Projekttid: 2021 – 2023
Budget: 7 199 780 kronor
AutoPack skapar optimala elkablageinstallationer baserat på optimering och maskininlärning.
AutoPack 2.0 vill öka graden av digitalisering och automation inom produkt- och produktions-utvecklingen och säkerställa att produktions och monteringsaspekter beaktas i tidiga faser av utvecklingsprocessen. Applikationen inom projektet är packning och montering av högvoltskablage och kabelhärvor, som är en tids och resurskrävande aktivitet inom hela fordonsindustrin. I och med elektrifieringen av fordonsflottan behöver den erfarenhet som byggts upp kring installation av slangar och kablar i motorutrymmen med förbränningsmotorer förnyas i och med de nya förutsättningar som elektrifieringen medför. Exempelvis har slangar för kylvatten och bränsle helt andra egenskaper, både ur konstruktions och monteringshänseende, än vad högvoltskablage och kabelhärvor har. För att möta dessa nya krav behöver både nya metoder och verktyg utvecklas, vilket inom det föreslagna projektet sker som en direkt fortsättning på projektet AutoPack, finansierat via FFI- Maskininlärning.
Enbart inom motordelen av Volvo Cars investeras tiotusentals ingenjörstimmar till en kostnad av åtskilliga 10-tals miljoner kronor på packning inom motorutrymmet. Genom att vidareutveckla de verktyg som utvecklats inom det tidigare AutoPack projektet och kombinera det med automatiserad beredning och monteringssimulering vill vi uppnå en 50%-ig reduktion av antalet ingenjörstimmar samt motsvarande kostnadsbesparing vid packnings, berednings och monteringsarbete.
Vinnovas dnr: 2020-05173
Målet med AutoFix är att öka automationen av fixturkonstruktion med integration av digitala verktyg från olika discipliner
2020 – 2023
Syftet är att utveckla modeller för visualisering och prediktering av leveransplansvariation i försörjningskedjan.
2018 – 2021
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
Minska miljöpåverkan från gjuterier genom att minska mängden sandavfall med hjälp av maskininlärning.
2023 – 2024
Utveckla och validera algoritmer för prediktivt underhåll baserat på AI och ML. Visionen är haverifri produktion.
2019 – 2022
2021 – 2024
Prediktivt underhåll med internet-of-things och digitala tvillingar
2021 – 2021