Sahatavaran laatulajittelun kehittäminen

Abstract

Opinnäytetyön aiheena oli sahatavaran laatulajittelun kehittäminen MM Kotkamillsin sahalla. Sahan nykytilanteessa laadunvalvonta tehtiin visuaalisella, yksipuolisella tarkastuksella työntekijöiden toimesta. Työ oli kuormittavaa ja yksipuolista ja tasaisen laadun ylläpitäminen vuorojen välillä haastavaa.

Opinnäytetyössä tutustuttiin markkinoilla oleviin keinoälypohjaisiin laaduntarkastusjärjestelmiin sekä arvioitiin niiden yhteensopivuutta käytössä olevaan infrastruktuuriin. Laadunvarmistuksen haasteisiin perehdyttiin sekä asiantuntijahaastatteluiden että kerätyn reklamaatiodatan perusteella. Laaduntarkastusjärjestelmiin tutustuttiin sekä haastattelemalla laitetoimittajien asiantuntijoita että tutustumalla aiheesta aiemmin tehtyihin tutkimuksiin.

Laatulajittelun kehittämisen tavoitteina oli löytää kattavampia ja käyttövarmuudeltaan parempia ratkaisuja sekä reklamaatioiden osoittamien haasteiden että haastatteluissa esiin nousseiden asiakastarpeiden täyttämiseksi. Eri ratkaisuja vertaillessa havaittiin markkinoilla olevan useita automaattisen laadunvarmistuksen järjestelmiä. Näiden yhteensopivuus nykyiseen toiminnanohjausjärjestelmään voitiin myös arvioida hyväksi. Lisäksi vertailussa huomioitiin järjestelmän käyttöönoton, perehdyttämisen ja tuen saaminen.

Toimintaympäristönä sahatavaran laatulajittelu on haastava johtuen suuresta määrästä huomioitavia, laatuun vaikuttavia tekijöitä. Tämä asettaa suurimman haasteen oppivan keinoälyn kouluttamiselle. Tutkimuskatsauksen mukaan laatulajittelun tulokset oppivaa keinoälyä hyödyntäen ovat lupaavia. Myös tiedon keruun kannalta automaattinen, kamerapohjainen laatulajittelu on erinomainen apu sahoilla. Toistaiseksi keinoälypohjainen laatulajittelu kuitenkin vielä tarvitsee rinnalleen asiantuntevia työntekijöitä.

The subject of the thesis was the development of quality sorting of sawn timber at MM Kotkamills sawmill. In the current situation of the sawmill, quality control was carried out by visual, one-sided inspection by the employees. The work was stressful and one-sided and maintaining consistent quality between shifts was challenging.

The thesis explored artificial intelligence-based quality inspection systems on the market and assessed their compatibility with the existing infrastructure. The challenges of quality assurance were examined based on both expert interviews and collected complaint data. The quality control systems were studied both by interviewing experts from the equipment suppliers and by examining previous studies on the subject.

The aim of developing the quality sorting system was to find more comprehensive solutions with better reliability to meet both the challenges identified by the complaints and the customer needs identified in the interviews. A comparison of different solutions revealed several automated quality assurance systems on the market. Their compatibility with the existing ERP system could also be assessed as good. The comparison also considered the access to implementation, training, and support.

As an operating environment, lumber quality grading is challenging due to the large number of factors affecting quality that need to be considered. This poses a major challenge to the training of learning AI. According to the research review, the results of quality sorting using learning AI are promising. Automatic, camera-based quality sorting is also an excellent tool for data collection in sawmills. For the time being, however, AI-based quality sorting still needs to be supported by skilled workers.