Historia nowoczesnego przemysłu jest historią coraz lepszych modeli. Dzięki nim planujemy produkcję, energię, zapasy, logistykę, inwestycje i sprzedaż. Podstawą do pełnego wykorzystania AI są technologie procesu, dane o surowcach, obróbka mechaniczna, suszenie, klejenie, prasowanie, kontrola jakości, utrzymanie ruchu, badania NDT (Non-Destructive Testing), ale każdy cząstkowy składnik procesu nie może przesłaniać głównego celu.
Coraz więcej danych i coraz większa moc obliczeniowa rodzą jednak pokusę, by przestać traktować model jako przybliżenie rzeczywistości, a zacząć uważać go za rzeczywistość. Dobrym przykładem takiego błędnego rozumowania jest prognoza Heinza von Foerstera z 1960 roku, która na podstawie ówczesnych trendów demograficznych wyznaczała rzekomy punkt graniczny katastrofy, przypadający na 13 listopada 2026 roku. Świat jednak nie rozwinął się zgodnie z tak prostą ekstrapolacją, ponieważ zmieniły się uwarunkowania, m.in. dzietność, medycyna, technologia, produktywność, poziom życia i całe otoczenie społeczne.
Nie oznacza to, że model obliczeniowy był całkowicie bezwartościowy. Oznacza tylko, że działał w granicach przyjętych założeń, które później przestały obowiązywać.
Dokładnie tak samo powinniśmy patrzeć na prognozy dotyczące energii, zmian klimatu, sztucznej inteligencji, konfliktów geopolitycznych czy komputerów kwantowych. Scenariusz nakreślony przez model obliczeniowy nie jest kalendarzem przyszłości wyczytanym ze szklanej kuli wróża. Jest jednym z możliwych wariantów oraz narzędziem do badania odporności systemu.
Polski przemysł drzewny i meblarski po 1989 roku odniósł niewątpliwy sukces. W dużej mierze był on wynikiem przedsiębiorczości rodzinnych firm, ich elastyczności, relatywnie niskich kosztów produkcji oraz zdolności do szybkiego dostosowania się do potrzeb europejskich odbiorców. Zbudowaliśmy eksport na dużą skalę. Nie zawsze jednak wraz z nim powstawały własne globalne marki, technologie, patenty, kanały sprzedaży i produkty, których odbiorca nie może łatwo zastąpić ofertą z innego kraju.
Model działał dobrze tak długo, jak długo dostępny był surowiec, koszty pracy dawały przewagę, energia pozostawała względnie przewidywalna, a europejski popyt rósł. Kiedy kilka z tych czynników zaczęło pogarszać się równocześnie, ujawniła się słabość modelu opartego przede wszystkim na przewadze kosztowej. W takiej sytuacji należy przejść z logiki rozwoju do logiki obrony i stosować w planowaniu strategię opartą na ocenie skrajnych możliwych zdarzeń.
Dobrze opisuje to strategia Min-Max. W praktyce oznacza to dla firmy ochronę płynności, ograniczanie kosztów, zamrażanie części inwestycji, ostrożniejsze zatrudnianie i zwiększanie kontroli zapasów. Przy niestabilnych dostawach trzeba podnieść minimalny zapas bezpieczeństwa, a przy drogim kapitale ograniczać zapas maksymalny. Bezpieczny korytarz pracy zaczyna się więc zwężać z dwóch stron.
AI potrafi optymalizować, ale nie potrafi za nas wybrać celu
Sztuczna inteligencja już dzisiaj może wykonywać w przemyśle drzewnym zadania, które jeszcze niedawno wymagały wielu godzin pracy człowieka. Może klasyfikować wady drewna, wspierać sortowanie kłód, optymalizować rozkrój, analizować obrazy powierzchni, przewidywać awarie maszyn, wspomagać planowanie produkcji, analizować zapasy i reklamacje. Nie należy jednak mylić zdolności do optymalizacji z umiejętnością określenia, co właściwie należy optymalizować. Model AI nie jest z natury maszyną do odkrywania prawdy. Realizuje określony cel na podstawie danych, algorytmów i reguł, które mu przekazano. Jeżeli dane są błędne, model może powielać błędy. Jeżeli cel jest źle zdefiniowany, model może niezwykle skutecznie dążyć do czegoś, czego firma wcale nie chciała osiągnąć.
