RAZISKAVE IN RAZVOJ Papir za notranjost revije PAPIR je prispevala papirnica Vipap Videm Krško d.d., VIPRINT 80 g/m 2 Papir za notranjost revije PAPIR je prispevala papirnica Vipap Videm Krško d.d., VIPRINT 80 g/m 2 RAZISKAVE IN RAZVOJ Raziskujemo in razvijamo Raziskujemo in razvijamo | november 2019 | 22 | XLVII | november 2019 | 22 | XLVII Igor KARLOVITS 1 UVOD Umetna inteligenca (angl. Artificial Intel- ligence) je področje računalništva, ki po- udarja ustvarjanje inteligentnih strojev, ki delujejo in reagirajo kot ljudje. Dejavno- sti, ki vključujejo umetno inteligenco, so prepoznavanje govora, učenje, načrto- vanje in reševanje problemov. V računal- niškem svetu, iz katerega izvira umetna inteligenca, se včasih pojavi tudi pojem strojna inteligenca. To je inteligenca, ki jo kažejo stroji v nasprotju z naravno inteli- genco. Pri tem lahko včasih pride tudi do napačnih povezav, npr. primer sobivanja digitalnih medijev in papirja. Za razliko od digitalnih medijev, ki so delno spre- menili vlogo papirja kot nosilca informa- cije, pa je umetna inteligenca spodbudila trende, ki pozitivno vplivajo na trajnost in s tem pripomorejo k zmanjševanju ogljičnega odtisa. Algoritmi, ki ženejo predvidene modele umetne inteligence in lahko simulirajo povpraševanje in po- rabo, so izračunani na osnovi podatkov o vremenu, izboljšajo učinkovitost dostav- ne verige organskih izdelkov z zmanjše- vanjem izgub od biomase do končnega uporabnika [1]. Min-Kin Mak, podpredsednik podjetja SIG, prikazuje uporabo umetne inteligen- ce v embalaži na treh področjih: Logistična veriga – z umetno inteli- genco lahko izboljšamo povpraševanje in dostavo s pomočjo prepoznavanja vzorcev in analize fluktuacije s strani kupcev, ki bo omogočala porazdelitev kapacitet v celotni dobavno-logistični verigi. Proizvodnja – umetna inteligenca lahko optimizira tehnične parametre zara- di večje učinkovitosti in lahko pokrije večje število inženirskih ciljev: boljše vzdrževanje, koncept »ničelnih« zasto- jev, popolno sledljivost standardom in večjo zavzetost delavcev. Digitalizacija posamezne embalaže – iz- boljšana uporabniška izkušnja s pomoč- jo personalizacije embalaže. Kaj je omogočilo razvoj umetne inteli- gence in njeno implementacijo v tako ši- rok spekter možnosti uporabe v različnih panogah, je Ray Chalmers [2] povzel v naslednjih petih združevalnih vsebinah: Večji podatki – obilica digitalnih naprav je pravi zlati rudnik procesnih podat- kov, ki so lahko strukturirani (baze po- datkov, razpredelnice) ali pa nestruktu- rirani (besedilo, zvoki, video posnetki, slike). V proizvodnji ali v izdelkih se na- haja že več kot trilijon senzorjev in šte- vilka se še povečuje. Predelava podat- kov s pomočjo umetne inteligence bo razkrila zgodovinske vzorce, omogočila pametno predvidevanje in omogočala spremembe v realnem času v tehnolo- ških postopkih. Procesorska moč – sodobne tehnologi- je, kot so računalništvo v oblaku, razvoj komponent strojne opreme z nižjimi cenami in boljšimi paralelnim grafičnim procesiranjem, bodo omogočile obde- lavo velikih količin podatkov in skupaj s t. i. globokim učenjem (angl. Deep learning) še izboljšalo procese. Globalni trg – globalne proizvodne verige so skupaj z družbenimi mediji spremenili interakcijo oseb o pridobi- vanju informacij. Izboljšana povezanost prek »Interneta stvari« (angl. Internet of Things) pospešuje širjenje informacij in spodbuja širjenje znanja. Vzpostav- lja se t. i. »kolektivna inteligenca«, kjer bodo odprtokodne skupnosti razvijale AI