APIS - Akustisk Processtyrning i sågverket

Syfte och mål

Under den tid som insamling av god data kunnat göras har antalet fel/stopp av samma typ varit för få för att säkert kunna bygga en tillförlitlig AI-modell som också berättar vilken typ av fel det är. Med de data vi hittills har samlat in har en AI-modell för analys av normal/onormal drift utvecklats. Modellen visar att det finns potential att upptäcka när processfel som kräver produktionsstopp snart uppkommer. Vi kan med bättre säkerhet än 60 % ange att en ljudsekvens indikerar normal eller onormal drift.

Resultat och förväntade effekter

Genom att låta ett AI-system akustiskt övervaka och utvärdera sågverksprocessen förväntas driftstörningar och haverier kunna prediceras och undvikas. Ett normalt sågverk har en tillgänglighet på 60-80 %. Den låga tillgängligheten beror på, bl a, haverier i motorer och sågblad som sågar snett eller går av. Med tillgängliga ljuddata har en modell för normal/onormal drift utvecklats, som visar att det finns potential att upptäcka när fel som leder till produktionsstopp snart uppkommer. Vi kan med bättre säkerhet än 60 % ange att en ljudsekvens indikerar normal eller onormal drift.

Upplägg och genomförande

När installation av mikrofoner var klar och provkörd fungerade allt. Ljudet var dock inte tillräckligt bra. Det berodde på att mikrofonerna inte hade kontakt med lagringsdatorn utan glappade sporadiskt samt att en knapp på mikrofonerna var felinställd. Allt detta tog tid att upptäcka och åtgärda. Ljuddata är kontinuerligt insamlat och sparat som 1-minut långa FLAC filer. Ljudfilerna korrelerades mot stopptiderna. De två stoppkoder vi använt i denna studie var stopp på grund av att sågbandet river, vilket kräver byte av sågbandet. Det andra skälet till stopp är att bandet gått av.