EXPlainable and Learning production & logistics by Artificial Intelligence

Projektet bedriver forskning och utveckling av en ny generation av interaktiv och innovativ sammansmältning av virtuella produktionsmodeller och maskininlärningsalgoritmer för beslutsstöd och ökad kunskap och kompetens inom produktionssystemets livscykel. EXPLAIN kommer att inrikta sig på ärenden om produktionsplanering och kontroll med människor-i-slingan, där komplexa flerkriteribeslut ska fattas, inklusive energi- och resurseffektivitet. 

EXPLAIN-projektet ger också ett paradigm som betonar mänsklig maskinlärning genom överförbarhet av preferenser / värden och kunskap mellan människa och maskin inom ett multimål (produktivitet och hållbarhet) optimeringskontext och därmed kommer att ge en unik, lång- siktbidrag till ”kunskapsdriven industri” i Sverige. Helt i linje med andra världsomspännande inlärningsfabriker kan ramverket ”human-machine symbios” som EXPLAIN föreslår på lång sikt öka den svenska tillverkningsindustrins hållbarhet och konkurrenskraft.

Bakgrund

Att omvandla information och data till kunskaps- och beslutsstöd med virtuella produktionsteknologisystem är en av de största industriella utmaningarna idag. Å ena sidan ökar användningen av virtuell produktionsteknik i branschen med den snabba utvecklingen av informations- och kommunikationsteknik (IKT). Deras applikationer har kunnat förkorta både utvecklingstid och kostnad eftersom de tillåter experiment med olika konstruktioner eller förändringar utan att använda någon verklig process eller utrustning. Å andra sidan kommer optimalt och hållbart beslutsfattande från chefer inte automatiskt från den överflödiga användningen av virtuella produktionsmodeller och enbart datainformationen. För det första kan virtuella modeller endast tillhandahålla prestationsutvärderingar av olika designalternativ och / eller åtgärder så att de inte är riktiga optimeringsverktyg. Det är när virtuella modeller ansluts till artificiell intelligens (AI) -baserade optimeringsalgoritmer som optimala lösningar kan sökas automatiskt. För det andra kan hållbara beslut inte fattas om hållbarhetsfaktorer, som energi och resurseffektivitet, inte beaktas i den virtuella produktionsmodelleringsprocessen. För det tredje kräver byggande av komplexa virtuella modeller rätt nivå av kompetens och färdigheter, vilket kan vara en tidskrävande och kostsam process om det görs manuellt. Det skulle bli ännu mer komplicerat när de virtuella modellerna måste ta hänsyn till hållbarhetsfaktorerna. Det är också mycket önskvärt om kunskapen och erfarenheterna från att bygga och använda virtuell produktionsteknik enkelt kan sökas, hämtas och återanvändas inom företaget.

Projektidé

Till skillnad från många andra forskningsinsatser inom virtuell produktion, syftar EXPLAIN att leverera tre unika innovationer: (1) automatisk virtuell modellgenerering med realtidsanslutningar till datakällor och modelleringsmoduler som beaktar energi- och resurseffektivitetsfaktorer via processbrytning och självkonfigurerbara modelleringsmetoder för att ytterligare minska hindret och ledtiden för att använda virtuell produktionsteknik i branschen; (2) förklarbara och pålitliga AI-algoritmer och användargränssnitt för beslutsfattare, inte bara för informerade, optimala och säkra beslut utan också för att öka deras kunskap och kompetens; (3) kunskapshantering med hjälp av kunskapsdiagram för att länka virtuella produktionsartefakter så att de kan sökas, hämtas och effektivt återanvändas av mänskliga användare.

Deltagare

EXPLAIN tar två av de högst rankade universiteten i Sverige, Uppsala universitet och KTH, tillsammans med fyra mycket konkurrenskraftiga svenska tillverkare från mycket olika sektorer: Scania, Hitachi-ABB, AstraZeneca och SECO Tools, tillsammans med MainlyAI som en start-SME inom AI, liksom forskningsinstitutet RISE, för att bilda ett mycket diversifierat konsortium. Den inneboende mångfalden hos industripartnerna från fyra sektorer, tillsammans med rollerna MainlyAI och RISE vid implementering och spridning av de levererade innovationerna, kommer att underlätta för dem att omedelbart tillämpas på ett brett spektrum av produktionsanläggningar i Sverige.

Projektledare Amos Ng, Uppsala University.