Projekttid: 2018 – 2021
Budget: 9 185 000 kronor
Syftet är att utveckla modeller för visualisering och prediktering av leveransplansvariation i försörjningskedjan.
Projektet avser säkra fordonsindustriell konkurrenskraft och arbetstillfällen genom att ta fram nya lösningar för förbättrad leveransplankvalitet och värdeskapande informationsdelning i fordonsindustrins försörjningskedjor. Projektet förväntas generera en bred kartläggning av informationsdelning- och användning i fordonsindustrins försörjningskedjor. Det kommer ta fram lösningsmodeller (som bygger på maskininlärningsmetodik) för mätning, visualisering och prediktering av leveransplankvalitet. Modellerna kommer testas och utvärderas i piloter.
Projektet är organiserat i sex arbetspaket. Det första bygger på en enkätstudie om informationsanvändning i fordonsindustrins försörjningskedjor. I det andra genomförs avancerad dataanalys av stora mängder leveransplandata i syfte att kartlägga och förklara generella variationer och mönster. Det tredje genomför fallstudier för att förklara orsaker och konsekvenser. Det fjärde utvecklar nya lösningar för visualisering och prediktering. Det femte studerar implementering och det sjätte informationsspridning.
e-FACTORY kommer göra det möjligt för företag att använda digitala verktyg som ett medel för att erhålla ett antal olika produktionsvärden, t.ex. ökad kapacitet, förbättrad kvalitet, förbättrad spårbarhet, etc.
2018 – 2020
2021 – 2024
Bygga resiliens genom koordinerad omkonfigurering och nya sätt för dynamisk planering av försörjningskedjor
2021 – 2024
AutoPack skapar optimala elkablageinstallationer baserat på optimering och maskininlärning.
2021 – 2023
Ökad digitalisering medför nya möjligheter för svensk tillverkningsindustri. Projektet fokuserar på nödvändig data för variationssimulering och hur dessa data ska samlas in och lagras. Projektet bidrar till ökad geometrisk kvalitet och bättre beslutsstöd för ingenjörer och designers. Den tekniska värdekedjan täcker mätning och utvinning av relevanta data, lagring av data i databas, användning av data i variationssimulering (som digital tvilling) och visualisering av simuleringsresultat som beslutsstöd. Detta stöttar värdekedjan från leverantörer av mätteknik, till komponentleverantör, till databasleverantör, till leverantör av simuleringsverktyg och upp till OEMs. Projektet har potential att ersätta prototyper och testserier och minskar kostnad, tidsåtgång samt miljöpåverkan.
2019 – 2019
Målet är att spegla produktion och tillgängliggör anpassad information för personal inom industrin
2018 – 2019
Målet med AutoFix är att öka automationen av fixturkonstruktion med integration av digitala verktyg från olika discipliner
2020 – 2023
Minska miljöpåverkan från gjuterier genom att minska mängden sandavfall med hjälp av maskininlärning.
2023 – 2024
Aktuell forskning från Chalmers har visat att genom små justeringar av robotrörelser kan energianvändningen minskas med 10-30%, med bibehållen cykeltid.
2017 – 2020
Prediktivt underhåll med internet-of-things och digitala tvillingar
2021 – 2021
Utveckla och validera algoritmer för prediktivt underhåll baserat på AI och ML. Visionen är haverifri produktion.
2019 – 2022
Kunskapsförmedlingen