orodja. Odprtokodna programska oprema in podatki – pospešujejo demokratizacijo umetne inteligence, kar je opazno pri razvoju standardov in platform. Izboljšani algoritmi – raziskovalci so izvedli izreden napredek v številčnem aspektu umetne inteligenca (največ v globokem učenju), ki zajema nevron- ske mreže, ki so oblikovane po vzorcu človeških možganov. Eden od trendov znotraj tega je »deep reinforcement«. Gre za umetno inteligenco, ki se uči sama in pri tem potrebuje malo ali nič vhodnih podatkov. Slovarček: Umetna inteligenca je razvoj računal- niških sistemov za izvajanje nalog, za katere je bila do sedaj potrebna človeška inteligenca (npr. opažanje, prepoznava- nje govora, odločanje in prevajanje). Strojno učenje je področje umetne inte- ligence in predstavlja računalniške rešit- ve, kot so algoritmi, katerih učinkovitost narašča s povečanjem števila primerov oziroma podatkov skozi čas. Globoko učenje (angl. Deep learning) je področje strojnega učenja in poganja največ umetne inteligence, ki je podobna razmišljanju človeka. 2 PREGLED UPORABNOSTI Razsežnost uporabe umetne inteligence bomo prikazali na več primerih, od obli- IZVLEČEK Umetna inteligenca kot del razvoja računalniških sistemov je vidna že na vseh področjih, tudi v embalažni panogi. Ker je embalaža pri svojih nalogah in ciljih večfunkcionalna, prav tako pa prihaja do povezav med posameznimi proizvodnimi procesi, le-to omogoča umetni inteligenci doseganje doslej nemogočih rešitev. V članku predstavljamo pregled raziskav s področja izdelkov iz papirja in celotne verige izdelave papirne embalaže. Ključne besede: umetna inteligenca, strojno učenje, predvidevanje, embalaža, preizkušanje ABSTRACT Artificial intelligence, as part of the development of computer systems, has been making progress in all areas, including the packaging industry. As packaging is multifunctional in its tasks and aims, several value chains and production processes are interlinked, which enables artificial intelligence and machine learning to reach currently impossible solutions. In this review, we highlight the trends, and review research on paper products and complete packaging value chain. Keywords: artificial intelligence, machine learning, prediction, packaging, testing UMETNA INTELIGENCA V EMBALAŽNI PANOGI ARTIFICIAL INTELLIGENCE IN PACKAGING SECTOR kovanja embalažnih izdelkov do sortiranja odpadkov. Oblikovalci za razširjeno inteligenco raje uporabljajo angleško oznako AI (angl. Au- gmented Intelligence) kot pa izraz umetna inteligenca. Za zdaj je dovolj, da oblikova- lec poda predlog ali naredi osnovo za ra- čunalniški algoritem, na podlagi izrisov in osnutkov pa predlaga izboljšave, ki jih na koncu izbere oblikovalec. Moč procesorja in kombinatorika verižno povezanih raču- nalniških sistemov omogočata ustvarjanje neskončnega niza dizajnov. Na sliki 1 ima- mo primer Nutelle, čokoladnega nama- za, ki ga vsi dobro poznamo. S pomočjo strojne inteligence in digitalnega tiska so v okviru promocijske akcije Nutella Unica naredili 7 milijonov različic dizajna. Vsak dizajn je oblikovala umetna inteligenca na podlagi predprogramiranih vzorcev. Takšno število različic je nemogoče priča- kovati od običajnega človeka, oblikovalca. Tisk je narejen s pomočjo digitalne tehno- logije tiska, ki omogoča variacijo dizajna v realnem času. surovin v tehnološkem postopku in s tem pripomogli k zmanjšanju operativnih stro- škov. Umetne nevronske mreže se lahko uporabljajo tudi na »nižjem« nivoju, npr. pri posameznih procesih v