Niklas Fries har i sitt forskningsprojekt samarbetat med Volvo Lastvagnar för att ta reda på hur datadrivna metoder skulle kunna förebygga kvalitetsproblem vid målning av lastbilshytter i fabriken i Umeå.
– Klassisk kvalitetskontroll för tillverkningsindustrier bygger på att man övervakar kvalitet över tid, och först om kvaliteten försämras inleds en undersökning om varför. Modern hårdvara och moderna algoritmer låter oss i stället förutsättningslöst samla in stora mängder data, för att sedan hitta mönster vi inte visste att vi letade efter, säger Niklas Fries, doktorand vid Företagsforskarskolan och Institutionen för matematik och matematisk statistik vid Umeå universitet.
Modern sensorteknologi, som ofta kallas ”Internet of things”, gör det möjligt att övervaka hundratals eller tusentals process- och miljövariabler vid tillverkningsprocesser. Då blir de klassiska metoderna snabbt ohanterliga. Datadrivna metoder öppnar i stället för att studera redan insamlade data och använda maskininlärningsalgoritmer för att hitta rotorsaker till kvalitetsproblem.
I sitt arbete har Niklas Fries studerat process- och kvalitetsdata från ytbehandlingen i Volvo Lastvagnars hyttfabrik. Han utgått från en tilltänkt slutprodukt i form av ett automatiskt system som varnar vid risk för försämrad kvalitet och föreslår preventiva åtgärder. Det skulle tillåta tidigare, mer precisa och effektiva interventioner, vilket i sin tur skulle leda till bättre kvalitet, minskade tillverkningskostnader och minskad miljöpåverkan.
– När vi startade projektet 2017 var ambitionen att bryta ny mark; att kunna förutse kvalitetsproblem och hinna göra en förändring innan de uppstår. Det var spännande, men också en utmaning att hitta tidigare forskning att utgå ifrån, säger Malin Andersson, IT- och digitaliseringsansvarig på Volvo Lastvagnar.
Många av de utvärderade metoderna för orsaksanalys är fortfarande väldigt nya.
– Även om det återstår en del grundforskning för att kunna avgöra hur bra de här metoderna fungerar i allmänhet, så visar våra och andras resultat att tillvägagångssättet har stor potential, med exempel på ökad kvalitet i kommersiella processer, säger Niklas Fries.
De utvärderade metoderna är allmänna för maskininlärning och kan användas för andra tillämpningar med liknande typer av data, till exempel som beslutsunderlag för läkare, för att utvärdera kreditvärdighet eller för att upptäcka bedrägerier.
För Volvo Lastvagnars del har forskningsprojektet inneburit mycket ny kunskap.
– Samarbetet med universitetet är väldigt viktigt. Det är det som gör Umeå till en attraktiv plats. Vi på Volvo har den praktiska kunskapen som kan kompletteras av den teoretiska expertisen från universitetet, vilket gör oss otroligt starka ihop, säger Malin Andersson.
Text & Foto: Sara-Lena Brännström, Umeå Universitet
