När AI möter fysik går produktutvecklingen snabbare

Kortare ledtider, högre materialpriser och ökad osäkerhet i globala leveranskedjor. Lägg till nya hållbarhetsregler, som styr mot nya produktionsmetoder med lägre klimatavtryck och mindre materialspill. Kraven på tillverkande företag skruvas upp hela tiden. Men att ställa om och sjösätta nya processer i sin tillverkning är kostsamt och tidskrävande. Helst vill man vara säker på att en ny metod fungerar innan man investerar i specialverktyg och maskiner.  

Det växande behovet bland svenska industriföretag att utveckla och verifiera nya tillverkningsmetoder snabbare och mer resurseffektivt adresseras i projektet PINNForm – fysikinformerad och AI-driven formning för resilient och hållbar tillverkning. Tillsammans med två industripartners, STILFOLD och AirForestry, undersöker RISE hur AI och maskininlärning kan användas för att optimera design- och formningsprocesser för metallkomponenter. 

Men det handlar inte om ”vanlig” AI, som främst tränas på stora mängder kända produktionsdata, utan här använder man tidlösa fysiska lagar för att göra AI:n smartare. 

– Så länge det har funnits intelligenta digitala system har man strävat efter att använda dessa för att undersöka vad som är fysiskt möjligt i verkligheten. Tidigare har detta varit en mycket komplex och resurskrävande process, men i dag kan en fysikinformerad AI föreslå optimeringar för en metallformningsprocess för att till exempel minska materialspill eller effektivisera energianvändningen, berättar Ramin Moshfegh, senior forskare och affärsutvecklare på RISE.  

Digitala tvillingar kortar vägen till optimal design 

För företaget STILFOLD, som har utvecklat en metod för att vika tunna metallark till starka och lätta konstruktioner med minimalt materialspill, är det här projektet intressant för dess potential att få fram ett design- och optimeringsstöd som kan korta tiden från idé till fungerande produktionslösning.  

Deras origami-inspirerade teknik handlar om att reducera vikt, materialåtgång, kostnader för specialverktyg och koldioxidutsläpp. Genom att även integrera fysikens lagar i designprocessen minskar behovet av stora datamängder och långa testserier – AI-modellen har redan kunskap om hur metall böjs, belastas, deformeras och kan även förutse hur den färdiga komponenten kommer att se ut när materialet fjädrar tillbaka efter formningen.  

– Det handlar om att förenkla den digitala designprocessen, för att snabbare kunna gå till en digital representation av kurvvikta och avancerade konstruktioner. Maskininlärningen gör det möjligt för oss att generera fler designalternativ, jämföra dessa och hitta lösningar som vi annars kanske inte hade tänkt på. Vi kan laborera med de digitala representationerna för att skapa den optimala designen som tar mest last och vikt, förklarar Jonas Nyvang, vd och medgrundare av STILFOLD. 

Projektets andra industripartner, AirForestry, har utvecklat en teknik för drönarburet skogsbruk som möjliggör gallring av skog med hjälp av drönare utrustade med skördeverktyg i långa vajrar. I PINNForm-projektet är det deras sågklinga som är i fokus. Denna del designas med STILFOLD:s origamiteknik i den fysikinformerade AI-modellen.  

– Hur mycket kraft ska den här kniven kunna ta och hur mycket styrka ska den kunna ge? Hur åstadkommer vi det genom geometri, tillverkningsmetod och material? Vi har hittills landat i att geometrin, alltså hur metallen formas och viks, är extremt viktig för utfallet. Vi jobbar mycket med att skapa möjligheter för maskininlärning kopplat till den geometriska effekten, för att sedan lägga till effekterna av materialval, tillverkningsmetod och andra parametrar, säger Jonas Nyvang.    

För AirForestry innebär projektet att den befintliga produkten kan utvecklas i en digital miljö innan förändringar behöver testas fysiskt. På så sätt går det snabbare att jämföra olika vägval och sortera bort lösningar som inte fungerar innan de når verkstadsgolvet. 

Potential för ökad resiliens och flexibilitet 

Den här typen av utvecklingsarbete kräver kompetens inom flera specialistområden. Från AI och avancerad matematik till materialvetenskap, produktionsteknik och robotik, liksom tillgång till stor beräkningskapacitet. Få mindre industriföretag kan möta detta med sin interna kapacitet. 
 
I projektet samlar RISE samtliga nödvändiga resurser och kombinerar dem med industripartnernas kunskap om sina produkter och processer. Företagen kan därmed utforska och verifiera nya lösningar utan att själva behöva bygga upp hela kompetensen och infrastrukturen. RISE möjliggör också tillgång till MIMER, en nationell AI-infrastruktur i Linköping. 

– När vi lyfter in fler designparametrar och avancerad beräkningsmekanik blir detta snabbt väldigt tunga simuleringar som kräver enorm beräkningskraft. Att vi kan erbjuda och använda den nationella infrastrukturen genom MIMER är helt avgörande för att vi ska kunna träna dessa modeller effektivt, och det är en enorm tillgång för uppstartsbolag och SMF:er, säger Ramin Moshfegh. 

Vad finns det då för potential med fysikinformerade AI-modeller, likt den som utvecklas inom PINNForm? Enligt Ramin Moshfegh kommer tekniken göra svenska industriföretag mer resilienta och flexibla. Företag som behöver utveckla nya produkter snabbare eller ställa om sin produktion – exempelvis till mer cirkulära material eller återvunnet stål – kan med hjälp av tekniken testa fler idéer digitalt, innan kostsamma investeringar görs. Det minskar både risken och tiden från idé till färdig produkt. 

– Tanken är att koppla in väldigt avancerad teknologi hos företag som har små resurser. På så sätt behöver inte mindre företag göra enorma investeringar i specialverktyg. Vår målbild är att den här mjukvaran som vi skapar ska kunna gå från en kontorsdator direkt ut till verkstadsgolvet. Allt handlar om att ge svenska företag bättre förutsättningar för att konkurrera med andra europeiska länder, och inte minst USA och Kina, säger Ramin Moshfegh.