postopkih izde- lave vlakninskih materialov kot surovine za embalažne papirje. Cielelski in Olejnik [5] sta v svojih raziskavah uporabila nevron- ske mreže za predvidevanje lastnosti papirja na primeru kemično pridobljenih celuloznih vlaken, pri čemer sta izpostavila tri glavne parametre, na katere ima mletje velik vpliv: stopnja mletja, količina vlaken in povprečna dolžina vlaken. Vhodne podatke sta uporabila za predvidevanje gostote, utržne dolžine in raztržne odpor- nosti. Uporabila sta Levenberg-Marqu- ardtov algoritem. Rezultati simulacij so bili ustrezni, zato sta priporočila uporabo umetne inteligence za reševanje podobnih razvojnih izzivov. Podobna tematika je ob- delana tudi v članku [6], kjer so raziskovali kakovost papirjev v povezavi z mehanski- mi (utržni indeks, raztržni indeks, razpočni indeks in število dvojnih prepogibov) in morfološkimi lastnostmi celuloznih vlaken pri različnih vrstah mletja. Avtorji so uporabili umetne nevronske mreže in večkratne linearne regresijske modele za postavljanje različnih modelov med odvisnostjo za obvladovanje in pred- videvanje kakovosti papirja. Avtorji so po- trdili uporabnost teh pristopov za določa- nje procesnih in kakovostnih parametrov. Omenimo še raziskavo Adamopuolos in drugi [7], kjer so se raziskovalci lotili pred- videvanja kakovosti embalažnih papirjev (linerja in flutinga) za izdelavo valovite- ga kartona z višjim deležem recikliranih vlaken. Oba uporabljena pristopa, MLR in ANN, sta bila zelo uporabna za predvide- vanje utržne jakosti v prečni smeri za liner papir, z natančnostjo od 95 % in 97,27 %, za tlačno odpornost v smeri teka vlaken za fluting s koeficientom natančnos- ti od 94,13 % in 99,28 %. Rezultati so si podobni, vendar pa se je izkazalo, da je model ANN boljši, saj povezave med vhodnimi in izhodnimi podatki niso vedno linearne. Ko je embalaža dokončana, se vanjo vstavi izdelek. Tudi v tem primeru strojna inteligenca že ponuja nekaj rešitev za em- balažno panogo. Steven Mejer je opisal primer polnjenja plinskih jeklenk z LPG. Za natančno polnjenje jeklenk je treba poznati težo prazne jeklenke, pri čemer le-ta lahko odstopa za 10 %, kar otežuje polnjenje. V preteklosti so bile jeklenke primerno označene, vendar je z leti prišlo do obrabe in s tem tudi do težje berljivos- ti. Rešitev je ponudila umetna inteligenca oziroma strojno učenje. Inženirji v podjetju so naredili razširjeno bazo slik jeklenk in naučili stroje, da prepoznajo specifične jeklenke na podlagi korelacije. Algoritem in baza slik z jeklenkami sta izpopolnjena, nihanja pa so večkratno zmanjšana. Druga rešitev je povezana s polnjenjem in zapiranjem steklenic. Podjetje Acquire Automation za kontrolo zapiralcev stekle- nic in procesa polnjena uporablja sistem CapQ Vision Inspection (Slika 2). Slika 1. Strojno generirane različice steklenic čokoladnega namaza Nutella Figure 1: Machine designed variations of the Nutella packaging Umetna inteligenca se v papirni industriji večinoma uporablja za optimizacijo teh- noloških parametrov. Nekateri proizvajalci papirnih strojev že ponujajo celostno opti- mizacijo, vendar raziskave še vedno pote- kajo predvsem na raziskovalnem področju. Nieminen in drugi [3] v svoji raziskavi opi- sujejo večplastni »perceptronski« model, ki lahko napove kakovostne parametre lastnosti papirja na laboratorijski ravni in jih uporabi v realnem okolju. Končni mo- del je imel najboljšo vrednost v predvide- vanju za indeks utržne jakosti (95,7 %) in za formacijo (66,7 %). S podobnimi razi- skavami