52 sensorer skal perfeksjonere produksjonen av ferdigmalt kledning

Ferdig grunnede og malte kledningsbord utgjør 85 prosent av produksjonen til den tradisjonsrike samvirkebedriften Gausdal Brunvoll ved Segalstads bru i Oppland. I høst åpnet de en splitter ny fabrikk der så å si alt er automatisert.

– Vi har fått Europas mest moderne fabrikk til grunning og maling av kledningsbord, hevder Jørn Nørstelien, administrerende direktør i Gaustad Bruvoll, som er eid i fellesskap av vel 1300 av landets skogeiere.

– Selv om den forrige fabrikken bare var ti år gammel, innså vi at den hadde gått ut på dato. Produksjonen gikk for tregt.

Mens den gamle fabrikken kunne behandle 70 løpemeter i minuttet, klarer de nå 200 meter på samme tid og med halve bemanningen.

– De gamle maskinene krevde også mye manuelt arbeid. Hvis vi skulle legge på et mellomstrøk etter grunning, måtte vi starte hele prosessen på nytt. I dag kan vi legge på fire strøk i én og samme prosess, inkludert råtebeskyttelse og tørking mellom hvert strøk, sier Nørstelien.

Samarbeid med Treteknisk

Råtebeskyttelse, grunning, mellomstrøk og toppstrøk skal gi forhandlerne kledningsbord som ikke trenger å males på flere år. Nørstelien er ikke i tvil om at det er denne veien utviklingen går. Men det er et problem som må løses før omsetningen av ferdigmalte kledningsbord med toppstrøk vil ta av.

– Det finnes fortsatt ingen metode for å kle et hus med panel uten spiker. Derfor må det fremdeles legges på et strøk maling til slutt. Vi har et pågående prosjekt med NTNU om å utvikle kledningsbord som skjuler spikrene, eller som festes uten spiker, sier Nørstelien.

I mellomtiden konsentrerer Gaustad Bruvoll seg om å optimalisere produksjonen og kvaliteten på kledningsbord med grunning og mellomstrøk. I 2016 tok de kontakt med Norsk Treteknisk Institutt, som fikk støtte av Forskningsrådet til forskningsprosjektet Kon-tre, som har som formål å utvikle bedre «prosesskontroll av industrielt overflatebehandlet trekledning».

– Vi er svært glade for støtten. Vi betaler cirka halvparten selv, og uten støtten fra Forskningsrådet, så hadde ikke prosjektet latt seg realisere. Hele prosjektet vil vare i tre år og beløper seg til 8,8 millioner kroner, forteller Nørstelien.

Kort fortalt går prosjektet ut på å etablere automatiserte kontrollrutiner slik at alle kledningsbordene får nøyaktig like mye maling på hele overflaten, at temperatur- og fuktighetsnivåer er så gunstige som mulig og at feilproduksjon oppdages og rettes umiddelbart.

Sensorer og IIoT

– De nye maskinene jobber så fort at vi er avhengige av automatisert prosesstyring. Ellers måtte vi satt av uforholdsmessig mange årsverk til å holde oppsyn med produksjonen, sier Nørstelien.

– Hva er det som kan gå galt?

– Det vanligste er at dysene slites eller tetter seg. Små avvik kan være nok til at en hel bestilling må skrotes, sier han.

Løsningen på dette problemet, er å montere sensorer på dysene.

– Det er egentlig små mikrofoner, akustiske sensorer, som er koblet til datamaskinene via et eget nettverk. Ved minste endring vil det gi utslag på vibrasjonen, og vi vil få et varsel slik at et er på tide å bytte dyse, forklarer Nørstelien.

Han forteller at de har satt ut en rekke andre sensorer tilkoblet det samme IIoT-nettverket (industriens internet of things). De skal overvåke blant annet temperatur og fuktighet i tre og luft, luftstrøm i tørkerommene, formen på bordene – kort og godt alt som kan påvirke kvaliteten på sluttproduktene.

RFID-teknologi

Selskapet som har utviklet programmet som leser av sensordataene, er også norsk: APX Systems. De er landets største programvareselskap innen RFID-teknologi (radiofrekvensidentifikasjon), noe de har holdt på med siden midten av 1990-tallet.

– Teknologien er uhyre anvendelig og vokser raskt. De minste etikettene er så små at du kan feste dem på ryggen til en bie, illustrerer Jan Erik Evanger, daglig leder i APX Systems.

RFID er kanskje mest kjent fra dagligvarehandelen, hvor RFID-brikker på produktene gjør at skanneren i kassa får opp riktig varenavn og pris. Tilsvarende brikker bruker nå Gausdal Bruvoll på hver ny leveranse av kledningsbord.

