulostusosaamista ja mittauskyvykkyyttä, jolloin ratkaisuja voidaan testata, muokata ja ylläpitää paikallisesti.

Demonstraatiot osoittivat, että pienetkin kokeilut voivat synnyttää merkittävää oppia. Esimerkiksi energia-autonomiset tiedonkeruuyksiköt, IoT-pohjaiset mittaukset, 360°-videoratkaisut, lämpötilan valvonta, älykkäät arjen sovellukset ja 3D-tulostetut rakenteet konkretisoivat, miten teknologia voidaan viedä käytäntöön ilman raskaita alkuinvestointeja. Samalla kokeilut toivat esiin iteratiivisen kehittämisen merkityksen: ensimmäinen versio ei useinkaan ole lopullinen ratkaisu, vaan sen avulla tunnistetaan todelliset käyttäjätarpeet, ympäristövaatimukset ja jatkokehityksen suunta. Tämä on erityisen tärkeää Lapissa, jossa ratkaisut joutuvat toimimaan pakkasessa, lumessa, kosteudessa, kaamoksessa ja pitkien huoltoetäisyyksien päässä.

Lapin alueen potentiaali älyratkaisujen osalta rakentuu kolmesta vahvuudesta: todellisista käyttötarpeista, arktisesta testiympäristöstä ja kehittyvästä osaamisverkostosta. Alueella on teollisuutta, kaivoksia, energiainfrastruktuuria, metsätaloutta, maataloutta, poronhoitoa, matkailua ja testausympäristöjä, joissa älyratkaisuilla voidaan tuottaa välitöntä hyötyä. Samalla Lapin vaativat olosuhteet tekevät alueesta luontevan testialustan teknologioille, joiden on toimittava luotettavasti myös äärimmäisissä ympäristöissä. Paikallinen yrityskenttä, Arctic Drone Operation Center -verkoston kaltaiset avaukset, Lapin AMKin TKI-toiminta sekä uudet hankkeet, kuten 3D-tulostukseen ja kunnossapidon teknologioihin liittyvät kehittämiskokonaisuudet, muodostavat perustan, jonka varaan voidaan rakentaa uutta osaamista ja liiketoimintaa.

Kokonaisuutena voidaan todeta, että Lapin älyratkaisujen tulevaisuus ei perustu yksittäiseen teknologiaan, vaan kykyyn yhdistää teknologiat käytännön tarpeisiin. Droonit, tekoäly, robotiikka, anturointi, LoRa-yhteydet, 3D-tulostus, energialouhinta ja data-analytiikka muodostavat työkalupakin, jota voidaan soveltaa eri toimialoilla. Jotta potentiaali muuttuu vaikuttaviksi ratkaisuiksi, tarvitaan lisää käytännön pilotointia, yritysten matalan kynnyksen kokeilumahdollisuuksia, paikallista huolto- ja kehitysosaamista sekä toimintamalleja, joissa teknologian hyöty voidaan osoittaa nopeasti ja ymmärrettävästi. KÄLY-hankkeen perusteella Lapilla on hyvät edellytykset profiloitua arktisten, kestävien ja käytännönläheisten älyratkaisujen kehittäjäksi. Tämä edellyttää kuitenkin sitä, että kehittäminen jatkuu kentällä, yritysten todellisissa ympäristöissä ja konkreettisten ongelmien ratkaisemisena.

4 Lähteet

Agnico Eagle Finland. (2021). Telia rakentaa Kittilän kaivokselle oman 5G-verkon. Viitattu 13.5.2026. https://www.digita.fi/ajankohtaista/telia-rakentaa-kittilan-kultakaivokselle-oman-5g-verkon/

Arslan, Y. (2025). Effects of ultra-cold temperature on thermoplastic (ASA, PLA) parts produced by 3D FDM printing technology. Sadhana Volume 50, article 250. Viitattu 20.5.2026. https://link.springer.com/article/10.1007/s12046-024-02685-3

Automaattinen lypsykone | Lely Astronaut A5 Next. Viitattu 26.5.2026. https://www.lely.com/fi/ratkaisut/lypsy/astronaut-a5/

Bharat Kumar N. et. al (2024). Solar Energy Harvesting Methods for Sustainable Development. Selected Proceedings of the 1st International Conference on Advanced Materials for Sustainable Innovation; IC-AMSI 2024.

