Projekttid: 2020 – 2023
Budget: 8 490 682 kr
Målet med AutoFix är att öka automationen av fixturkonstruktion med integration av digitala verktyg från olika discipliner
I autofix vill vi införa automatisering baserad på multidisciplinär optimering (MDO) och maskininlärning (ML). AutoFix levererar metoder och verktyg som automatiskt optimerar resurskrävande fixtureringsarbete med hjälp av designautomation (DA), MDO, och ML.
Vi vill möjliggöra in-sourcing från låglöneländer genom att mer arbete kan utföras med bibehållna ingenjörstimmar. Effektiv kunskapshantering och standardisering som underlättar ingenjörsarbetet, och som frigör tid som kan användas till mer värdeskapande aktiviteter och därmed öka effektiviteten i produkt- och produktionsutveckling och därmed stärka företagens konkurrenskraft. Kunskapsuppbyggande inom digitaliseringsområdet generellt, och mer specifikt hur maskininlärning kan skapa förutsättningar för bättre beslutsstöd inom produkt- och produktionsutveckling.
Projektet utgörs av fem huvudsakliga arbetspaket (AP:n), sammanfattat nedan: AP1 Att utveckla nya metoder för att skapa detaljerade CAD modeller och för att konfigurera dessa. AP2: Att utforska designutrymmet på ett nytt sätt och optimera fixturer AP3. Att generera mönster och CAD-instruktioner automatiskt med hjälp av ML-algoritmer baserat på data som genereras ur MDO-processen i AP2. AP4 De metoder som utvecklats i AP1 till AP4 utvärderas gentemot dagens utvecklingsprocess AP5 Resultatet av projektet sprids kontinuerligt för att skapa ett brett nyttiggörande
Vinnovas Diarienr: 2020-02974
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
Prediktivt underhåll med internet-of-things och digitala tvillingar
2021 – 2021
2021 – 2024
Minska miljöpåverkan från gjuterier genom att minska mängden sandavfall med hjälp av maskininlärning.
2023 – 2024
Syftet är att utveckla modeller för visualisering och prediktering av leveransplansvariation i försörjningskedjan.
2018 – 2021
AutoPack skapar optimala elkablageinstallationer baserat på optimering och maskininlärning.
2021 – 2023
Inom tillverkningsindustrin finns ett flertal operationer där en digital tvilling har potential att öka produktiviteten. I detta projekt studerades om en digital tvilling kunde prediktera skador och degradering av en klippmaskin på SSAB. Projektet gav goda resultat och vi planerar att gå vidare med nya projekt.
2017 – 2018
Utveckla och validera algoritmer för prediktivt underhåll baserat på AI och ML. Visionen är haverifri produktion.
2019 – 2022