Sellu-, paperi- tai kartonkitehdas on tekoälylle otollinen ympäristö, sillä tuotantoprosessista kertyy valtava määrä mittaus- ja historiatietoa. Tekoälyä käytetään tehtailla muun muassa prosessien optimointiin, laadun ennustamiseen, kunnossapitoon, konenäköön ja työturvallisuuden parantamiseen.  

Tietoja yhdistelemällä koneoppimismalli voi esimerkiksi ennakoida, millaista sellua keitosta on syntymässä tai havaita reagointia vaativia muutoksia prosessissa. 

Ennusteita tulevasta

Metsä Fibre käyttää Suomessa sellu- ja biotuotetehtaillaan seurantaa, joka muodostaa prosessitietojen pohjalta reaaliaikaisia arvioita muun muassa kuidun lujuusominaisuuksista. 

– Näin sellun laadun kehitystä voidaan ennakoida ja prosessiin vaikuttaa jo tuotannon aikana sen sijaan, että odotettaisiin laboratoriotuloksia, Andritz perustelee sivuillaan. Teknologiakonserni toimittaa sellu-, paperi- ja kartonkiteollisuudelle tuotantoteknologiaa, automaatiota ja palveluja. 

Myös Valmetin vastaava järjestelmä perustuu kehittyneeseen prosessinohjaukseen, joka käyttää online-ennusteita ja prosessidataa tuotannon, laadun ja raaka-ainekustannusten optimointiin. Tavoitteena on muun muassa vähentää laadun vaihtelua ja tarvetta ylimääräiseen pelivaran jättämiseen tuotannossa.

Kysyttäessä tekoälyn käyttökohteista tekoäly itsekin muistuttaa, että kaikki älykäs automaatio ei silti ole tekoälyä:

– Tehtaissa on käytetty jo pitkään automaattista säätöä, matemaattisia prosessimalleja ja kehittynyttä prosessinohjausta. Koneoppiminen ja generatiivinen tekoäly täydentävät tätä työkalupakkia.

Silmän sijaan katsoo kamera

Tekoäly voi myös nähdä. UPM kertoo käyttävänsä selluntuotannossa tekoälyyn perustuvaa konenäköä muun muassa hakevirtojen ja sellupaalien laadun arvioimiseen sekä paalien käärinnän, merkintöjen ja mittojen valvontaan. Konenäköä käytetään myös sellupaalien turvallisessa käsittelyssä.

Kunnossapidossa puolestaan voidaan analysoida esimerkiksi koneiden värähtelyä, lämpötiloja ja muuta kunnonvalvontatietoa. Tavoitteena on tunnistaa poikkeava kehitys ennen kuin laite rikkoutuu. Laitevalmistajat tarjoavat muun muassa kunnonvalvontaa ja laitteiden suorituskyvyn seurantaa osana automaatioratkaisujaan. 

UPM:llä on koko yhtiön kattava tekoälyohjelma, johon koottavien hankkeiden tavoitteena on edistää kasvua, kokemusta, tiedon laatua ja tehokkuutta. Seuraavaksi yhtiö tavoittelee tekoälyn avulla entistä älykkäämpää tuotantoa ja tuoteinnovaatioita.

Tekoälyä voidaan hyödyntää myös vastuullisuuden tukena. UPM:llä on käytössään generatiiviseen tekoälyyn perustuva Aarnibotti. Se helpottaa pääsyä laajaan tietoaineistoon, joka pohjautuu muun muassa sääntelyyn ja vastuullisuudesta kertovaan FSC-sertifiointiin. 

Tekoälyä käytetään yhtiöissä myös turvallisuuden parantamiseen esimerkiksi seulomalla turvallisuushavaintoja. UPM:llä raskaiden sellupaalien käsittelyä pyritään tekemään turvalliseksi konenäön avulla sijoittamalla nostolankoja tarkasti ja tunnistamalla mahdolliset solmuongelmat. 

Operaattorin apulainen

Seuraava askel tekoälyn käytössä voi näkyä erityisesti valvomotyössä. Andritz kehittää operaattorityön tueksi tekoälyavustajaa, joka yhdistää tehtaan prosessitietoja, yhtiön tietovarantoja ja prosessikohtaisia sovelluksia. 

– Operaattori tai kunnossapitäjä voi keskustella järjestelmän kanssa tavallisella kielellä. Tekoäly voi vastata kysymyksiin ja ehdottaa prosessitilanteen perusteella toimenpiteitä, kertoo videolla Daniel Schuck Andritzin sellu- ja paperiteollisuuden digitaalisista tuotteista ja ratkaisuista.

– Tekoälyavustaja ei korvaa operaattoria, vaan tukee ja kertoo vaihtoehdoista. Avustajaa voi myös käyttää harjoitustehtäviin työn hiljaisina hetkinä tai syventää sen avulla kunnossapito- tai turvallisuusnäkökohtia, Schuck jatkaa.

Valvomossa voisi siis tulevaisuudessa kysyä tekoälyltä vaikkapa sitä, miksi energiankulutus on viime tuntien aikana kasvanut. Järjestelmä etsisi valtavasta tietomäärästä mahdollisia selityksiä ihmisen päätöksenteon tueksi.

Tekoälykehityksen suhteen on pohdittava, kuka tekee lopullisen päätöksen, kun tekoäly kertoo, miten tehdasta pitäisi ajaa. Prosessin tuntemisen rinnalla työntekijän pitää ymmärtää myös, milloin koneen ennusteeseen kannattaa luottaa ja milloin oma kokemus kertoo muuta.

Teksti: Eeva Eloranta-Jokela, kuva: Adobe Stock