Tillverkningsindustrin står inför stora utmaningar när det gäller att optimera produktionsprocesser och minska manuellt arbete. Ett särskilt krävande moment är konstruktionen av fixturer, som används för att fixera komponenter vid montering och bearbetning. AutoFix-projektet syftade till att öka automatiseringsgraden inom fixturkonstruktion genom att integrera digitala verktyg och maskininlärning (ML) för att optimera designprocessen.
Målet var att minska den tid och de resurser som krävs för att utveckla fixturer genom att använda designautomation, multidisciplinär optimering (MDO) och maskininlärning. Genom detta hoppades projektet kunna frigöra tid för mer värdeskapande arbete och samtidigt öka effektiviteten och konkurrenskraften inom svensk industri.
Mål och genomförande
Projektet fokuserade på fem huvudområden:
- Designautomation (DA) – Utveckling av nya metoder för att skapa detaljerade CAD-modeller och optimera deras konfigurering.
- Multidisciplinär optimering (MDO) – Utforskning och optimering av fixturer för att minimera material- och tillverkningskostnader.
- Maskininlärning (ML) för CAD-generering – Användning av ML-algoritmer för att automatiskt skapa mönster och CAD-instruktioner baserade på insamlad data.
- Utvärdering av metoder – Jämförelse av automatiserade metoder med traditionella designprocesser.
- Kunskapsspridning och implementering – Spridning av projektresultat och utveckling av nya verktyg för bredare industriellt nyttjande.
Arbetet genomfördes i samarbete mellan akademi och industri, där Volvo Cars, Linköpings universitet och Prodtex var centrala aktörer.
Resultat och effekter
Projektet resulterade i flera tekniska framsteg och nya kunskaper inom digitalisering av fixturkonstruktion:
- Automatiserad designprocess – Genom att kombinera DA, MDO och robotiksimulering har AutoFix utvecklat metoder för att optimera resurskrävande fixturer.
- Effektivare fixturutveckling – ML-modeller har tillämpats för att skapa mer flexibla och anpassningsbara fixturer, vilket leder till snabbare designprocesser och minskade fel.
- Användning av reinforcement learning – Tränade modeller har utvecklats för att förbättra automatiseringen av monteringsvalidering inom fordonsindustrin.
- Nya digitala verktyg – Ett ramverk för att automatiskt generera CAD-instruktioner har tagits fram, vilket minskar behovet av manuellt ingenjörsarbete.
Projektet har även lett till fyra vetenskapliga publikationer och en licentiatexamen.
Trots de tekniska framgångarna uppnådde projektet inte sina fulla marknadsmål på grund av svårigheter med att implementera utvecklade modeller i befintliga industriverktyg. Dessa insikter har dock varit värdefulla för fortsatt forskning och utveckling av nya digitaliseringsinitiativ.
Projektet avslutades 2023.