W przemyśle najbardziej racjonalny jest więc system wielowarstwowy: wiarygodne dane, sprawdzone źródła, reguły technologiczne, limity bezpieczeństwa, rejestr operacji oraz człowiek pozostający ostatecznym decydentem tam, gdzie konsekwencje błędu są wysokie.
Pierwszym obszarem, w którym AI może dawać wymierny efekt, jest uzysk surowca. W zakładach drzewnych można łączyć skanery 3D, systemy wizyjne, pomiar geometrii, informacje o sękach i wadach wewnętrznych oraz dane z zamówień produkcyjnych. Celem nie jest samo uzyskanie jak najdokładniejszego obrazu kłody, lecz skierowanie każdego fragmentu surowca do zastosowania o najwyższej możliwej wartości. W praktyce oznacza to odejście od prostego kryterium maksymalizacji objętości tarcicy czy liczby elementów. Dwa warianty rozkroju mogą dawać podobny uzysk objętościowy, ale zupełnie inną wartość ekonomiczną, jeżeli jeden z nich lepiej dopasowuje klasy jakości do bieżącego portfela zamówień. AI może więc łączyć dane materiałowe z produkcyjnymi i handlowymi.
W produkcji fornirów i sklejek podobną logikę można zastosować jeszcze wcześniej. Skanowanie kłody przed łuszczeniem może pomagać w ocenie geometrii, mimośrodowości, stref wad i przewidywanego przebiegu wstęgi łuszczki. Na dalszym etapie system wizyjny może klasyfikować arkusze według pęknięć, sęków, przebarwień i ubytków, a następnie kierować lepsze arkusze do warstw zewnętrznych, a słabsze – do odpowiednio dobranych warstw wewnętrznych.
To samo dotyczy płyt i materiałów warstwowych. Optymalizacja formatowania, nestingu, kolejności cięcia i wykorzystania odpadów może ograniczać straty materiałowe. Najcenniejszy system nie powinien jednak wyłącznie minimalizować odpadu w danym zleceniu. Powinien uwzględniać możliwość wykorzystania powstających resztek w kolejnych produktach lub do wytwarzania energii w procesie kogeneracji, a więc patrzeć na przepływ materiału w skali całego zakładu.
Suszenie: cyfrowy bliźniak procesu zamiast jednej sztywnej receptury
Kolejnym obszarem, w którym AI może dawać wymierny efekt, jest suszenie. Proces suszenia drewna nadal w dużym stopniu opiera się na kompromisie między czasem, energią, jakością i ryzykiem wad. Dwie partie tego samego gatunku mogą zachowywać się inaczej z powodu różnic wilgotności początkowej, gęstości, udziału drewna młodocianego, naprężeń wzrostowych czy wcześniejszego składowania.
Modele uczące się na historii procesów mogą przewidywać zachowanie konkretnej partii surowca, dobierać łagodniejsze lub szybsze przebiegi suszenia, wykrywać wzrost ryzyka pękania, paczenia albo utwardzenia powierzchniowego (case hardening) oraz lepiej wykorzystywać ciepło odpadowe. Nie chodzi o to, aby algorytm samodzielnie sterował suszarnią bez żadnych ograniczeń. Chodzi o model, który porównuje aktualne dane z setkami wcześniejszych przebiegów i pokazuje technologowi, jakie konsekwencje może mieć zmiana parametrów. W połączeniu z czujnikami wilgotności, temperatury, ciśnienia i przepływu powietrza pozwala to budować cyfrowego bliźniaka procesu. W zakładach wykorzystujących suszenie próżniowe dochodzą dodatkowo zależności między poziomem próżni, temperaturą, ruchem pary wodnej i szybkością transportu wilgoci wewnątrz materiału.
