Ny forskning vid Högskolan i Skövde visar hur artificiell intelligens kan hjälpa tillverkningsföretag att hitta flaskhalsar, upptäcka defekta produkter och identifiera maskinslitage innan det orsakar haverier. I en av studierna ökade produktionsvolymen med upp till 18 procent.
I sin doktorsforskning har Mahesh Kumbhar vid Institutionen för ingenjörsvetenskap utvecklat AI-baserade metoder som använder data från verkliga industrimiljöer för att lösa konkreta problem i produktionen.
– Resultaten kan hjälpa tillverkningsföretag att minska driftstopp, svinn och oväntade maskinhaverier. Det kan sänka kostnaderna och samtidigt bidra till en effektivare användning av material och energi, säger Mahesh Kumbhar.
Tre konkreta tillämpningar
Forskningen omfattar tre områden där AI och fabriksdata kan göra direkt nytta.
En metod använder en digital modell av en fabrik för att identifiera vilken maskin som begränsar produktionen och föreslå förbättringar. I tester ökade produktionsvolymen med upp till 18 procent samtidigt som energiförbrukningen minskade med 1 procent.
En annan metod gör det lättare för AI att upptäcka sällsynta defekta produkter, även när det finns få felaktiga exempel att träna systemen på.
Den tredje metoden använder vibrationsdata för att upptäcka slitage och lokalisera fel i maskinkomponenter innan de leder till haverier. Att upptäcka sådana problem i tid kan i vissa fall förhindra ett helt dygns produktionsbortfall.
– Att samla in data är enklare än att omvandla den till något som faktiskt förbättrar lönsamheten. Många fabriker har redan stora mängder värdefull information, men den finns ofta utspridd i olika system och används inte fullt ut, säger Mahesh Kumbhar.
Testat på verklig industridata
En viktig del av forskningen är att metoderna har utvecklats med data från verkliga tillverkningsmiljöer. Sådan data är ofta ofullständig, bristfällig eller registrerad på sätt som inte helt motsvarar den faktiska produktionsprocessen.
Det skiljer sig från många tidigare metoder som främst har testats på artificiella eller standardiserade datamängder.
Nästa steg är att testa metoderna i fler fabriker och branscher. På sikt vill Mahesh Kumbhar också utveckla systemen så att de inte bara identifierar problem utan även kan föreslå underhållsåtgärder i realtid.
