Puunjalostuskoneet ja erityisesti vanerinvalmistus on ollut perinteisesti korkeasti automatisoitu prosessi (Varis 2017, 101). Tuotannon optimoimiseen on käytetty konenäköä ja analysaattoreita jo kymmeniä vuosia ja nyt niiden tuottamaa tietoa aletaan käyttämään laajemmin yhdessä (Varis 2017, 99–101.) Viilun sorvauslinjalla on tyypillisesti käytössä kaksi eri analysaattoria, jotka optimoivat ja tehostavat raaka-aineen käyttöä. Linjan alkupäässä on pöllin keskitysanalysaattori ja loppupäässä, lopputuotteen, eli viilun leikkaus analysaattori. Keskitysanalysaattorin tehtävänä on asemoida pölli viilusorville siten, että raaka-aine saadaan hyödynnettyä mahdollisimman hyvin. Leikkausanalysaattori mittaa yleensä viilun kosteuden, leikkaa roskat pois, leikkaa kokonaiset hyvät arkit irti viilumatosta ja pinkkaa ne pinoihin. (Varis 2017, 56, 60, 61.)
Analysaattoreiden tietoja yhdistämällä, saadaan linjan loppuvaiheessa tehtävät ratkaisut osaksi linjan alussa olevan analysaattorin toimintaa. Aiemmin pöllin keskitysanalysaattori toimi itsenäisesti, eikä välittänyt siitä, mitä leikkausanalysaattori leikkasi roskiin tai pinkkasi hyväksi tuotteeksi. Lisäksi linjan loppuvaiheessa kuvattu lopputuote voidaan lähettää takaisin linjan alkuun vertailtavaksi aiemman simuloidun lopputuotteen kanssa. Tietojen yhdistämiseen tarvitaan järjestelmä, jolla voidaan seurata tuotteen etenemistä tuotantolinjalla tai vaikka koko tehtaassa. Jokaiselle pöllille annetaan oma tunnus, joka kulkee läpi tuotantolinjan aina pinkattaviin viiluarkkeihin asti. (Lietonen 2022, 24.)
Analysaattoreiden tuottama data vähentää hävikkiä ja lisää tuotannon ymmärrystä
Samalla kun analysaattoreiden tietoja aletaan yhdistämään, tarvitaan lisää tietoa myös tuotannon tiedonkeräysjärjestelmissä. Näiden tietojen yhdistämisestä syntyy myös uutta tietoa tiedonkeräysjärjestelmiin. Esimerkiksi kuinka paljon viilumaton pituuksissa on eroa linjan lopussa ja siinä mitä linjan alussa luultiin sen olevan. Tällaista tietoa voidaan hyödyntää tuotannon tiedonkeräyksessä automaattiseen seurantaan, jolla voidaan vähentää turhaa hävikkiä.
Kun tuotantotiedon määrä kasvaa, voidaan sitä entistä paremmin hyödyntää data-analyyseissä. Kun tietoa aletaan täysin hyödyntämään tehokkailla työkaluilla, niin tiedon määrä kasvattaa tuotantovariaatioiden mahdollisuuksia, joista analyyseissä voidaan etsiä tuottavimpia vaihtoehtoja (Raute Group 2022, 4).
Tulevaisuuden tavoitteena on kasvattaa automaation astetta entisestään ja lisätä analysaattoreiden kykyjä sekä hyödyntää tuotantotietoa sekä tekoälyä tuotannon automatisoimisen lisäämisessä. Useat puulevyntuottajat ovat kärsineet työvoimapulasta ja eräillä on havaittu kiinnostusta poistaa operaattorit linjalta kokonaan, jolloin linjan toiminta tulisi onnistua itsenäisesti, pelkästään isommassa valvomossa olevan operaattorin valvoessa useampaa tuotantolinjaa. Tämä vaatii seuraavaa hyppäystä automaation tasossa, diagnostiikassa sekä analysaattoreiden toiminnassa keskenään. Koko tuotantoprosessin tulisi toimia yhdessä tiedonkeräysjärjestelmän ja tekoälyn avustaessa tuotannon automatisaatiota. (Eskola 2022.)
Kirjoittajat
Minna Asplund, TkL, toimii LAB-ammattikorkeakoulussa lehtorina sekä koordinaattorina insinööri (ylempi AMK) IoT:stä tekoälyyn ja Digitaaliset ratkaisut -koulutuksissa.
Aki Lietonen on LAB-ammattikorkeakoulun opiskelija digitaaliset ratkaisut YAMK-koulutuksessa. Hänellä on lähes kymmenen vuoden työkokemus ohjelmistokehityksestä konenäkö- ja analysaattori sovelluksissa.
Lähteet
Eskola, R. 2022. Artificial Intelligence (AI) in industrial companies – The Basics. Raute. Viitattu 14.12.2022. Saatavissa https://www.raute.com/blog/industry-insights/artificial-intelligence-ai-in-industrial-companies-the-basics/
Lietonen, A. 2022. Viilun tuotantolinjan analysaattoreiden integraatio. YAMK -opinnäytetyö. Lahden ammattikorkeakoulu, tekniikan ala. Lahti. Viitattu 16.12.2022. Saatavissa https://urn.fi/URN:NBN:fi:amk-2022112924951
Kuva 1. Raute Group 2021. Value from veneer factory to customer. Raute Group. Teoksessa Data-driven veneer, plywood and LVL production – improving the production through intelligence. Lahti: Raute Group. 5. Viitattu 4.12.2022. Saatavissa https://www.raute.com/knowledge/data-driven-veneer-plywood-and-lvl-production/
Raute Group 2021. Data-driven veneer, plywood and LVL production – improving the production through intelligence. Lahti: Raute Group. Viitattu 4.12.2021. Saatavissa https://www.raute.com/knowledge/data-driven-veneer-plywood-and-lvl-production/
Varis, R. 2017. Puulevyteollisuus. Porvoo: Bookwell Oy