Ważne jest również rozróżnianie średniej wilgotności od jej profilu w przekroju. Dwa elementy mogą mieć podobną wartość średnią, ale różnić się gradientem wilgotności i poziomem naprężeń. Jeżeli dane z suszenia połączymy z późniejszymi wynikami obróbki i klejenia, można wykrywać, które przebiegi procesu zwiększają ryzyko deformacji, pęknięć lub osłabienia spoiny. Najważniejsze jest sprzężenie danych suszenia z kolejnymi etapami produkcji. Jeżeli po suszeniu rośnie liczba pęknięć, odspojeń, problemów z klejeniem albo odkształceń podczas obróbki, dane te powinny wracać do modelu suszenia i go modyfikować pod nadzorem doświadczonego inżyniera. Dopiero wtedy system optymalizuje jakość całego procesu, a nie wyłącznie czas pobytu drewna w suszarni.
Trzeci obszar to klejenie i materiały warstwowe. Sklejka, LVL, płyty i kompozyty drewnopochodne są systemami, w których wynik zależy równocześnie od właściwości drewna, wilgotności, przygotowania powierzchni, lepkości i reaktywności kleju, gramatury nanoszenia, czasu otwartego, temperatury, ciśnienia i całej historii cieplnej procesu.
W technologii przemysłowej ważna jest nie tylko nominalna receptura kleju. Znaczenie ma również sposób jego przygotowania, stabilność lepkości w czasie, temperatura masy klejowej, równomierność nanoszenia, czystość walców lub dysz, czas między naniesieniem a złożeniem pakietu oraz szybkość zamknięcia prasy. Każdy z tych parametrów może zmieniać sposób zwilżania drewna i przebieg utwardzania spoiny.
W prasowaniu warto mierzyć nie tylko zadane ciśnienie i temperaturę płyty grzejnej, lecz także rzeczywisty przebieg procesu. W materiałach grubszych lub wielowarstwowych istotny jest czas dochodzenia ciepła do strefy środkowej, różnice między początkiem i końcem wsadu, a także odchylenia wynikające z nierównomiernej grubości pakietu. Dane z termopar, czujników ciśnienia, położenia i czasu mogą tworzyć rzeczywisty „podpis” każdego cyklu prasowania.
AI może skrócić drogę do właściwej receptury, jeżeli ma dostęp do wiarygodnych danych. Może wykrywać kombinacje parametrów prowadzące do niedoklejenia, przegrzania, zbyt dużego zużycia kleju albo niejednorodnej gęstości. Szczególnie wartościowe są dane łączące warunki procesu z późniejszymi wynikami badań wytrzymałościowych, wilgotnościowych i NDT. W przyszłości ten obszar może zostać połączony z modelowaniem molekularnym i nowymi metodami obliczeń. Projektowanie żywic, katalizatorów, aktywacji powierzchni, impregnatów czy metod modyfikacji lignocelulozy może wtedy przebiegać szybciej. Nawet jednak najbardziej zaawansowany model chemiczny pozostanie tylko narzędziem, jeżeli nie zostanie połączony z rzeczywistą technologią produkcji, kosztami, bezpieczeństwem i możliwością skalowania.
Kontrola jakości i NDT: od wykrycia wady do znalezienia jej przyczyny
Czwarty obszar to kontrola jakości. System wizyjny nie męczy się po ośmiu godzinach pracy i może zauważać defekty niewidoczne przy szybkim oglądzie człowieka. W przemyśle drzewnym szczególnie interesujące jest jednak połączenie kilku metod: obrazu powierzchni, ultradźwięków, termografii, drgań, analizy akustycznej i innych technik badań nieniszczących. W sklejce, płytach i kompozytach można w ten sposób szukać rozwarstwień, pustek, niejednorodności gęstości, niedoklejenia i wad strukturalnych. System uczący się na rzeczywistych próbkach może nie tylko wskazywać podejrzane miejsce, ale również określać typ wady. Warunkiem jest dobra baza wzorców: wyniki NDT powinny być okresowo porównywane z badaniami niszczącymi, przekrojami lub inną metodą referencyjną.