Business Oulu. (2025). 3D-tulostus Oulu 25.3.2025. Viitattu 20.5.2026. https://www.businessoulu.com/fi/3d-tulostus-oulu-25-3-2025.html

Caruna. (2023). Dronejen hyödyntäminen sähköverkon tarkastuksessa. Viitattu 22.5.2026. https://www.caruna.fi

Carbon robotics. AI-avusteiset työkalut maataloudessa. Viitattu 3.9.2023. https://carbonrobotics.com/

Consortiq. (2023). Dronejen käyttö vihreässä energiassa. Viitattu 22.5.2026. https://consortiq.com.

Decentlab. LoRaWAN-anturit veden, ilman ja maaperän mittaukseen. Viitattu 29.5.2026. https://www.decentlab.com/products

Digita. Ranniot ja Digita: Teknologia tukemassa poronhoitoa. Viitattu 13.5.2026. https://www.digita.fi/palvelut-yrityksille/digitan-iot-palvelut/artikkelit/ranniot-ja-digitateknologia-tukemassa-poronhoitoa/

DJI. (2023). DJI Dock – automaattinen dronehangaariratkaisu. Viitattu 22.5.2026. https://enterprise.dji.com

DNA. (2020). Oulussa porotaloutta kehitetään NB-IoT-teknologian siivittämänä. Viitattu 13.5.2026. https://www.dna.fi/yrityksille/blogi/-/blogs/oulussa-porotaloutta-kehitetaan-nb-iot-teknologian-siivittamana

DroneDari / Innoite Oy. (2023). Sähkö- ja kaasulinjojen tarkastus droneilla. Viitattu 27.5.2026. https://www.innoite.fi

Hankkija. Dronet maataloudessa: ominaisuudet ja käyttökohteet. Viitattu 1.6.2026. https://www.hankkija.fi/alykas-maatila/viljelyratkaisut/ia-dronet-maataloudessa-ominaisuudet-kayttokohteet-2052664/

Easteam Oy. (2023). Dronet tulevaisuuden sovelluksissa. Viitattu 27.5.2026. https://www.easteam.fi

Elisa. (2026). Porojen paikannuspalvelu. Viitattu 13.5.2026. https://yrityksille.elisa.fi/porojen-paikannuspalvelu.

Energy theory. (2024). 5 Methods of Solar Energy Harvesting. Viitattu 6.5.2026. https://energytheory.com/5-methods-of-solar-energy-harvesting/

Global Growth Insights. (2025). What Are the Top 12 Small Wind Turbines Companies in 2025? Viitattu 6.5.2026. https://www.globalgrowthinsights.com/blog/small-wind-turbines-companies-945

Green Energy insight. (2024). Methods of Harvesting Solar Energy. Viitattu 6.5.2026. https://greenenergyinsight.com/methods-of-harvesting-solar-energy/

GTK. (2022). LeKaT-hankkeen loppuraportti – dronejen käyttö kaivosvalvonnassa. Viitattu 22.5.2026. https://www.gtk.fi/wp-content/uploads/2022/11/LeKaT-loppuraportti-24102022-1.pdf

HaagaHelia. (2023). Tehoa tekoälystä pk-yrityksille! Haaga-Helia ammattikorkeakoulu. Viitattu 22.5.2026. https://www.haaga-helia.fi/fi/tehoa-tekoalysta-pk-yrityksille

HAMK. (2022). Dronet liikennetutkimuksessa. Viitattu 27.5.2026. https://unlimited.hamk.fi.

