Savonia, YSAO ja tekoälyhaaste
Kolmevuotisesta, Euroopan unionin osarahoittamasta hankkeesta on jäljellä noin vuosi. Hanketta toteuttavat Savonia ammattikorkeakoulu, sekä Ylä-Savon ammattiopisto. Rahoittamattomina neuvonantajina hankkeen innovaatioverkostoon osallistuu myös Lappeenrannan-Lahden teknillinen yliopisto LUT sekä Itä-Suomen Yliopisto UEF.
Hankkeen ytimessä olevan tekoälyhaasteen ja sen osaprojektien laajuudesta kertovat hankkeen ulkomitat: mukana on seitsemän tunnettua suomalaisyritystä: Mevea Oy, Ponsse Oyj, Junttan Oy, Hydroline Oy, Mantsinen Group Oy Ltd, LLP Farm Machinery Group Oy, sekä Normet Oy. Näiden lisäksi erilaisten hankkeiden, klustereiden sekä projektien kautta mukana innovaatioverkostossa on kymmeniä muita yrityksiä, korkeakouluja, yliopistoja sekä julkisia toimijoita. Henkilöitä vuositasolla tekoälyprojektissa on mukana 10–15.
Hankkeen kolme osaprojektia
1. Teknisesti moniulotteisen hankkeen lähtöpiste oli kehittää innovaatioympäristö. Tarvittiin paljon enemmän kuin mitä oppilaitos itse voisi tehdä – simulointia, tekoälykehitystä, työkoneen toimintoanalyysiä, teknistä varustelua, laiteympäristön datasiirtoa. Siis yhteydenpitoa moneen erityyppiseen osaajaan, myös talon sisällä.
2. Toisena vaiheena tekoälyn kouluttaminen ajamaan kaivinkonetta ensin simulaatioympäristössä, sitten laboratoriossa ja lopuksi oikeassa ympäristössä.
3. Kolmantena ohjata tekoälyn avulla kaivinkonetta annetun tehtävän suorittamiseksi.
Myös yritysyhteistyölle kysyntää
– Meillä valmiina olevat testikoneet ja niistä saatava data ovat kiinnostaneet useita yrityksiä. Vaativia, tuotesuunnitteluun liittyviä tutkimusprojekteja on tarjolla useita. Kyseessä on myös merkittäviä uusien tuotteiden kehitysprojekteja. Tämä kaikki on seurausta tästä hankkeestamme, kertoo lehtori Arto Liuha.
Syväsukellus
Tekoälyä hyödyntävä kaivinkoneen hallinta olisi varomattomalle huomattavan syvälle sukeltava projekti. Syvään päätyyn ei kuitenkaan kannata hypätä. On etsittävä toleranssien sisällä oikopolkuja. Täydellisyys ei palvele tässä tapauksessa lopputulosta. Haaste on ilman täydellisyyttäkin iso.
erityinen sähköhydraulinen järjestelmäkomponentti.
Tekoäly koneeseen
Koska tekoäly ei pysty lukemaan kuljettajan ennakoivaa, selkäytimestä syntyvää ja kokemuspohjaista koneen käsittelyä, tekoälylle on kerrottava mahdollisimman paljon lisätietoa: kunkin koneen rakenneosan hitausmomentti, hydrauliventtiilistön toiminta venttiilikohtaisesti ja kokonaisuutena, hydrauliikan moniajon vaikutukset liikkeisiin ja vaikkapa työlaitteessa olevan kuorman ja sen etäisyyden vaikutus. Monimutkaista? Kyllä.
Ja lisähaastetta tulee, kun tekoälyn matemaattinen ja eksakti ohjausdata viedään hydraulisen järjestelmän läpi puomin liikkeeksi.
– Koneen hydrauliikka on se osuus, jota emme täsmällisesti voi ohjata. Me kyllä käännämme venttiiliä, mutta sen lisäksi tarvitsemme tietoa, mitä hydrauliikassa sen tuloksena tapahtuu. Hydrauliikan ongelmat ovat viive ja epälineaarisuus, kertoo tutkimusinsinööri Eetu Miettinen.
Näiden tietojen keräämiseksi on rakennettu useita täysin anturoituja pienoiskaivukoneita ja niiden puomistoja. Pienoiskaivureista saatava mittausdata on hyödynnettävissä osana tekoälyn taustadataa.
– Suurin oikeiden koneiden välinen toimintaero syntyy projektissamme hydrauliventtiilistöistä. Kuitenkin uudempien koneiden proportionaalinen ohjaus tuo eri koneet lähemmäs toisiaan, mikä mahdollistaa ohjelmistojen paremman yleiskäyttöisyyden, sanoo hankeasiantuntija Jani Pitkänen.
