Sahateollisuus on yksi Suomen merkittävimmistä vientialoista, mutta sen kannattavuus on herkkä raaka-aineiden hintavaihteluille ja tuotantotehokkuudelle. Kun raaka-ainekustannukset muodostavat yli kaksi kolmasosaa tuotantokustannuksista, pienetkin parannukset optimoinnissa voivat tuoda merkittäviä säästöjä. Esimerkiksi 1 millimetrin mittausvirhe tukin latvahalkaisijassa voi aiheuttaa keskikokoiselle sahalaitokselle jopa 31 200 euron vuotuiset tappiot (Varhimo 2001).

Simulointi ei ole sahateollisuudessa uusi keksintö, vaan se on toiminut strategisena työkaluna jo vuosikymmeniä. Perinteisesti simuloinnin ja optimoinnin painopiste on ollut yksittäisten prosessivaiheiden, saannon maksimoinnissa, sahausasetteiden optimointiin. Tutkimukset ovat osoittaneet, että oikea asetteen valinta ja tukin orientointi vaikuttavat ratkaisevasti sekä määrälliseen että rahalliseen saantoon (Viitaniemi 1985; Haataja 2004).

Simulaatiomallien logiikka on perustunut:

• Tukin asemoinnin optimointiin: Oikea pyörityskulma ja syöttöasento on haettu matemaattisesti parhaan saannon saavuttamiseksi (Vesanen 2005).
• Mittausteknologian hyödyntämiseen: Simulaatiot ovat nojanneet kehittyneeseen mittausdataan, kuten 3D-skannaukseen (Lundgren 2010) ja röntgen/tomografia-mittauksiin (Oja et al. 2007; Fredriksson 2013), joiden avulla on voitu mallintaa myös tukin sisäiset viat.

Vaikka automaatio ja itseoppivat järjestelmät ovat parantaneet tehokkuutta (Usenius 2010), perinteisissä malleissa on ollut haasteita kokonaisuuden hallinnassa. Staattiset laskelmat eivät aina paljasta tuotannon dynaamisia pullonkauloja, kuten ruuhkia tuorepaketoinnissa. Lisäksi mallien rakentaminen on usein vaatinut raskasta manuaalista työtä ja oletuksiin perustuvia ”hihavakioita”, mikä on voinut vääristää tuloksia.

Simulointi osana kokonaisvaltaista tuotannonohjausta

Sitepro-hankkeessa simulointia on lähestytty uudesta näkökulmasta. Tavoitteena ei ole ollut vain yksittäisen tukin optimointi, johon löytyy hyviä työkaluja, vaan saada näkyvyys tuotannon kokonaisvirtaukseen ja ymmärtää, miten raaka-aineen vaihtelu sekä linjan dynaamiset pullonkaulat vaikuttavat tehtaan todelliseen läpimenoon. Hankkeessa on rakennettu sahalinjaston simulaatiomalli hyödyntäen AnyLogic-ohjelmistoa ja diskreettiä tapahtumasimulointia (DES). Tämä menetelmä soveltuu erityisesti sahateollisuuteen, jossa käsitellään suuria materiaalivirtoja ja monimutkaisia tuotejakaumia (kuva 1).

Keskeinen menetelmällinen ero on agenttipohjaisuus. Sen sijaan, että simuloidaan geneeristä massavirtaa, jokainen tukkiluokka on AnyLogic-ympäristössä itsenäinen agentti. Tämä agentti kantaa mukanaan tarkkaa dataa (ID, tilavuus, laatu), joka periytyy eteenpäin, vaikka tukki jakaantuu sahauslinjastolla useiksi eri lopputuotteiksi tukkiluokkakohtaisen määrityksen mukaisesti.

Keskeinen innovaatio ja ero perinteiseen on kokonaisuuden simulointi historiatiedon perusteella. Simulaation aineistoperustana käytetään suoraan sahayrityksen järjestelmistä saatavaa tuotantodataa (esim. Excel-raportit). Agenttipohjaisessa mallinnuksessa jokainen tukki tai lauta käsitellään itsenäisenä agenttina, jolla on omat ominaisuutensa, kuten tilavuus, laatu ja pituus.

Simulointimalli hyödyntää todellista dataa lukemalla olemassa olevia raportteja manuaalisen syötön sijaan, mikä vähentää virheiden määrää ja poistaa hihavakioiden tarpeen. Lisäksi malli huomioi tuotannon sivuvirrat, kuten kuoren, purun ja hakeosuudet, mikä parantaa kokonaiskuvan tarkkuutta. Simulointivaiheessa arvoja voidaan muuttaa joustavasti, mikä mahdollistaa erilaisten skenaarioiden luomisen ja niiden vaikutusten arvioinnin tehokkaasti.

Miksi tämä on tehty eli mihin tarpeeseen vastataan?

