Ett AI-projekt på Linnéuniversitetet ska använda produktionsdata från SKF, Gimic och Gunnebo för att lära datorer varna för för fel innan de uppstår.
Förhoppningen är att hitta bättre metoder för kvalitetskontroll. Metoden heter Normalizing flows och sorterar under området maskininlärning.
Det är en ny metod som ska kunna förstå och modellera komplexa förhållanden och mönster.
Normalizing flows ska hitta och förutsäga avvikelser i data, vilket gör det möjligt att identifiera potentiella problem i tidigt skede och att vidta åtgärder innan de växer till verkliga problem.
– Traditionellt har industriell kvalitetskontroll inneburit manuell avsyning, vilket är både kostsamt och känsligt för fel, heter det i ett pressmeddelande från Linneuniversitetet.
Projektet kommer att utvärdera teknikens prestanda i verkliga miljöer. Företagen Gimic, SKF och Gunnebo bidrar med kunskaper och produktionsdata.
Forskningsmiljön som driver projektet heter Disa (Data Intensive Sciences and Applications). Projektet leds av Diana Unander och samlar experter från industrin inom områdena tillverkning, automation och kvalitetssäkring.
Forskningsmedlen – drygt 4 miljoner kronor – kommer från Vinnova och är en del av en satsning på avancerad och innovativ digitalisering. Projektet har en totalbudget på drygt 8 miljoner och kommer att löpa under 3 år.