Niklas Fries, PhD-student ved Handelshøyskolen og Institutt for matematikk og matematisk statistikk ved Umeå universitet og Malin Andersson, IT- og digitaliseringssjef i Volvo Trucks.
Bedre kvalitet i produksjonsindustrien med datadrevne metoder
Kvalitetskontroller i produksjonsindustrien har et stort potensial for å bli forbedret ved hjelp av systematisk datainnsamling og maskinlæring
Volvo Trucks har produksjon av lastebilkabiner i Umeå i Sverige.Foto: Volvo Lastvagnar.
Det viser en studie fra Företagsforskarskolan ved Umeå universitet. Datadrevne metoder kan også føre til reduserte kostnader og miljøpåvirkning.
Niklas Fries har i sitt forskningsprosjekt samarbeidet med Volvo Trucks for å finne ut hvordan datadrevne metoder kan forhindre kvalitetsproblemer ved maling av lastebilførerhus i fabrikken i Umeå.
– Klassisk kvalitetskontroll for industrien er basert på overvåking av kvalitet over tid, og først dersom kvaliteten blir dårligere starter en undersøkelse av hvorfor. Moderne maskinvare og moderne algoritmer lar oss i stedet samle inn store mengder data ubetinget, for så å finne mønstre vi ikke visste at vi var ute etter, sier Niklas Fries, PhD-student ved Handelshøyskolen og Institutt for matematikk og matematisk statistikk ved Umeå universitet.
Moderne sensorteknologi, ofte referert til som "IoT" «tingenes internett», gjør det mulig å overvåke hundrevis eller tusenvis av prosess- og miljøvariabler i produksjonsprosesser. Da blir de klassiske metodene fort uhåndterlige. Datadrevne tilnærminger studerer i stedet allerede innsamlede data og bruker maskinlæringsalgoritmer for å finne de grunnleggende årsakene til kvalitetsproblemer.
Niklas Fries har i sitt arbeid studert prosess- og kvalitetsdata fra overflatebehandlingen i Volvo Lastvagnars førerhusfabrikk. Han tok utgangspunkt i et tiltenkt sluttprodukt i form av et automatisk system som varsler fare for kvalitetsforringelse og foreslår forebyggende tiltak. Det vil muliggjøre tidligere, mer presise og effektive inngrep, som igjen vil føre til bedre kvalitet, reduserte produksjonskostnader og redusert miljøpåvirkning.
– Da vi startet prosjektet i 2017 var ambisjonen å bryte ny mark; å kunne forutse kvalitetsproblemer og ha tid til å gjøre en endring før de oppstår. Det var spennende, men også en utfordring å finne tidligere forskning å ta utgangspunkt i, sier Malin Andersson, IT- og digitaliseringssjef i Volvo Trucks.
Mange av årsaksanalysemetodene som er evaluert er fortsatt svært nye.
– Selv om det gjenstår en del grunnforskning for å kunne fastslå hvor godt disse metodene fungerer generelt, viser våre og andres resultater at tilnærmingen har et stort potensial, med eksempler på økt kvalitet i kommersielle prosesser, sier Niklas Fries.
