Automatisk arbetsmomentdetektion: den saknade pusselbiten i utvecklingen av digitala instruktörer

Förareffekt och arbetsmetod

Inom skogsteknisk forskning används ofta begreppet förareffekt. Problemet är att det inte råder någon enighet om skillnaden mellan förareffekt och arbetsmetod. Dessa begrepp blandas ofta ihop, men förareffekt bör endast omfatta psykologiska, kognitiva och motoriska förmågor. Dessa förmågor är kopplade till individens medfödda talanger och kan därför inte snabbt förbättras genom utbildning eller övning. Arbetsmetod däremot innefattar såväl grovt beskrivna arbetsmoment som körtekniska frågor rörande förarens sätt att med kontroll manövrera maskinen på detaljnivå, samt systematiska procedurer och strategier för att utföra en given uppgift. Förarens arbetsmetoder är lättare att förändra än hens medfödda förmågor. Därför är förareffekt och arbetsmetod inte utbytbara termer.

Under fältstudier har de mest produktiva skogsmaskinförarna visat sig vara 40–100 procent mer produktiva än sina mindre produktiva kollegor. Produktiviteten förbättras snabbast i början av karriären och under de yngre åren. Enligt nordisk arbetsvetenskaplig litteratur når skogsmaskinförare sin högsta produktivitet i 40-årsåldern och har då cirka 20 procent högre produktivitet än förare i 20-årsåldern. Förarna tenderar att bevara sin uppnådda produktivitet relativt väl över tid. Enligt centraleuropeisk forskning fördubblar en ny skördarförare vanligtvis sin produktivitet under det första året, men därefter avtar förbättringstakten betydligt. Även erfarna förare kan uppvisa en inlärningskurva när de ställs inför förändringar i arbetets innehåll.

Det är inte helt klart om prestationsskillnaderna mellan förare huvudsakligen beror på förareffekt, olika arbetsmetoder, eller båda delarna lika mycket. Det finns dock några studier där man har försökt särskilja arbetsmetod från förareffekt. I dessa studier har man uppskattat att prestationen i avverkningsarbete kan skilja sig upp till 20 procent mellan olika arbetsmetoder. Motsvarande studier för skotare saknas, men standardiserade experiment visar att korrekt arbetsmetod är en avgörande faktor för prestationen vid skotning. Detta är inte förvånande med tanke på att skotning framför allt kräver strategiskt tänkande.

Digital instruktör

Enligt befintlig forskning och beprövad erfarenhet kan en metodinstruktör avsevärt rationalisera skogsmaskinförares arbetsmetoder och därigenom höja produktiviteten. Men metodinstruktörer är en knapp resurs och kan bara besöka förarna sällan och under kort tid. En digital instruktör kan vara åtminstone en dellösning på instruktörsbristen.

Precis som en traditionell metodinstruktör ska en digital instruktör ge maskinförare realtidsfeedback på arbetet och vägleda i hur arbetet kan effektiviseras. Till skillnad från en traditionell metodinstruktör är stödet datorbaserat. Även om en digital instruktör troligtvis inte kommer att ersätta mänskliga instruktörer inom en överskådlig framtid, kan en digital instruktör vara ett bra komplement.

Olika digitala instruktörer har studerats inom transportsektorn under flera decennier. Studier visar att en digital instruktör inte bara kan rationalisera körmönster och arbetsmetoder, utan också minska risken för att förare återgår till gamla ineffektiva arbetsvanor, förmodligen tack vare ständiga påminnelser och feedback.

Men för att implementera en digital instruktör inom skogsbruk krävs detaljerad och tillförlitlig automatisk detektion av arbetsmoment och metoder. Därför är det första steget i utvecklingen av en digital instruktör att utveckla ett system för automatisk datainsamling och arbetsmomentdetektion.

Utveckling av system för automatisk datainsamling och arbetsmomentdetektion

Ordinarie CAN-bussdata, som exempelvis förarens styrsignaler, ger i sig användbar information om skogsmaskinens rörelser. Arbetsmomentdetektion kräver dock omfattande databehandling och/eller ytterligare datakällor, särskilt för skotare.

