Fysikinformerad och AI-stödd formning för hållbar tillverkning

Syfte och mål

PINNForm-projektet syftar till att utveckla en ny metod för snabb, flexibel och datadriven tillverkning av metallkomponenter. Huvudmålet är att skapa en AI-baserad, fysikinformerad process för metallformning som är både snabbare, mer hållbar och mer flexibel än traditionella metoder. Projektet vill stärka den svenska industrins omställning till mer hållbara processer och öka dess resiliens.

Utmaning

Dagens industriella formningsprocesser är ofta långsamma, dyra och resurskrävande. De kräver omfattande manuell expertis, fysisk testning och långa ledtider, vilket skapar både ekonomiska och miljömässiga kostnader. Det finns ett växande behov av lokalt anpassningsbar och resilient tillverkning, särskilt med tanke på globala utmaningar som klimatförändringar, geopolitiska spänningar och behovet av snabb omställning. Projektet adresserar även cybersäkerhet genom att minska beroendet av globala molntjänster för AI-modellträning.

Lösning

Projektet kombinerar fysikinformerad AI och maskininlärning (ML) med en unik origami-inspirerad teknik. Genom att integrera fysikens lagar direkt i AI-modellerna skapas en digital tvilling som kan simulera och optimera tillverkningsprocessen med hög precision. Denna metod minskar behovet av stora datamängder och omfattande testserier, vilket gör processen betydligt snabbare och mer kostnadseffektiv. Den generativa AI-modellen, som tränas på MIMER, Sveriges AI-gigafabrik i Linköping, fungerar som ett intelligent stöd för design och tillverkning. Som en konkret demonstrator kommer metoden att användas för att utveckla lätta och starka drönarkomponenter (ett "Frame Exoskeleton", för eldrivna drönare) för skogsbruk och beredskap.

Effekt

PINNForm-projektet har stor potential att skapa ett paradigmskifte inom metallformning. Genom att optimera design och produktionsparametrar minskas spillmaterial och kassation drastiskt, vilket bidrar till en mer hållbar tillverkning och ökad cirkularitet. Den snabba omställningsförmågan stärker industrins resiliens och förmåga att hantera störningar. På sikt kan tekniken även användas för att förutsäga reparationsmetoder, vilket minskar behovet av nyproduktion. Genom att minska beroendet av manuell expertis och fysisk styrka bidrar projektet även till en mer jämställd industri, i linje med Agenda 2030. Tekniken är skalbar och kan tillämpas inom många andra sektorer, som fordons-, flyg-, rymd-, försvars- och energisektorn.