Produktionsintegrerad visuell inspektion på oövervakad maskininlärning

Syfte och mål

Syftet är att införa och förbättra maskininlärningsbaserad bedömning av kvaliteten hos serietillverkade industriella (stål)produkter. Målet är att introducera avvikelsedetektering baserat på normalizing flows i verkliga industriella processer, och stärka upp befintlig End-to-End-lösning inom visuell inspektion. Vi vill lyfta metoden från TRL 3 till TRL 7. Projektet förväntas leda ökad flexibilitet och skalbarhet i systemet eftersom den manuella hanteringen skulle minska. Genom att dels vidareutveckla produkter som industrin kan använda för ändamålet och dels processer där metoden används i befintlig utrustning förväntas projektet generera kunskap och erfarenheter som kan komma till nytta. Arbetet förväntas också leda till att metoden möter industrins krav på samtliga relevanta KPI:er, och därmed också förbättra den toppmoderna avvikelsedetekteringen i vidare kontext. Projektet kommer att genomföras med ett testdrivet arbetssätt som tar sin början med en kravanalys av tränings- och detekteringsprocesserna i olika industriella sammanhang hos SKF, Gunnebo och Gimics kunder. Analysen leder till definition och implementering av benchmarking-KPI:erna (framgångsmått) och deras bedömning av de övervakade baslösningarna. Sedan utvecklas och tränas modellerna iterativt, implementeras i produktionsmiljöer och bedöms, innan nästa iteration förbättrar de oövervakade modellerna. Arbetet utökas också när nya data blir tillgängliga.