Hankkija. (2026). Dronet maataloudessa: ominaisuudet ja käyttökohteet. Viitattu 27.5.2026. https://www.hankkija.fi/alykas-maatila/viljelyratkaisut/ia-dronet-maataloudessa-ominaisuudet-kayttokohteet-2052664/?srsltid=AfmBOooL2gu6rdZzDnwdFTpYSh_pqtVWpDhOzON-4KrvszVRV73Yp2Uw

Holt, L. (2026). Design tips for 3D printing materials in cold weather. JawsTec. Viitattu 20.5.2026. https://www.jawstec.com/design-tips-for-3d-printing-materials-in-cold-weather/

Hurja. (2023). Tekoälyn mahdollisuudet teollisuudelle – tehoa, tarkkuutta ja säästöjä. Hurja Solutions Oy. Viitattu 22.5.2026. https://hurja.fi/blogi/tekoalyn-mahdollisuudet-teollisuudelle-tehoa-tarkkuutta-ja-saastoja/

International Labour Organization (ILO). (2026). AI in manufacturing: Challenges and opportunities for promoting decent work, productivity and a just transition. Viitattu 23.5.2026. https://www.ilo.org/sites/default/files/2026-03/TMDWAI-2026-EN_.pdf

Joyance Tech. (2023). Autonominen maatalousdrone. Viitattu 22.5.2026. https://joyance.tech

Järvi-Suomen Energia. (2022). Dronejen käyttö sähköverkon kunnossapidossa. Viitattu 5.5.2025. https://www.jseoy.fi

Kankaanranta, P. (2022). Tekoälyn hyödyntäminen valmistavassa teollisuudessa. Kandidaatintyö, Tampereen yliopisto. https://trepo.tuni.fi/bitstream/handle/10024/131208/KankaanrantaPertti.pdf?sequence=2

Kauppalehti. (2023). Drone-kuljetuksista tulossa iso bisnes. Viitattu 22.5.2026 https://www.kauppalehti.fi.

Kestrel. Wind turbines. Viitattu 22.5.2026. https://www.kestrelwind.co.za/wind-turbines

Kishore R., et. al. (2018). Wind Energy Harvesting: Micro-to-Small Scale Turbines. De Gruyter Textbook

Kolari, M. (2023). Dronejen hyödyntäminen prosessiteollisuuden kunnonvalvonnassa (SSAB). Opinnäytetyö. Viitattu 22.5.2026. https://www.theseus.fi/bitstream/handle/10024/803024/Kolari_Mikko.pdf?sequence=2

Käyhkö L. (2023). Robotiikka mansikan sadonkorjuussa. Opinnäytetyö. Viitattu 27.5.2026. https://www.theseus.fi/bitstream/handle/10024/790752/Opinnaytetyo_Kayhko_Lauri.pdf?sequence=2

Lapin ammattikorkeakoulu. (2026). Lappiin rakentuu arktisen droneosaamisen superkeskittymä. Viitattu 27.5.2026. https://lapinamk.fi/lappiin-rakentuu-arktisen-droneosaamisen-superkeskittyma/

Lely. (2026). Astronaut A5 Next. Viitattu 27.5.2026. https://www.lely.com/fi/campaigns/astronaut/

Lindsey systems. The TLM Conductor Monitor. Viitattu 6.5.2026. https://lindsey-usa.com/sensors/transmission-line-monitor/

LoRa Alliance. (2020). LoRaWAN-paikannuksen menetelmät. Viitattu 29.5.2026. https://lora-alliance.org/wp-content/uploads/2020/11/geolocation_whitepaper.pdf

LoRa Alliance. LoRaWAN-teknologian yleiskuvaus. Viitattu 29.5.2026. https://lora-alliance.org/

Madhu. (2025). The Future of Wind Energy Harvesting. Viitattu 6.5.2026. https://webstoriesshares.com/wind-energy-harvesting/

Miettinen, H. (2022). Dronejen hyödyntäminen energia-alalla. Opinnäytetyö. Viitattu 22.5.2026. https://www.theseus.fi/bitstream/handle/10024/749852/Miettinen_Henri.pdf?sequence=2

Milesight. Maaperä- ja CO₂-anturit. Viitattu 29.5.2026. https://www.milesight.com/iot/product/lorawan-sensor/em500-smtc

Narbrough, M. (2025). Blogi: Showcasing the Potential of 3D Printing at 3D-Tulostus Oulu. REDU. Viitattu 20.5.2026. https://www.redu.fi.

