Ny forskning från Högskolan i Skövde visar hur artificiell intelligens och data från fabriker kan användas för att identifiera flaskhalsar i produktionen, upptäcka defekta produkter och hitta tidiga tecken på maskinslitage innan det leder till haverier. I sin doktorsforskning har Mahesh Kumbhar utvecklat AI-baserade metoder för att förbättra produktivitet, kvalitet och tillförlitlighet inom tillverkningsindustrin.

– 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, doktorand vid Institutionen för ingenjörsvetenskap vid Högskolan i Skövde.
Forskningen visar tre konkreta användningsområden för AI i tillverkningsindustrin: att identifiera flaskhalsar i produktion, upptäcka kvalitetsfel och förutse maskinslitage.
AI hjälper industrin att få nytta av sin data
Moderna fabriker samlar in stora mängder data. Utmaningen är att informationen ofta är utspridd i olika system och därför inte utnyttjas fullt ut.
– Att samla in data är enklare än att omvandla den till något som faktiskt förbättrar lönsamheten, säger Mahesh Kumbhar.
Hans forskning undersöker hur data och AI kan användas för att besvara några mycket praktiska frågor inom tillverkningsindustrin: Vilken maskin bromsar produktionen? Varför tillverkas defekta produkter? Och går det att upptäcka tecken på slitage innan en maskinkomponent går sönder?
Tre metoder för smartare produktion
Mahesh Kumbhars forskning har resulterat i tre huvudsakliga typer av verktyg.
Den första skapar en digital modell av en fabrik för att identifiera vilken maskin som orsakar förseningar och föreslå möjliga förbättringar. I tester ökade metoden produktionsvolymen med upp till 18 procent och minskade energiförbrukningen med 1 procent.
Den andra metoden hjälper AI-system att mer tillförlitligt upptäcka sällsynta defekta produkter, även när det bara finns ett fåtal felaktiga exempel som systemet kan lära sig av.
Den tredje använder vibrationsdata för att upptäcka slitage i maskinkomponenter och identifiera orsaken till ett fel innan det leder till ett haveri. Om problemen upptäcks tidigt kan det i vissa fall förhindra att en hel dags produktion går förlorad.
Verkliga fabriksdata är sällan perfekta
En viktig del av forskningen har varit att arbeta med data från verkliga industrimiljöer.
– Verklig fabriksdata är betydligt mer svårhanterligt 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 Kumbhar.
Många befintliga metoder har främst testats på artificiell data eller standardiserad testdata. En viktig del av hans arbete har därför varit att utveckla metoder som kan hantera den bristfälliga och ofullständiga data som förekommer i verkliga tillverkningsmiljöer.
Fördelar för både industrin och hållbarheten
Nästa steg är att testa metoderna i fler fabriker och branscher för att se hur väl de fungerar i olika miljöer. Mahesh Kumbhar vill också med tiden göra verktygen mer automatiserade, till exempel genom att låta systemen inte bara uppmärksamma ett problem utan också föreslå underhållsåtgärder i realtid.
Den 12 oktober försvarar Mahesh Kumbhar sin doktorsavhandling på ASSAR Industrial Innovation Arena. Länk till livesändningen finns i Högskolans kalender.
