Konenäkö nopeuttaa tukkien käsittelyä Nordautomationin linjastoilla
Vähemmän tuotantokatkoksia, enemmän liikkumavaraa valvomotyöhön: tukkienkäsittelylinjastolle kehitetty järjestelmä yhdistää koneoppimista, videodataa ja tietoliikenneteknologiaa.
Modernia linjastoa on haastavaa valvoa ihmisvoimin
Nordautomation on suomalainen, puunjalostusteollisuuden projektitoimituksiin erikoistunut yritys, joka toimittaa tukinkäsittelyratkaisuja pääasiassa sahateollisuudelle. Sen valmistamat kuljettimet siirtävät ja ohjaavat tukkeja tuotannon seuraaviin vaiheisiin, joissa niistä tehdään esimerkiksi laadukasta sahatavaraa rakennusteollisuuden tarpeisiin.
Linjastojen nopeudet ovat kasvaneet viime vuosina todella paljon. Riittää, että valvomotyöntekijän huomio kiinnittyy muutamaksi sekunniksi muualle, ja poikittain asettunut puu ehtii jo aiheuttaa tukoksen. Laitos saattaa pysähtyä, kun paikalle on kutsuttava nosturi ja työntekijöitä tilannetta ratkomaan.
Ongelmien ehkäisy on aina vaatinut paljon tarkkaavaisuutta valvomon työntekijältä.
“Nyt linjastojen vauhdin kiihdyttyä entisestään halusimme löytää keinon automatisoida valvontaa”, sanoo automaatioinsinööri Janne Leppinen Nordautomationilta.
Konenäkö tekee linjastoista luotettavampia
Cinia rakensi Nordautomationille ratkaisun, jossa:
- kamera kuvaa linjaston toimintaa ja seuraa käsittelyyn saapuvia tukkeja
- kameravalvontajärjestelmään kytketyn konenäkösovelluksen algoritmi analysoi lähestyvien tukkien muotoa ja liikettä
- tarkaksi viritetty automaatio havaitsee virhetilanteen ihmisen puolesta jo ennen tukoksen syntymistä,
- järjestelmä tekee hälytyksen ja pysäyttää linjaston, jotta valvomon työntekijä voi ohjata tukit kulkemaan turvallisesti oikealla tavalla.
Konenäkö tunnistaa poikkeamat erittäin herkästi. Kun poikittain tai pystyyn hakeutuvat tukit huomataan reaaliajassa, puutavaravirran ohjaaminen käy helpommin. Ongelmatilanteiden ehkäisy tekee työstä myös turvallisempaa.
Juuri tehokkuus ja toimintavarmuus ovat Nordautomationin kilpailuvaltteja, Leppinen sanoo:
“Konenäkö parantaa suoraan asiakkaidemme tuotannon tehokkuutta. Linjastoa valvovat operaattorityöntekijät seuraavat tuotantoa edelleen, mutta kun automaatio huolehtii kriittisten tilanteiden tunnistamisesta, ihmiset pystyvät käyttämään aikaansa myös muuhun.”
Lue myös: Näin varmistat, että tietoverkkoratkaisu suunnitellaan yrityksesi tarpeita ajatellen
Kuvassa Nordautomationin konenäköratkaisu valvoo tukkien liikkumista linjastossa.
Tekoälystä kilpailukykyä
Puunjalostuslinjastojen nopeuden kasvu on globaali ilmiö. Kilpailussa pysyvät mukana ne yritykset, jotka osaavat ratkoa pullonkauloja tekoälyn ja algoritmien avulla. Kertyvä data auttaa Nordautomationia optimoimaan konenäköjärjestelmää yhä tarkemmaksi. Videokuva helpottaa myös linjastojen mekaanista suunnittelua.
“Kuvamateriaali antaa meille jatkuvasti uutta tietoa virhetilanteista. Tunnistamme, jos esimerkiksi kuljettimessa tietty kohta aiheuttaa ongelmia. Voimme suunnitella ja muokata omia koneitamme ja laitteitamme entistä paremmiksi”, Leppinen kertoo.
Tietoverkko- ja laiteosaamisella tärkeä rooli
“Jotta pystyimme tuomaan oikeasti toimivan ratkaisun Nordautomationin ongelmaan, tarvitsimme sovellustason algoritmiosaamisen lisäksi myös automaatio-, tietoliikenne-, palvelunhallinta-, kamera-, verkko-, ja verkkolaite-osaamista”, listaa koneoppimisen asiantuntija Joram Puumala Cinialta.
“Näiden eri alueiden yhdistäminen on Cinialle hyvin ominaista. Asiakkaamme hyötyvät siitä, ettei heidän tarvitse rakentaa monimutkaista himmeliä useiden eri partnereiden kanssa.”