Färdighet för standardiserad arbetsmomentdetektion för skördare finns

Skördarens datasystem tidstämplar och registrerar maskinens geografiska position vid varje fällkap. Denna information sparas automatiskt i en hpr-fil. Trots att hpr-data är värdefulla i sig, kan skördearbetet inte delas in i arbetsmoment baserat på en enskild tidsstämpel per stam. Ordinarie hpr-data kan dock kompletteras med utökade tidsstämplar och information från mom-filer. Då kan, utöver fällkap, även händelser såsom stockkap och tilt-upp tidstämplas. Skördarens arbetsmoment kan automatiskt detekteras med hyfsat hög precision baserat på dessa datapunkter. Utökade tidsstämplar har testats i fältstudier, men är ännu inte formellt en del av StanForD.

Långsam utveckling av arbetsmomentdetektion för skotare

Även om skotarens CAN-buss ger data om körning och krananvändning, ger dessa data inte några tidsstämplade datapunkter som direkt kan avgöra om skotaren lastar eller lossar. Det är till och med omöjligt att dela in ett skotardataset i separata lass. Enligt StanForD kan man manuellt rapportera lastens start- och sluttider samt uppskattade volymer med hjälp av fpr-filer, men det innebär att datainsamlingen inte sker automatiskt.

Det finns dock några gamla lösningar för att automatiskt detektera skotarens arbetsmoment. Att identifiera lastnings- och lossningscykler möjliggör därefter identifiering av övriga arbetsmoment. Man kan försöka göra detta enbart baserat på styrsignaler: stäng/öppna gripen och vrid kranen mot eller bort från lastutrymmet. Ett annat alternativ är att utrusta skotarkranen med en våg och kranpelaren med en vinkelgivare. Grundprincipen är densamma i båda fallen: först detekteras om gripen håller virke, och därefter om gripen rör sig mot eller från lastutrymmet.

Geofencing (geostaket), kombinerat med hastighetsövervakning, är ytterligare en gammal lösning. Om hastigheten understiger ett visst gränsvärde, registreras antingen arbetsmomentet lastning eller lossning beroende på maskinens position, innanför eller utanför avlägget (dess hörnkoordinater). Om hastigheten överstiger gränsvärdet, registreras antingen körning med last eller utan last beroende på om det föregående arbetsmomentet var lastning eller lossning. Forskning har dock visat att skotarens arbetsmoment inte kan detekteras tillförlitligt enbart baserat på geofencing och hastighet utan ytterligare datakällor behövs. Därför har forskarna under de senaste åren börjat rikta sitt fokus från äldre till mer moderna lösningar.

Artificiell intelligens (AI) och maskinsyn öppnar nya möjligheter

AI, i kombination med fullt sensoriserade kranar, erbjuder nya möjligheter att detektera arbetsmoment, särskilt för skotare. Under lastning plockas stockar upp vid ungefär samma höjd (marknivå), och det förekommer ofta omfattande körning mellan krancyklerna. Vid lossning är det omvänt. Maskininlärning skulle kunna använda dessa systematiska skillnader för att först detektera lastning och lossning, och därefter övriga arbetsmoment.

Det pågår mycket forskning kring maskinsyn och maskininlärning, och vetenskapliga studier om skogstekniska tillämpningar publiceras i ökande takt. Integration av maskinsyn och maskininlärning har potential att identifiera sortiment och förbättra kvaliteten på automatiskt insamlade skotardataset. För skördare är fullständig sortimentsinformation redan tillgänglig på stocknivå genom apteringssystemet.

Förmågan hos maskinsyn att gradvis ersätta sensorer har fått för lite uppmärksamhet. Maskinsyn borde relativt lätt kunna detektera om gripen håller virke samt dess rörelseriktning. Tillsammans med en distansmätande sensor som lidar skulle AI också kunna mäta kranens räckvidd när skotargripen greppar ett virkesknippe eller när skördaraggregatet greppar en stam, och därmed identifiera arbetszoner. Mobilapplikationer baserade på denna teknik används redan för skogsinventering, och skogsmaskintillverkaren Ponsse utvecklar en lösning för skördare med lidarteknologi för att lokalisera träd runt maskinen.