se je ukvarjala tudi Ivanikova s so- delavci [4], ki se je osredotočila na vhodne surovine kot pokazatelje končne kakovosti papirja na pilotnem papirnem stroju. Kot izboljšavo so izpostavili pravočasno za- znavanje sprememb v kakovosti vhodnih Slika 2. Kontrola zapiranja steklenic vodena z umetno inteligenco Figure 2. Bottle cap inspection with artificial intelligence RAZISKAVE IN RAZVOJ Papir za notranjost revije PAPIR je prispevala papirnica Vipap Videm Krško d.d., VIPRINT 80 g/m 2 Papir za notranjost revije PAPIR je prispevala papirnica Vipap Videm Krško d.d., VIPRINT 80 g/m 2 RAZISKAVE IN RAZVOJ Raziskujemo in razvijamo | november 2019 | 22 | XLVII | november 2019 | 22 | XLVII lednje korake razvoja bistveno lažji, ven- dar bo potreben tudi preskok v naravni inteligenci uporabnikov za obvladovanje tovrstnih sistemov. 4 LITERATURA [1] LALOU K. AI in Packaging: How artificial intelligence is driving the packaging industry forward. Dostopno na spletu https://www. packaginginsights.com/news/ai-in-pack- aging-how-artificial-intelligence-is-driv- ing-the-packaging-industry-forward.html [2] CHALMERS, R., AI in packaging: Defining terms, assessing impact—Part 1, Dostopno na spletu: https://www.packagingdigest.com/ automation/ai-in-packaging-defining-terms-as- sessing-impact-part-1-2019-05-07 [3] NIEMINEN, P ., KÄRKKÄINEN, T., LUO- STARINEN, K., MUHONEN, J. Neural Predic- tion of Product Quality Based on Pilot Paper Machine Process Measurements, In: Dobnikar A., Lotrič U., Šter B. (eds) Adaptive and Nat- ural Computing Algorithms. ICANNGA 2011. Lecture Notes in Computer Science, vol 6593. Springer, Berlin, Heidelberg [4] IVANNIKOVA E., HÄMÄLÄINEN T., LUO- STARINEN K., Variable group selection based on regression trees: Paper machine case study 2014 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS), Linz, Austria, 2014, str. 1–5. [5] CIESIELSKI K, OLEJNIK K. Application of Neural Networks for Estimation of Paper Prop- erties Based on Refined Pulp Properties. FIBRES & TEXTILES in Eastern Europe 2014; 22, 5(107) str. 126–132. [6] MONGA, S., THAPLIYAL B., TYAGI, S., NAITHANI, S., Relationship between Strength Properties and Fiber Morphological Character- istics of S. officinarum – Part-1: Regression and Artificial Neural Networks Analysis, Internation- al Journal of Science and Research (IJSR), 6. 6-391, 2017 [7] ADAMOPOULOS, S., KARAGEORGOS A., RAPTI, E., BIRBILIS, D., Predicting the properties of corrugated base papers using multiple linear regression and artificial neural networksDrew- no 2016, Vol. 59, No. 198 DOI: 10.12841/ wood.1644-3985.144.13 [8] KHAN, J., Everything you need to know about Visual Inspection with AI, Dostopno na spletu; https://nanonets.com/blog/ai-visual-in- spection/ [9] BROWN D., HOROWITZ M., AI Offers a Smarter Path to Sustainable Packaging, Dostopno na spletu: https://www.mhlnews. com/technology-automation/ai-offers-smart- er-path-sustainable-packaging [10] KARLOVITS, I., Technologies for using Big Data in the paper and printing industry, J. Print Media Technol. Res. 6(2017)2, 75–83 [11] BEZAMAT B., Lush trials AR product app in new package-free store, Dostopno na spletu: https://thecurrentdaily.com/2018/06/14/lush- ar-app-package-free-store/ Inštitut za celulozo in papir, Bogišićeva ulica 8, 1000 Ljubljana, Slovenija Slika 3. Brez embalaže in brez nalepke – le mobitel za vse izdelke podjetja Lush Figure 3: No packaging no labelling – just a mobile phone for the identification of Lush cosmetics Umetna inteligenca se lahko