Istotna jest też identyfikowalność wady. Jeżeli system wskaże niedoklejenie, warto wiedzieć nie tylko, gdzie ono wystąpiło, lecz także z jakiej partii pochodził fornir, jaka była jego wilgotność, kiedy naniesiono klej, jaki był czas otwarty i w którym cyklu prasy powstał produkt. Kontrola jakości staje się wówczas elementem sterowania technologią. Jeszcze większa wartość powstaje, gdy wynik kontroli jakości zostaje połączony z historią procesu. Jeżeli seria rozwarstwień występuje częściej po określonej zmianie wilgotności, czasu otwartego, temperatury prasy lub prędkości zamykania, system powinien to wykryć. Wtedy NDT przestaje być wyłącznie końcową selekcją „dobry/zły” i staje się narzędziem doskonalenia technologii
Piątym obszarem są urządzenia pomocnicze, które często decydują o ciągłości pracy całej fabryki. Awaria wentylatora odpylania, sprężarki, pompy, układu hydraulicznego prasy albo transportu wewnętrznego może zatrzymać linię równie skutecznie jak awaria głównej maszyny. Modele predykcyjne mogą analizować pobór prądu silników, drgania, temperaturę łożysk, ciśnienia i zużycie sprężonego powietrza, aby wcześniej wykrywać pogorszenie stanu urządzenia.
W zakładach drzewnych szczególne znaczenie ma odpylanie i transport pneumatyczny. Zbyt duże podciśnienie oznacza zbędne zużycie energii, zbyt małe pogarsza skuteczność odciągu i może obniżać bezpieczeństwo pracy. Połączenie pomiaru przepływu, spadku ciśnienia, stanu filtrów i pracy wentylatorów pozwala sterować instalacją w zależności od rzeczywistego obciążenia linii. Podobną logikę można zastosować do sprężonego powietrza, hydrauliki i pomp obiegowych. W wielu fabrykach urządzenia te pracują jako stałe tło procesu, mimo że ich obciążenie silnie się zmienia. Dopiero analiza zużycia energii w odniesieniu do konkretnej maszyny, zmiany produkcyjnej i jednostki produktu pokazuje, gdzie znajdują się rzeczywiste straty.
Wartość AI w zakładzie nie musi wynikać przede wszystkim z dostępu do kolejnego dużego modelu. Znacznie większą wartość mogą mieć własne dane przedsiębiorstwa: historia suszenia konkretnych gatunków drewna, parametry prasowania, wyniki prób klejenia, fotografie wad, zależność jakości produktu od wilgotności surowca, dane z czujników, reklamacje, zużycie energii i rzeczywiste wyniki uzysku materiałowego.
Drewno jest materiałem szczególnym. Jest niejednorodne, anizotropowe i zależne od gatunku, siedliska, wilgotności, miejsca pozyskania, sposobu składowania oraz wcześniejszej obróbki. Ważny jest przy tym nie sam zbiór danych, lecz ich powiązanie w jeden łańcuch. Numer partii surowca powinien dać się powiązać z pomiarem wilgotności, parametrami suszenia, ustawieniami strugarki lub łuszczarki, recepturą kleju, prasowaniem, kontrolą jakości oraz ewentualną reklamacją. Dopiero wtedy dane zaczynają opisywać proces, a nie tylko pojedyncze urządzenia i zdarzenia.
Autorzy:
Adam Lewicki, Mieczysław Lewicki
Kontakt z autorami:
startingmex@gmail.com
Przypis:
Opisany wyżej techniczny obraz sytuacji AI w przemyśle prowadzi do wniosku, który będzie punktem wyjścia do drugiej części artykułu, poświęconej strategii rozwoju polskiego przemysłu drzewnego i meblarskiego.
W sektorze małych i średnich firm – nękanych wcześniej choćby chaosem Polskiego Ładu – zjawisko to ma już miejsce w Europie w istotnej skali, a w Polsce przybiera wręcz zatrważające rozmiary.”
503
2
77
26
13
647
479
12