Trots potentialen hos den moderna teknologin är det osannolikt att all arbetstid korrekt kan delas i olika arbetsmoment, eller att alla sortiment identifieras korrekt. Det är dock inte heller nödvändigt i detta sammanhang. Det viktiga är att veta när man inte vet. Automatisk datainsamling genererar stora mängder data, vilket möjliggör selektivitet utan att representativiteten påverkas nämnvärt.

Feedback ska ges på ett relevant sätt

Man bör beakta arbetsförhållanden när man ger feedback på arbetet. Arbetsförhållanden påverkar prestationen och har betydelse för vilka arbetsmetoder och strategier som är lämpliga. Skördarens apteringssystem genererar stora mängder data relaterade till arbetsförhållanden, men maskintillverkarnas befintliga prestationsövervakningssystem tar inte hänsyn till detta. En enkel faktor som stamvolym skulle avsevärt förbättra nyttan av feedback. Andra stamvis lätt tillgängliga prestationspåverkande variabler vore: antal stockar, sortiment, tvångskap (ja/nej) och så vidare. För skotare är det dock svårare. Det är välkänt bland skotarförare och i vetenskapliga litteraturen att skotarens prestation mestadels beror på sortimentsvolymens rumsliga utspridning. Men man har ännu inte lyckats med att modellera denna grundläggande effekt på något praktiskt användbart sätt. Nödvändiga data skulle vara tillgängliga efter avverkning genom hpr-filer, och i framtiden kan laserskanning med hög punkttäthet erbjuda användbara data även före avverkningen. Trots den begränsade kunskapen om produktivitetens underliggande faktorer förblir en digital instruktör relevant, eftersom instruktioner för skotning oftast är allmänna, till exempel om effektiva kranspetsvägar och arbetszoner.

Läget idag och vägen framåt

För skördare har en teknisk färdighet att automatisera arbetsmomentdetektion, och därmed även att konstruera en digital instruktör, redan funnits i flera år. Och vidareutvecklingen skulle inte heller kräva omfattande investeringar i nya tekniska lösningar. Utvecklingen av automatisk arbetsmomentdetektion för skotare har däremot inte gjort något verkligt genombrott. Det är dags att överge gamla lösningar och överväga nya angreppssätt, såsom AI och maskinsyn, som kan förändra spelplanen – inte bara för skotare utan även för skördare.

En ytterligare dimension i denna diskussion är övergången av resurser till utveckling av nästa generations fjärrstyrda och autonoma skogsmaskiner. Om dessa maskintyper gradvis ersätter de befintliga, uppstår frågan om hur länge en digital instruktör kommer att vara relevant. För skördare behöver detta inte vara ett problem, då en digital skördarinstruktör skulle kunna realiseras relativt snabbt om efterfrågan finns. Däremot väcker den långsamma utvecklingen för skotare frågan om hur långvarig en digital skotarinstruktör kommer att vara när den väl finns på plats.

Det är dock viktigt att skilja på en digital instruktör och utveckling av automatisk datainsamling och arbetsmomentdetektion. Den digitala instruktören kan bli föråldrad om skogsmaskiner förändras under de kommande decennierna, men tekniken som utvecklats för automatisk datainsamling och arbetsmomentdetektion kan behålla sin relevans för framtida generationer av maskiner. Förmågan att i realtid detektera arbetsmoment, volymer och sortiment kommer att vara en värdefull tillgång, oavsett hur framtida skogsmaskiner ser ut.

Denna text är en sammanfattning av en artikel som publicerats i Silva Fennica. Själva artikeln och den hänvisade litteraturen hittar du här:
Manner J. (2024). Automatic work-element detection: the missing piece in developing intelligent coaching systems for cut-to-length logging machinery. Silva Fennica vol. 58 no. 1 article id 24004.