uporablja tudi za prepoznavanje napak, npr. teks- ture in klasifikacije materialov, verifikacije sestavljanja in lociranja izdelkov z napa- ko, kot tudi za strojno branje nepopolnih črk ali črk pod kotom. Z njeno uporabo lahko izboljšamo učinkovitost, zagotovi- mo lažje programiranje novega izdelka in fleksibilnost, ki je pri naročniku še kako pomembna. V članku Jamsheda Kahna [8] so opisane vse prednosti strojnega učenja z vizualno kontrolo izdelkov v embalažni panogi. Umetna inteligenca pa lahko pomaga tudi pri logistiki, in sicer pri nadzoru to- vora od proizvajalca do končnega upo- rabnika. Z uporabo podatkov GPS lahko sistem nadzoruje več parametrov, kar omogoča maksimalno usklajevanje logi- stike in s tem zmanjševanje števila vozil in prevoženih kilometrov, kar zmanjša ogljični odtis. Po drugi strani pa se lahko sistemi umetne inteligence uporabljajo tudi za sortiranje odpadkov, kar spod- buja krožno gospodarjenje. V zbiralnici in predelovalnici odpadne embalaže se že uporabljajo visoko inteligentni stroj- ni sistemi, kot je opisano v članku [9]. Podjetje Alpine Waste & Recycling MRF v Denverju v Koloradu (ZDA) uporablja Včasih pa se zgodi, da umetna inteligen- ca ni lahko obvladljiva, v smislu zbiranja in obdelave podatkov. V večini prime- rov je veliko odvisno od same računal- niške infrastrukture podjetja. V članku Karlovits [10] so predstavljeni zahteve in trenutni izzivi tiskarskih in embalažnih podjetij. Papirnice so večinoma zaprti sistemi, zato imajo tudi embalažerji kot tudi predelovalci razdrobljene sisteme, ki računalniško niso povezani. To predsta- vlja izziv podatkovnih formatov in sen- zorskih sistemov ter prenos teh podatkov do centralnega računalnika, ki bi lahko izvajal operacije s pomočjo umetne inte- ligence. Rešitve, ki jih ponujajo sodobne tehnike bi lahko obrnile celoten koncept dojemanja embalažne verige. Podjetje Lush [11] uporablja umetno inteligenco in strojno učenje, da se popolnoma znebi vmesne primarne embalaže in označeva- nja z nalepkami ali tiskanimi reklamnimi dodatki. Računalniški sistemi so pro- gramirani tako, da prepoznajo Lushev izdelek, ki ga je možno poskenirati s pomočjo aplikacije na mobitelu. Aplika- cija je narejena tako, da se vsi podatki, ki jih je prej vsebovala nalepka ali primerna embalaža, prikažejo na zaslonu mobitela (Slika 3). stroj AMP Cortex, ki ima vgrajeno ka- mero, s katero preverja pretok odpadne kartonske embalaže na tekočem traku. Za identifikacijo kartonskih izdelkov med različnimi materiali uporablja umetno inteligenco, prepozna razliko med nava- dnimi škatlami in aseptičnim kartonom ali kompozitnim materialom. Trenutno naprava ločuje več kot 150 različnih va- riacij kartona in se uči še naprej. Ko je ustrezni karton prepoznan, ga naprava s pomočjo rok izloči. Povprečen človek lah- ko izloči 40 kartonov iz množice odpad- kov, medtem ko lahko strojna naprava izloči 60 kosov z več kot 90-odstotno na- tančnostjo. Številka se samo še povečuje, saj se učinkovitost z učenjem izboljšuje. 