Traditionellt så är kvalitetskontrollen av ytbehandlingsprocessen på lastbilshytter manuell. Ett forskningsprojekt mellan Umeå universitet och Volvo Lastvagnar har automatiserat processen.

Maskininlärning effektiviserar målningen för Volvo

När Volvo ville införa ett automatiserat kvalitetssystem för inspektion och reparation av målade fordonskroppar så var det forskare från Umeå som gjorde det möjligt.

När Umeå kommun och Uminova Innovation bjöd in till Teknikfrukost den 11 december var det Volvo Lastvagnar i Umeå som var i fokus. Volvo, som är Umeås största privata arbetsgivare med 1500 anställda, tillverkar förarhytter till Volvokoncernen. Dessutom är Umeåfabriken utsedd till Volvo Cab Competence Center (VCCC) vilket innebär att de är världsledande kunskapsmässigt kring pressning, hyttsammansättning samt ytbehandling för Volvokoncernen.

– Att Volvo har lagt sitt globala kompetenscenter i Umeå är något som vi ska vara oerhört stolta över. Det visar hur mycket man tror på oss här i Umeå. Vi har funnits i Umeå i 50 år och vi kommer finnas här minst lika länge till, sa platschefen Mona Edström Frohm som inledning.

Kompetenscentret vilar på fyra ben där ett är ett välutvecklat samarbete med Umeå universitet. Volvo var det första större företaget som skrev ett samverkansavtal med Umeå universitet och sedan 2016 driver man det gemensamma forskningsprojektet FIQA.

Mycket kan gå fel

Traditionellt så är ytbehandlingsprocessen i hög grad automatiserad när man tillverkar fordon, med undantag av kvalitetskontroll som i stor utsträckning sker manuellt.

– Det finns många saker som kan gå fel när man målar en hytt. Damm kan fastna i lacken, det kan bildas ojämnheter eller så har färgen runnit. Detta vill man såklart undvika, dels för att det kostar pengar men avtrycket på miljön blir också så mycket större när vi måste måla om, säger Kent Sundberg från Volvo.

En av beståndsdelarna i projektet handlar om att med hjälp av optik, avancerade kameror, och statistiska metoder hitta defekter i målningen och automatiskt klassificera hur allvarliga de är. Här har Jun Yu, professor vid Institutionen för matematik och matematisk statistik vid Umeå universitet, varit ansvarig för att ta fram och utveckla modellen som nu används.

Prognosticerar fel

I målningsprocessen finns det hundratals sensorer som läser av data, men den var tidigare ostrukturerad och samlades på olika ställen. Genom maskininlärning och statistiska metoder har den andra delen av projektet skapat en modell som visar hur stor sannolikheten är att en specifik hytt har en defekt likväl som att den kan varna för att det finns en risk att defekter kommer uppstå under en given tid. Modellen läser av 5000 hyttspecifika variabler samt faktorer som temperaturer, väder och liknande för att ställa sin prognos. I framtagandet har man använt sensordata från 50 000 hytter. Denna del har Patrik Rydén, universitetslektor vidInstitutionen för matematik och matematisk statistik vid Umeå universitet, ansvarat för.

– Genom FIQA kan vi nu agera på indikatorer istället för att agera i efterhand. Vi kan också mycket enklare veta vad som har gått fel. Dessutom, vilket man kanske inte tänker på, så kan vi också numera få en bild av varför det inte uppstår några fel. Detta är oerhört värdefullt, poängterar Kent Sundberg.

Fortsättning följer

FIQA-projektet som har finansierats av Vinnova och Volvo Lastvagnar har varit på 15 miljoner. Samarbetet har varit så framgångsrikt att man i dagarna har lämnat in en ansökan för en fortsättning.

Projektet denna gång är på 45 miljoner och man vill då bland annat bygga vidare på optiken till att upptäckta defekter i hela fabriksprocessen samt titta på om man kan bygga ett självlärande system som kan justera processparametrar automatiskt för att undvika defekter.