Smartare kvalitetskontroll – när AI hittar nålen i höstacken

I modern industri är nästan alla komponenter felfria – utmaningen ligger i att snabbt och säkert identifiera de som inte är det. När tusentals delar passerar genom en fabrik varje dygn blir fel svåra att upptäcka, men samtidigt avgörande att hitta i tid – vilket är utmanande, särskilt för mindre tillverkare.  

Med projektet Produktionsintegrerad visuell inspektion baserad på oövervakad maskininlärning tar Linnéuniversitetet, Gimic, Gunnebo Industrier och Willo sig an just detta problem. Tillsammans utvecklar de en AI-baserad metod som kan identifiera avvikelser utan stora datamängder, dyra sensorer eller långa uppstartssträckor – och därmed göra avancerad kvalitetssäkring tillgänglig även för små och medelstora tillverkare.

Avancerad Digitalisering har intervjuat tre nyckelpersoner i projektet: Welf Löwe, professor i datavetenskap vid Linnéuniversitetet, Diana Unander, projektledare, Linnéuniversitetet samt Sebastian Hönel, postdoktor och huvudforskare i projektet.

– Företag är generellt väldigt duktiga på att producera korrekta delar. Problemet är att hitta nålen i höstacken – de enstaka produkter som inte håller måttet, säger Welf Löwe. 

Till skillnad från traditionella AI-lösningar kräver tekniken man tittat på och vidareutvecklat inte tusentals exempel på fel för att fungera. Datamodellen lär sig istället vad som är rätt, och flaggar allt som avviker.

Samarbete över hela värdekedjan 

En av projektets största styrkor är det breda samarbetet över hela värdekedjan, där olika typer av aktörer bidrar med sina specifika kompetenser. Akademin vidareutvecklar och förfinar forskningsbaserade metoder, teknikleverantören Gimic omsätter dessa metoder i praktiska systemlösningar, och industriföretagen SKF, Gunnebo Industrier och Willo tillhandahåller verkliga produktionsdata och krav som säkerställer att lösningarna blir relevanta och användbara i industrin.

– Vi har haft experter från alla parter som kunnat mötas på rätt nivå. Det har gjort att vi både förstår varandras problem och kan lösa dem tillsammans. Det engagemanget är ovanligt och har varit avgörande för utfallet. Det är i denna brygga mellan forskning och produktion som projektets samhällsvärde uppstår, säger Diana Unander.

En enklare, billigare och mer hållbar kvalitetskontroll

Oövervakad visuell AI-inspektion kan göra företagens kontroller både enklare, billigare och mer hållbar. Detta blir särskilt tydligt eftersom den nya tekniken fungerar med vanliga kameror. Det gör att ett mindre företag kan ha råd och lösningen kan faktiskt stärka konkurrenskraften. Tidiga felupptäckter minskar både spill och klimatpåverkan. Automatiseringen innebär också en tydlig arbetsmiljövinst genom att ersätta monotona och belastande moment. Samtidigt kan modellerna snabbt anpassas till nya produkter, vilket gör lösningen skalbar i industrier med snabba produktbyten.

Från teori till praktik – och tillbaka 

Projektet “Produktionsintegrerad visuell inspektion baserad på oövervakad maskininlärning” började som ett tillämpat forskningsprojekt men visade sig tidigt kräva ren grundforskning. Teamet utgick initialt från etablerade metoder som normalizing flows, men upptäckte att tekniken inte fungerade som utlovat i industrins komplexa miljöer. Erfarenheten visar att det finns klyftor mellan akademiska AI-resultat och fungerande industrisystem – och varför tillämpad forskning är avgörande. 

– Vi trodde att det skulle vara enkelt. Men tre månader in i projektet fick vi skriva om hela planen. Vi fick gå tillbaka och lära oss förstå varför metoden inte fungerade, säger Welf Löwe. 

Istället hittade konsortiet en metod kallad GLASS, som bygger på att skapa kontrollerade avvikelser i bilddata så att modellen lär sig kontrastera ”rätt” mot ”fel” på ett helt nytt sätt. 

– Båda metoderna som vi använt fanns redan men det är först i ett projekt som detta – där vi jobbar nära produktionen och kan testa i stor skala och sedan återvända till teorin, vidareutveckla och förfina metoderna för att passa industrins verklighet – som det blir möjligt att få dem att fungera i verkligheten, säger Diana Unander.

– Vi vet varken hur många fel som finns eller hur de ser ut. Därför vill vi slippa lära tekniken vad som är fel och i stället lära den vad som är rätt, säger Sebastian Hönel. 

Att göra detta automatiskt och i realtid är ett stort steg framåt – och en lösning som industrin länge efterfrågat. Detta innebär i praktiken att företag kan komma igång snabbt med AI-baserad kvalitetskontroll utan att först behöva samla in stora mängder feldata. 

Intresset för en fortsättning är stort – både från konsortiet och från andra industriföretag som har hört talas om resultaten. 

– Allt ser så bra ut i forskningsartiklar. Men vägen från artikel till fungerande system är lång och underskattad. Det är därför projekt som det här behövs, säger Welf Löwe.

En självklar del av framtidens fabrik

Alla tre är övertygade: oövervakad maskininlärning kommer bli standard i framtidens produktion. 

– Det här kommer att vara lika självklart som manuell övervakning är i dag. Först som stöd till operatörer, senare som helt integrerad del av fabriken, säger Sebastian Hönel. 

På sikt menar man att samma princip kan användas i hemmets vitvaror, fordon och maskiner – där sensorer automatiskt upptäcker avvikelser innan fel uppstår. 

– Nyckeln är att fortsätta investera i tillämpad forskning och låta industrin och akademin arbeta tätt tillsammans. Det är så vi tar idéer till verklig nytta, säger Diana Unander.