Keskeinen osa järjestelmää on luotettava, tietoturvallinen etäyhteys kameroihin ja konenäkösovellukseen. Nordautomationin asiantuntijat saavat tarvittaessa reaaliaikaisen videoyhteyden asiakkaiden sahalaitoksille.
“Jos laitteisto jumittuu, voimme tutkia valvomotyöntekijän kanssa, mistä ongelma johtuu ja mitä sille voi tehdä etänä, eikä meidän tarvitse lähteä heti paikan päälle. Jokainen matka-aikaan käytetty tunti on pois asiakkaan tuotantoajasta”, Janne Leppinen antaa esimerkin.
Etäyhteyttä tarvitaan myös kooditason tuotekehitykseen, muistuttaa Puumala:
“Koneoppimismallia varten on kerättävä ensin dataa, jolla saavutetaan tietty tarkkuuden taso, ja sen jälkeen kerätään lisää dataa, jonka avulla mallia päivitetään entistä paremmaksi. Laitteisiin täytyy olla toimiva yhteys, jotta kenenkään ei tarvitse juosta kentälle USB-tikkujen kanssa.”
Lue myös: Tekoälyn mahdollisuudet turvallisuuskriittisissä ympäristöissä
Erillinen järjestelmä madalsi kynnystä konenäön käyttöönottoon
Cinian kehittämä konenäkösovellus laitteineen on oma kokonaisuutensa, joka keskustelee Nordautomationin aiemman teknologian kanssa. Leppinen on tyytyväinen siihen, miten nopeasti yhteydet saatiin toimimaan ja miten hyvin molemmilta osapuolilta löytyi tarvittava osaaminen tiedonvaihtoon järjestelmien välillä.
“Erillisten järjestelmien ratkaisu on meille järkevä. Konenäköön siirtymisen kynnys ei noussut liian korkeaksi. Toisaalta projekti vaati meiltä itseltämme sopivasti panostusta: pääsimme oppimaan uutta, kun oli ratkottava teknologioiden yhteenliittämistä tai kameroiden sijoittelua linjastolla. Cinialta sai aina hyviä vastauksia, jos tuli jotakin kysyttävää.”
Cinia oli konseptin rakentamisessa aktiivinen, mutta hyllyvalmiista paketista ei ollut kyse. Kehittäminen alkoi yhteisellä ongelmakohtien ja ratkaisuvaihtoehtojen kartoittamisella. Matkan varrella esiin nousi sahaympäristölle tyypillisiä erityispiirteitä, kuten tuotantolinjan sijainti taivasalla. Räntäkuurojen tuoman huonon näkyvyyden kaltaisia ongelmia selvitettiin yhdessä etsimällä kameroiden suojaamiseen ja valaistukseen parhaat keinot.
Skaalaetua ja entistä laajempia konenäköratkaisuja
Cinian tiimi on ollut Nordautomationin konenäkösovelluksen rakentamisesta innoissaan. Kumppanuuteen on voitu tuoda keskikokoisen IT-infrayhtiön parhaat puolet: toisaalta kyky rakentaa ratkaisua alusta asti asiakkaan tarpeisiin, toisaalta valmius jatkaa kehittämistä ja kopioida onnistuneet prosessit yhdessä uusiin kohteisiin, yhä useammille sahalaitoksille. Kun pohjatyöt on tehty huolella, monistaminen käy kustannustehokkaasti.
Konenäössä on vielä paljon hyödyntämätöntä potentiaalia, Janne Leppinen ajattelee. Tuotannon kannalta eniten virhetilanteita syntyi revolverikääntäjässä, jossa tukkeja käännetään 90 astetta myötä- tai vastapäivään. Tarkkaan rajattuun ongelmaan tehtiin nyt ratkaisu, joka alkoi toimia täsmällisesti jo ensimmäisten opetusdatakierrosten jälkeen.
“Revolverikääntäjä oli selkeä kohta lähteä liikkeelle. Tarkoitus olisi kehittää järjestelmää tulevaisuudessa muihinkin kriittisiin kohtiin linjastoissamme. Tulevaisuudessa konenäköratkaisu voisi myös ohjata tukkien käsittelyä, ei ainoastaan valvoa ja antaa pysäytyskäskyjä.”
Samaa innostusta koettiin myös Nordautomationilla koko projektin ajan.
“Cinialaiset ovat ehdottaneet koko ajan aktiivisesti uutta. Heidän kanssaan on helppo tehdä yhteistyötä ja porukka on tosi osaavaa”, Leppinen kiittää. “Meille tämä oli yrityksenä iso askel. Pääsimme mukaan konenäön kehitykseen ja voimme oikeasti hyödyntää uutta teknologiaa linjastoissamme.”
