Grundorsaksanalys av kvalitetsavvikelser vid tillverkning med användning av maskininlärning (GOA-ML)

Forskningsprojekt, 2016 – 2018

Projektets syfte är att utveckla metoder baserade på maskininlärning och analys av stora datamängder för identifiering av grundorsaker till fel och kvalitetsavvikelser i tillverkningsprocesser. Projektet kommer att nyttja stora datamängder från produktionsanläggningar för att analysera tillverkningsprocesser på ett kvantitativt och data-drivet sätt. Metoderna kommer vara generiska, modulbaserade, och utvidgningsbara för att också täcka andra industritillämpningar där grundorsaksanalys är viktigt för att upprätthålla hög kvalité och produktionstakt.

Tillämpning av de utvecklade metoderna kommer att leda till förbättrad produktionskvalité genom att automatiskt detektera kvalitétsavvikelser och fel och identifiera deras grundorsaker. Tillverkningstakten kan därmed öka eftersom manuell identifiering och åtgärder för att eliminera grundorsaker till problem ersätts med en automatiserad process. Tillämpning av metoderna på specifika användarfall kommer att visa på resultatens användbarhet liksom mjukvarudemonstratorn som kommer att underlätta demonstration av det framtagna ramverket för andra intresserade parter.

Projektet är uppdelat i fem arbetspaket. Ett paket för algoritm- och metodutveckling, två paket för datainsamling, modellering och framtagande av användarfall som leds av SKF respektive FlexLink, ett paket för utveckling av mjukvarudemonstrator och ett paket för projektkoordinering och administration. Det finns fyra milstolpar för uppföljning av förväntat arbetstempo.