Sökträffar

    Sökträffar

    Visa alla resultat för ""
    Hittar inga resultat eller sökförslag för ""

    Söktips

    • Kontrollera att orden är rättstavade
    • Försök med andra sökord eller synonymer
    • Smalna av din sökning för att få fler träffar

    Hur kan vi hjälpa dig?

    Ny student

    Kontakta oss

    Hitta medarbetare

    Sökträffar

      Sökträffar

      Visa alla resultat för ""
      Hittar inga resultat eller sökförslag för ""

      Söktips

      • Kontrollera att orden är rättstavade
      • Försök med andra sökord eller synonymer
      • Smalna av din sökning för att få fler träffar

      Hur kan vi hjälpa dig?

      Ny student

      Kontakta oss

      Hitta medarbetare

      Högskolan i Skövde, länk till startsida

      Prediktiv forskning inom intelligent simulering och tillverkning

      Prediktiv forskning inom intelligent simulering och tillverkning

      Prediktiv forskning inom intelligent simulering och tillverkning (PRISM) är en forskningsgrupp vid Högskolan i Skövde. Vi utvecklar prediktiva och intelligenta metoder för tillverkning genom att kombinera fysikbaserad simulering, datadriven modellering, optimering och experimentell validering.

      "Målet är att göra det möjligt för ingenjörer att förutse hur ett material, en process eller ett helt produktionssystem kommer att fungera innan det byggs. Vårt fokus är materialbeteende, tillverkningsprocesser och produktionssystem."

      Kent Salomonsson, professor i maskinteknik

      Så arbetar vi

      PRISM samlar forskare inom maskinteknik, produktionsteknik, fysik och informationsteknologi. Gruppen kombinerar kompetens inom tillverkningsvetenskap, virtuell ingenjörskonst, artificiell intelligens, experimentella metoder, optimering och produktionssystem för att möta industriella utmaningar på flera nivåer.

      Tre metoder genomsyrar allt vi gör

      Vi utvecklar numeriska simuleringar av tillverkningsprocesser som beskriver multifysikaliska förlopp, där termiska, mekaniska, strömningsrelaterade och materialrelaterade samspel ingår i samma modell. Dessa modeller utgör grunden för de digitala tvillingar som vi utvecklar för processutformning, analys och tekniskt beslutsfattande.

      Det är sällan ekonomiskt möjligt att simulera alla tänkbara konfigurationer. Vi använder maskininlärning, surrogatmodellering och datafusion för att snabbare utforska möjliga processalternativ. Därefter använder vi känslighetsanalys, osäkerhetskvantifiering och optimering för att identifiera vilka beslut som förblir robusta när förutsättningarna varierar.

      En modell blir tillförlitlig först när den har prövats mot verkligheten. Vi genomför kontrollerade experiment, diagnostik, mätningar och materialkarakterisering för att kalibrera och verifiera våra modeller. Det experimentella arbetet visar också vilka fysikaliska fenomen en modell behöver beskriva från första början.

      Våra tillämpningsområden

      Vi arbetar på fyra nivåer: från hur ett enskilt material beter sig till hur hela produktionssystem fungerar, och vidare till människokroppen. Nivåerna skiljer sig åt i skala, men arbetssättet är detsamma. På varje nivå bygger vi virtuella modeller, analyserar och optimerar dem och kontrollerar sedan resultaten mot verkliga experiment. Det gör att kunskap från en nivå kan användas på nästa.

      Från material till människa

      Materialbeteende och mikrostruktur: hur ett material reagerar på den termiska, elektriska och mekaniska belastning som en process utsätter det för.

      Bearbetning och materialavverkning, lasersvetsning, formsprutning och polymerbearbetning. Multifysikalisk processimulering utgör grunden för samtliga områden.

      Tillverkningssystem och produktionsflöden, där enskilda processer möter kapacitet, sekvensering och genomströmning.

      Prediktiv modellering är inte begränsad till industriell produktion. Inom vår biomekaniska forskning tillämpar vi samma kedja av simulering, kalibrering och experimentell validering på människokroppen, där materialegenskaper varierar mellan individer och möjligheterna till direkta mätningar är begränsade. Sådana problem bidrar till att utveckla de metoder som vi sedan för tillbaka till tillverkningsområdet.

      Forskningsinfrastruktur

      Forskningen stöds av laboratoriemiljöer vid ASSAR Industrial Innovation Arena samt av beräkningsinfrastruktur för simulering, optimering och datadriven modellering.

      Miljöerna möjliggör kontrollerade tillverkningsexperiment och mätningar av processkrafter, temperaturer, porositet, ytintegritet och andra process- och materialegenskaper. Materialkarakterisering genomförs på flera skalnivåer.

      Experimentella data används för kalibrering och validering av simuleringsmodeller och digitala tvillingar.

      Samverkan

      Forskningen bedrivs i nära samverkan med industripartner och forskningsgrupper vid Högskolan i Skövde samt inom nationella och internationella forskningsnätverk.

      Arbetet behandlar tillverkningsutmaningar kopplade till elektrifiering, avancerade material, digitalisering, produktionseffektivitet och hållbar industriell utveckling.

      Resultaten utvecklas och utvärderas i industriella sammanhang genom gemensamma forskningsprojekt, demonstratorer och kunskapsutbyte.

      Projekt

      Exempel på pågående och nyligen genomförda projekt omfattar forskning inom:

      • skärande bearbetning,
      • lasersvetsning,
      • formsprutning,
      • energisystem,
      • produktion av drivlinor,
      • digitala tvillingar,
      • produktionssystem,
      • virtuella fabriker.

      Här förklarar vi några av begreppen

      En digital tvilling är en virtuell modell av ett fysiskt objekt eller en fysisk process som hålls synkroniserad med sin verkliga motsvarighet med hjälp av uppmätta sensor- eller indata.

      I vårt arbete innebär det en simulering som har kalibrerats mot experiment och som därefter kan förutsäga hur en verklig process kommer att bete sig under förhållanden som den ännu inte har utsatts för.

      Det är skillnaden mellan en modell som illustrerar något och en modell som kan användas som underlag för beslut.

      Detaljerade datorsimuleringar kan ta lång tid. En surrogatmodell är en förenklad och mycket snabbare version, som lär sig av ett mindre antal riktiga simuleringar eller försök. Med den kan vi pröva tusentals alternativ på den tid det annars tar att göra några få.

      Det är ett sätt att ta reda på hur mycket man kan lita på en förutsägelse. Inget är exakt: material skiljer sig lite åt, maskiner ställs in olika och mätningar har små fel. Osäkerhetskvantifiering visar hur mycket sådana variationer påverkar slutresultatet.

      Kontakt

      Forskningsgruppsledare

      Publicerad: 2026-10-19
      Senast ändrad: 2026-10-19
      Sidansvarig: webmaster@his.se