Säker, tillförlitlig och grundad digital produktionsassistent (STIG)

Syfte och mål

Projektet STIG utvecklar nästa generations AI-baserade beslutsstöd för industrin. Genom att kombinera produktionsdata, expertkunskap och avancerade AI-metoder ska projektet skapa tillförlitliga, säkra och spårbara rekommendationer som hjälper företag att förstå, analysera och lösa produktionsproblem. Målet är att demonstrera lösningen i verkliga industrimiljöer och stärka industrins förmåga att använda AI på ett effektivt och ansvarsfullt sätt. 

Utmaning

Industriföretag samlar idag in stora mängder data, men har ofta svårt att snabbt identifiera orsakerna bakom produktionsstörningar, kvalitetsproblem och ineffektivitet. Samtidigt är många AI-lösningar svåra att förstå och lita på i produktionskritiska situationer. För att AI ska skapa verkligt värde i industrin krävs lösningar som är transparenta, säkra och förankrade i både data och mänsklig expertkunskap. Det är en stor utmaning för tillverkande industriföretag att hantera och skapa värde från stora spridda datamängder. 

Genomförande och parter

RISE leder projektet och utvecklar metodik och AI-lösningar tillsammans med Chalmers. Nexans och Profilgruppen bidrar med industriella fallstudier, produktionsdata och testmiljöer. IFM Electronic och Good Solutions bidrar med lösningar för datainsamling, systemintegration och digitalisering av produktionsmiljöer. STIG demonstreras hos Nexans och Profilgruppen med målet att nå TRL 6 och bidra till ökad digital resiliens, säkrare AI-implementering och stärkt konkurrenskraft för svensk industri. Tillsammans säkerställer parterna att projektets resultat är både vetenskapligt robusta och praktiskt användbara i industrin.

Lösning

Projektet STIG utvecklar en tillförlitligt, säkert och spårbart  AI-baserad digital assistent som kombinerar processdata, kunskapsgrafer, produktionsontologier och industriell expertkunskap. Lösningen gör det möjligt att ställa frågor på naturligt språk och få förklarbara rekommendationer baserade på både data och kända orsakssamband i produktionen. Tekniken kan användas för bland annat felsökning, kvalitetsförbättring, produktionsoptimering och underhåll. 

Projektet bygger vidare på resultat, metoder och industriella samarbeten från projektet SIFT (Vinnova Dnr 2024-02480). Där utvecklades en app för att söka och visualisera tidsseriedata från tillverkningsprocessen och knyta denna data till metadata som kvalitetsutbyte, störningar, artiklar, material och ordernummer. I STIG-projektet integreras även domänkunskap som ytterligare värdefull källa. 

Effekt

Projektet förväntas bidra till ökad produktivitet, förbättrad kvalitet, kortare ledtider för problemlösning och minskat materialsvinn. Genom att stärka företagens förmåga att använda tillförlitlig AI kan STIG bidra till en mer konkurrenskraftig, resilient och hållbar industri. Projektet stödjer särskilt Agenda 2030 mål 9 om hållbar industri och innovation samt mål 12 om hållbar konsumtion och produktion genom effektivare resursanvändning och minskat svinn.