Ny datametod förbättrar tillverkningsindustrin

En ny avhandling från Företagsforskarskolan vid Umeå universitet visar att datadrivna metoder kan förbättra kvalitetskontrollerna inom tillverkningsindustrin. 

Datadrivna metoder kan även leda till minskade kostnader och miljöpåverkan.

Niklas Fries har i sitt forskningsprojekt samarbetat med Volvo Lastvagnar för att ta reda på hur datadrivna metoder skulle kunna förebygga kvalitetsproblem vid målning av lastbilshytter i fabriken i Umeå.

– Klassisk kvalitetskontroll för tillverkningsindustrier bygger på att man övervakar kvalitet över tid, och först om kvaliteten försämras inleds en undersökning om varför. Modern hårdvara och moderna algoritmer låter oss i stället förutsättningslöst samla in stora mängder data, för att sedan hitta mönster vi inte visste att vi letade efter, säger Niklas Fries, doktorand vid Företagsforskarskolan och Institutionen för matematik och matematisk statistik vid Umeå universitet.

Modern sensorteknologi skapar möjlighet att övervaka hundratals eller tusentals process- och miljövariabler vid tillverkningsprocesser. Datadrivna metoder ger istället möjlighet att studera redan insamlade data och använda maskininlärningsalgoritmer för att hitta rotorsaker till kvalitetsproblem.

I sitt arbete har Niklas Fries studerat process- och kvalitetsdata från ytbehandlingen i Volvo Lastvagnars hyttfabrik. Han utgått från en tilltänkt slutprodukt i form av ett automatiskt system som varnar vid risk för försämrad kvalitet och föreslår preventiva åtgärder. 

– Även om det återstår en del grundforskning för att kunna avgöra hur bra de här metoderna fungerar i allmänhet, så visar våra och andras resultat att tillvägagångssättet har stor potential, med exempel på ökad kvalitet i kommersiella processer, säger Niklas Fries.