Koneohjauksen oikopolku
Yllättävä väylä ohi kaivukoneen monimutkaisen hydrauliikan tuomien ohjattavuusongelmien, löytyy 3D-koneohjauksesta. Kolmiulotteisessa maailmassa 3D-koneohjaus kertoo kaivukoneen näytöllä, missä tavoitepiste tai -pinta sijaitsee ja missä esimerkiksi kauhan huulilevy on. Tieto on digitaalinen ja riittävän tarkka. Nyt on jo simuloinneissakin päästy kiertämään engconin alla kauhaa ja ottamaan mukaan suunnitteluun myös tätä ePS-anturin tuottamaa pyöritystietoa.
3D-konemallissa hydrauliikan epälineaarisuus ei sotke tekoälyn matemaattista ohjaustarkkuutta. Kun 3D-maailmassa kone on asemoitunut konemallin sisään, on tekoälylle huomattavasti helpompaa määrittää koneelle, miten ajetaan vaikkapa huulilevy nykyisestä asemasta seuraavaan asemaan.
Tavallaan hydrauliikan venttiilistön epätarkkuudet ovat silloin jo hoituneet 3D-konemallin avulla. Tekoäly siis edelleen käskee konetta ja koneohjaus käskee hydrauliikalta tarvittavat toiminnot.
AI-simulaatiomaalimassa kauha pyörii jo engconin kaltaisen rototiltin alla
– Käytössämme on simulointimalli eli digitaalinen kaksonen, joka perustuu pienoismalliin kaivurista ja sen fyysisiin ominaisuuksiin. Kaivurissa on rototiltti ja tarttuja, mutta kauhat ovat kiinteitä ilman kallistusta tai pyöritystä – näitä ei ole toistaiseksi tarvittu, vaikka niiden lisääminen olisi mahdollista.
– Olemme opettaneet tekoälymallia tarttujalla, jossa on engconin kaltainen rototiltti, ja kehitteillä on myös oikean kokoluokan koneesta digitaalinen kaksonen. Simulaatiossa kinematiikan ja tekoälyn avulla tukkiin tarttuminen onnistuu, ja fysiikka on tarkasti mallinnettu. Tämä on vaatinut:
– komponenttien ja pienoismallin validointia
– tarkkaa 3D-mallinnusta
– osien mittausta ja inertioiden tarkastelua
– hydrauliikkakomponenttien mitoitusta
– venttiilien tuottojen mittausta ja vertailua virtaussimulointiin
– Simulointiin on käytetty kahta alustaa, Mevea: tarkempi yksittäisen työkoneen simuloinnissa ja Nvidia Isaacsim: soveltuu paremmin tekoälymallin koulutukseen suurella määrällä konekopioita.
– Isaacsimissä on testattu erilaisia kokoonpanoja (kauha, pyöritin, tarttuja), jotka pohjautuvat pienoismalliimme, kertoo Joni Hänninen.
Kaivukonemallien koulutus
Tekoälyn kehitystyö vaatii myös tekoälyn oman oppimismallin, joka on kehitettävä erikseen. Tässä yhtenä työkaluna on toimiva kaivukonelaivasto, jonka koneyksilöt ”kilpailevat” keskenään tehokkaimmasta oppimisesta.
– Tämä oppimismenetelmän kehitys on huomattavasti yksinkertaisempaa kuin esimerkiksi tekstin tunnistukseen perustuvat. Neuroverkot tässä ovat huomattavasti pienempiä koska tarvitsemme vain kolme ulottuvuutta. Matematiikalla selvitetään eksaktit tekijät, koneälyä käytetään, kun mukaan tulee harmaita alueita, mainitsee Eetu Miettinen.
Lopullinen tavoite
– Toimimme täällä soveltavan tutkimuksen keskiössä ja nyt olemme kehittämässä alustaa, jossa tarkoitus on luoda ensisijaisesti innovaatioverkosto.
– Tavoitteemme on kehittää innovaatioverkostolle tekniikoita, joita hyödyntämällä kaikkien ei tarvitse kehittää kaikkea itse. Me saamme ja jaamme täältä tietoa. Meidän tehtävämme on ottaa mukaan uusia tekniikoita. Niistä esimerkki LUTin kehittämä itseohjaava simulaattorikaivukone otettiin meille ja tavoitteeksi asetettiin sen soveltaminen oikeaan kaivukoneeseen.
– Meillä on nyt tämä testiprojekti itseajavasta kaivukoneesta jo pitkällä. Meillä on myös toinen jo käytössä oleva järjestelmä. Sitä käytetään opastamaan koulutettavia kaivukoneen kuljettajia koneen oikeassa käytössä.
– Ja Komatsun osalta me tulemme hyppäämään simulaatiosta suoraan toimivaan koneeseen, kun sen varustelu on valmis, päättää Arto Liuha.