NenPower. (2024). How to harvest solar energy. Viitattu 6.5.2026. https://nenpower.com/blog/how-to-harvest-solar-energy/

Netum. (2023). Tilaustenkäsittely automaattiseksi tekoälyratkaisulla. Viitattu 22.5.2026. https://www.netum.fi/uutishuone/blogi/tilaustenkasittely-automaattiseksi-tekoalyratkaisulla/

Nokia. (2023). Boliden Kevitsa A connected digital mine, case study. Viitattu 13.5.2026. https://www.nokia.com/asset/212311/

Oksanen, O. (2022). Tekoälyn sovellukset valmistavassa teollisuudessa. Opinnäytetyö. https://trepo.tuni.fi/bitstream/handle/10024/139616/OksanenOskari.pdf?sequence=2

Patel, P. (2026). AI in Manufacturing 2026: Solutions, Benefits, Challenges & Implementation Strategy. Viitattu 22.5.2026. https://dzone.com/articles/ai-in-manufacturing-2026-solutions-benefits-challe

Pinja. (2023). Älykkään tuotannon voima: tekoälyn mahdollisuudet teollisessa ympäristössä. Viitattu 22.5.2026. https://blog.pinja.com/fi/alykkaan-tuotannon-voima-tekoalyn-mahdollisuudet-teollisessa-ymparistossa

PKS Sähkönsiirto. (2022). Dronet ja tekoäly sähköverkon tarkastuksessa. Viitattu 22.5.2026. https://www.pkssahkonsiirto.fi

Premachandra, C. (2025). All-UWB SLAM Using UWB Radar and UWB AOA. Iee Robotics and Automation Letters. https://arxiv.org/pdf/2507.15474

Sainio, J. (2025). Sähköistetyn rusnauskoneen autonomisen liikkumisen testaus kaivosolosuhteissa. Diplomityö. https://oulurepo.oulu.fi/bitstream/handle/10024/59958/nbnfioulu-202512177478.pdf?sequence=1

Sandvik Group. (2023). Digitaalinen menee syvälle. Viitattu 6.5.2026. https://www.home.sandvik/fi/tarinat/artikkelit/2023/09/digitaalinen-menee-syvälle/

Sandvik Mining. (2020). Sandvik OptiMine® -järjestelmä Outokummun Kemin kaivokselle. Viitattu 13.5.2026. https://www.mining.sandvik/en/news-and-media/news-archive/2020/02/sandvik-optimine-selected-by-outokumpu-to-drive-digitalization-forward-at-kemi-mine/

Sandvik PDS. Newtrax esteiden tunnistusjärjestelmä (PDS). Viitattu 13.5.2026. https://www.mining.sandvik/fi/digitaaliset-ratkaisut/turvallisuus-ja-ymparisto/proximity-detection-and-collision-avoidance/l%C3%A4heisyydenhavaitsemisj%C3%A4rjestelm%C3%A4-pds/

Skycharge. (2023). Drone Charging Pad BOLO S1. Viitattu 22.5.2026. https://skycharge.de

Superwind. SW 353 wind turbine. Viitattu 22.5.2026. https://www.superwind.com/en/applications/industry/sw-353

Tapio. (2023). Drone on moderni metsäammattilaisen työväline. Viitattu 5.5.2026. https://tapio.fi

TEKTELIC. LoRaWAN-antureiden tyypit ja käyttökohteet. Viitattu 29.5.2026. https://tektelic.com/expertise/guide-to-lorawan-sensors/

The Things Network B. EU863–870 MHz -alueparametrit. Viitattu 29.5.2026. https://www.thethingsnetwork.org/docs/lorawan/regional-parameters/eu868/

The Things Network. LoRa- ja LoRaWAN-teknologian perusteet. Viitattu 29.5.2026. https://www.thethingsnetwork.org/docs/lorawan/what-is-lorawan/

The Things Network. (2022). LoRaWAN-paikantimet. Viitattu 29.5.2026. https://www.thethingsnetwork.org/article/4-most-popular-lorawan-trackers-on-the-market

Traficom. (2023). Dronejen lennättäminen Suomessa. Viitattu 5.5.2026. https://www.traficom.fi

Uusiteknologia. (2023). Uudet miehittämättömät ilma-alusratkaisut. Viitattu 22.5.2026. https://www.uusiteknologia.fi

Wibotic. (2023). Autonominen dronejen latausjärjestelmä. Viitattu 7.5.2026. https://www.wibotic.com

VTT. (2018). Dronet tuuliturbiinien tarkastuksessa. Viitattu 7.4.2026. https://www.vtt.fi.