3 ZAKLJUČEK Umetna inteligenca in tehnologije, kot so strojno učenje, umetne nevronske mreže, skupaj s senzorji in kamerami omogoča- jo neskončno izboljšanje vseh procesov v embalažni panogi. Način uporabe in pos- tavljanje v obstoječe sisteme je seveda še vedno odvisen od naravne inteligence odgovornih v podjetjih. Kje v embalažni verigi bo umetna inteligenca prva zaži- vela (razvoj in proizvodnja osnovnih suro- vin, pakirne linije ali logistika), je težko napovedati, saj so tehnološki postopki v panogi v večini še vedno le mehanizirani. S spremembo strojnega parka in tehno- loških postopkov bo tudi preskok v nas- Oglasno sporočilo Well-known with over 5,400 pressure screens installed in numerous stock preparation lines worldwide, ANDRITZ presents the latest evolution in screening – the PrimeScreen X. The innovative design of the new screen builds on the successes of the widely valued ModuScreen family, but offers innovative, key benefits. The improvements in energy efficiency, screening performance, and maintainability are significant. Andritz AG PRIME V PRIPRAVI SNOVI PRIME IN STOCK PREPARATION ANDRITZ je znan po tem, da je po vsem svetu montiral 5400 tlačnih prebiralnikov na številnih linijah za pripravo snovi. Zdaj predstavlja najnovejši izdelek v procesu prebi- ranja – PrimeScreen X. Inovativna zasnova novega prebiralnika teme- lji na uspehih zelo cenjene družine ModuScreen-ov, vendar ponuja pa inovativne, ključne prednosti. Izbolj- šave energetske učinkovitosti, učin- kovitosti prebiranja in vzdrževanja so znatne. Sampo Köylijärvi, globalni produkt- ni vodja za sisteme RCF prebiranja in flotacije pri Andritzu pravi: »Z osre- dotočenostjo na potrebe strank in zahteve trga ter uživanjem prednosti naših dolgoletnih izkušenj in znanja na področju prebiranja je šel PrimeScreen X skozi vse stopnje razvoja izdelka – od začetnega tehničnega projektiranja do razvoja prototipa ter dveh let pre- skušanja v papirnici – pri najzahtevne- jših uporabah OCC. PrimeScreen X je idealen za vse vrste prebiranja ne glede na surovino. Glavne lastnosti naprave PrimeScreen X / Main features of the PrimeScreen X Glavne izboljšave zasnove novega prebi- ralnika so: Dovod snovi z vrha. Zasnova upo- rablja gravitacijo za hitro odstranjeva- nje težkih nečistoč. S tako zasnovo od zgoraj navzdol abrazivni materiali, ki povzročajo obrabo rotorja in sita ozi- roma košare, ne tečejo počasi navzgor skozi celotno sito. Zasnova od zgoraj navzdol izboljša tudi odstranitev lah- kih rejektov (odpadnih snovi), ter tako prepreči njihovo zbiranje na območju dovajanja in s tem podaljša življenjsko dobo obrabljajočih se sestavnih delov. PrimeRotor in letve za večjo učin- kovitost in nižjo porabo električne energije. Prebiralnik je lahko opre- mljen z novim PrimeRotor, ki izboljša učinkovitost prebiranja in zmanjša po- rabo energije do 25 odstotkov. Letve za PrimeRotor se lahko nadomestijo s katero koli letvijo podjetja ANDRITZ, rotor pa se lahko namesti v katero koli vrsto prebiralnika, ki je na voljo na trgu. Lažje vzdrževanje. Zamenjava košar in rotorjev vzame veliko časa. V Pri- meScreen X je uporabljena edinstveno zasnovana prirobnica pogonske gredi, ki povezuje rotor s središčem, zaradi česar je vzdrževanje ali zamenjava hit- ra in lahka. Inovativni vpenjalni sistem za pritrditev košare omogoča hitrejšo menjavo te košare. Optimizirana razmerja med višino in premerom košare prebiralnika. PrimeScreen X je zasnovan tako da z PrimeScreen X optimiziranim razmerjem med višino in premerom košare izpolnjuje zahteve različnih oprem in uporab. To prispeva k zmanjšanju dejavnikov zgoščevanja, boljšemu nadzoru izgube vlaken in manjšim možnostim zamašitve. PrimeScreen X je izjemen za vse vrste prebiranja – rjavi in beli programi, re- ciklirane in izvorne vlaknine, vključno z grobo, fino, izmetno, gosto... prebiran- je, ter frakcioniranjem. Več informacij o Andritzovi najnovejši tehnologiji prebiranja lahko dobite na: andritz.com/primescreen ali če pišete na naslov: sampo.koylijarvi@andritz.com