Sitepro-hankkeen simulointimalli täydentää perinteistä saanto-optimointia hyödyntämällä olemassa olevaa sahan dataa, mikä parantaa simulointimallin käytettävyyttä ja saavutettavuutta. Tämä lähestymistapa tuo simuloinnin pk-sektorin ulottuville ilman raskaita IT-integraatioprojekteja, sillä malli perustuu nykyisiin raportointimuotoihin.

Lisäksi menetelmä mahdollistaa tuotannon pullonkaulojen dynaamisen tunnistamisen, mikä ei ole mahdollista staattisilla laskelmilla. Esimerkiksi staattinen analyysi ei paljasta tilanteita, joissa tuorepaketointi ruuhkautuu, kun taas diskreetti tapahtumasimulointi (DES) osoittaa, miten sahausnopeudet ja tukkiluokkajakaumat vaikuttavat linjaston virtaukseen ja missä todelliset kapasiteettirajoitteet sijaitsevat.

Simulointi tarjoaa myös riskittömän tavan testata erilaisia skenaarioita ennen uuden tuotantostrategian käyttöönottoa, jolloin yritys voi arvioida vaikutukset virtuaalisesti ilman taloudellisia tai operatiivisia riskejä.

Tulokset ja hyödyt

Hankkeessa kehitetyn simulointimallin keskeinen arvo verrattuna aiempiin saanto- ja automaatiosimulointeihin on sen kyky tarjota dynaamisempaa analytiikkaa koko tuotantojärjestelmälle. Malli toimii turvallisena virtuaaliympäristönä strategisten skenaarioiden testaamiseen, jossa voidaan muuttaa keskeisiä parametreja kuten sahausnopeutta tai puun hintaa. Näiden muuttujien avulla voidaan arvioida, miten erilaiset päätökset vaikuttavat tuotantolinjan toimintaan, materiaalivirtoihin ja kokonaistehokkuuteen. Virtuaalinen testausympäristö vähentää operatiivisia riskejä ja tarjoaa yrityksille mahdollisuuden optimoida prosesseja ennen muutosten käyttöönottoa.

Yhteenveto: Kohti kokonaisvaltaista tuotantovirran hallintaa

Perinteisesti sahateollisuuden simulointi on keskittynyt yksittäisen tukin saanto-optimointiin ja matemaattisesti parhaan sahausasetteen valintaan. Sitepro-hankkeessa näkökulmaa on laajennettu mallintamalla koko tuotantolaitoksen dynaamista virtausta. Tämä lähestymistapa ei korvaa perinteisiä optimointimalleja, vaan täydentää niitä tarjoamalla mahdollisuuden tarkastella vaikutuksia laajemmin. Seuraavassa osassa käsittelemme simulaatiomallin teknistä kuvausta. mallin rakennetta, lähtödataa ja visualisointia.

---

Kirjoittaja

Henri Juntunen, TKI-Asiantuntija, Savonia-ammattikorkeakoulu

Artikkelin työstämisessä on hyödynnetty tekoälyä.

---

Lähteet

Fredriksson, M. (2013). Log positioning and sawing process optimization using Computed Tomography. Luleå University of Technology.

Haataja, J. (2004). Optimization tasks in the sawmill industry. University of Kuopio.

Hinostroza, I., Pradenas, L. & Parada, V. (2013). Optimal and heuristic approaches for the log sawing problem. Annals of Operations Research.

Høyrup, S. (2012) ’Employee-driven innovation: A new phenomenon, concept and mode of innovation’, in Employee-driven innovation: A new approach. Edinburgh University Press, s. 3–33.

Juvonen, R. & Johanson, P.E. (1991). Mekaaninen metsäteollisuus.

Kauppinen, T. (2002). Sahateknologian kehitys ja tulevaisuus. Diplomityö, TKK.

Lundahl, C. (2007). Process optimization in sawmilling. Växjö University.

Lundgren, C. (2010). Predicting log properties using a 3D scanner. Luleå University of Technology.

Mäkelä, H. (2006). Konenäköinvestointien kannattavuus sahateollisuudessa. Diplomityö, TKK.

Nordmark, U. (2005). Value chain optimization in the forest industry. Luleå University of Technology.

Oja, J., Grundberg, S., Fredriksson, J. & Berg, P. (2007). Classification of Scots pine sawlogs using X-ray and optical scanning. Forest Products Journal.

Todoroki, C. & Rönnqvist, M. (2010). Dynamic control systems for sawmills.

Usenius, A. (2010). Flexible and self-learning production systems in the sawmill industry. VTT Publications.

Varhimo, I. (2001). Sahauslaskentamenetelmän kehittäminen. Diplomityö.

Vesanen, J. (2005). Tukin ja parruoptimoinnin kehittäminen. Diplomityö.

Viitaniemi, P. (1985). Sahatavaran särmäyksen saanto. Diplomityö.

---