– Først legger en operatør inn informasjonen maskinene trenger på RFID-brikken, deretter festes den på første planke i serien. Da gjør maskinene det samme med alle bordene som kommer etter, sier Evanger.

Konstruerte spesialvekt

Kommandoene i prosessflyten kan typisk gjelde antall løpemeter, malingtype, fargeblanding, filmtykkelse, tørketid og antall strøk. På sin vei gjennom produksjonsprosessen blir bordene målt og veid av om lag 50 sensorer som alle er tilkoblet et NB-IoT-nettverk (se faktaboks). Dataene skylagres og kvernes gjennom programvaren til APX slik at den blir lesbar i grensesnittet APX Portal.

– Ved å veie bordene får vi bekreftet at alle har fått like mye maling. Utfordringen var å få dette robust og nøyaktig nok til å veie bordene i høy hastighet, men det har vi nå løst, sier Evanger.

Det var svenske IK Teknik som klarte å bygge en maskininstallasjon med vekter med tilstrekkelig høy nøyaktighet, og som samtidig tåler den hardhendte behandlingen de blir utsatt for i Gaustad Bruvolls industrimiljø.

Maskinlæring er neste skritt

Fargefeil, luftbobler og endret viskositet i malingen er eksempler på andre feilkilder som kan analyseres ved hjelp av sensorene.

– Å tilpasse innstillingene til endret temperatur og fuktighet året igjennom, bidrar også til at man slipper ubehagelige overraskelser når det tas stikkprøver av bordene. Eller, enda verre, at det begynner å renne inn reklamasjoner fra kundene, sier Evanger.

– Dersom vi om tre–fire år får en reklamasjon, kan vi enkelt gå tilbake og sjekke alt som er gjort med akkurat den serien, sier Jørn Nørstelien.

– Allerede om tre måneder vil datamengden være stor nok til at forskerne kan begynne å finne sammenhenger mellom forhold ved produksjonen og sluttresultatene, sier Jan Erik Evanger.

Han forteller at neste skritt blir å lære opp maskinene til selv å treffe nødvendige tiltak når omgivelsene endrer seg.

– Hvis for eksempel temperaturen faller brått under et regnskyll om sommeren, skal maskinene selv justere innstillingene for å kompensere for temperaturfallet og den økte fuktigheten. Vi vil også forsyne dem med data fra værstasjoner etter hvert, sier Evanger.

Dyseovervåkning

En av forskerne som skal analysere sensordataene fra Gausdal Brunvoll, er Ulrich Hundhausen, som er seniorforsker ved Norsk Treteknisk Institutt.

– Målet med Kon-tre-prosjektet er å lage et industrielt kontrollsystem som tillater automatisert inline-overvåkning, styring, sporbarhet og optimalisering av prosessparametre og produktegenskaper i produksjon av overflatebehandlet trekledning. Siden dette er en høyhastighetslinje, er det temmelig avansert. Vi holder på med å koble sammen de ulike sensorene nå. Mye av jobben går ut på å finne egnete målesystemer, kalibrere dem og sette riktige grenseverdier i overvåkningen, forklarer Hundhausen.

Treindustrien henger etter blant annet bilindustrien, som har hatt helautomatiske, lynraske lakkeringsprosesser lenge. Men det er ikke bare å taste copy paste, ifølge Hundhausen. Ettersom tre er et heterogent naturmateriale, er det flere faktorer å ta hensyn til enn med metall. Variasjon i fuktighet og egenvekt, for eksempel, gjør det vanskelig å måle tykkelsen til malingsfilmen direkte i løpende produksjon av trekledning, noe som er uproblematisk på metall eller plast.

– Vi skal også overvåke sprøytedysene nøye. Finne forvarsler slik at vi kan bytte dem ut før de slites eller malingen begynner å feste seg i dem. Alt som gjør at sprøytebildet endrer seg, forklarer Hundhausen.

Sammen med Kim Esbensen, en dansk ekspert i prøvetaking og industrielt anvendt statistikk, starter han med analyser og modellering av sensordataene etter sommeren, anslår han. Da vil det være nok data å jobbe med. I desember skal forskningsprosjektet være ferdig.

– Da skal vi ha etablert gode forklaringsmodeller slik at avvik kan spores tilbake til bestemte ledd i produksjonsprosessen. Men fabrikken må nok belage seg på å justere sensorene manuelt en god stund til. Det tar tid å lage et selvregulerende system med maskinlæring, sier Hundhausen.