Ny forskning från Högskolan i Skövde visar hur artificiell intelligens (AI) kan användas för att effektivisera industriproduktion, upptäcka kvalitetsbrister och förutse maskinhaverier. I tester har en av de utvecklade metoderna ökat produktionsvolymen med upp till 18 % samtidigt som energiförbrukningen minskat.
Mahesh Kumbhar, doktorand vid Institutionen för ingenjörsvetenskap vid Högskolan i Skövde, har i sin forskning utvecklat AI-baserade metoder som hjälper tillverkningsföretag att använda produktionsdata för att identifiera problem och förbättra sina processer.
– Resultaten kan hjälpa tillverkningsföretag att minska driftstopp, svinn på grund av defekta produkter och oväntade maskinhaverier. Det kan sänka kostnaderna och samtidigt bidra till en effektivare användning av material och energi, säger Mahesh Kumbhar i ett nyhetsmeddelande.
Tre metoder för effektivare produktion
Forskningen omfattar tre huvudsakliga användningsområden. Den första metoden bygger på en digital modell av fabriken som används för att identifiera flaskhalsar och föreslå förbättringar. Vid tester ökade produktionsvolymen med upp till 18 %, medan energiförbrukningen minskade med 1 %.
Den andra metoden är inriktad på kvalitetskontroll och gör det möjligt för AI-system att identifiera ovanliga produktionsfel, även när det finns få exempel på defekta produkter att träna systemen med.
Den tredje metoden använder vibrationsdata för att upptäcka tidiga tecken på slitage i maskinkomponenter. Genom att identifiera fel innan de leder till haverier kan företag planera underhåll och minska risken för oplanerade produktionsstopp.
Industridata ställer särskilda krav
En central utmaning är att produktionsdata ofta finns i flera olika system och kan vara ofullständiga eller svåra att tolka. Många befintliga AI-metoder har dessutom utvecklats med hjälp av standardiserade testdata som inte fullt ut motsvarar förhållandena i industrin.
– Verklig fabriksdata är betydligt mer svårhanterlig än man kan förvänta sig utifrån en lärobok. Information kan saknas, vara ofullständig eller ha registrerats på sätt som inte helt återspeglar den faktiska processen, säger Mahesh.
Forskningen har därför fokuserat på metoder som kan hantera data från verkliga tillverkningsmiljöer. Nästa steg är att utvärdera lösningarna i fler fabriker och branscher. Målsättningen är också att utveckla mer automatiserade system som inte enbart identifierar problem utan även kan föreslå lämpliga underhållsåtgärder i realtid.
