AI Driven Smart Tightening and Feature Management System for Agile Assembly

Abstract

Sammansmältningen av Industri 4.0, digitalisering och koncepten kring agil ochsmart tillverkning formar en framtid som drivs av cyber-fysiska system (CPS),industriella sakernas internet (IIoT) och artificiell intelligens (AI). Denna utveck-ling lovar oöverträffad effektivitet, smidighet och intelligens inom tillverkn-ingsindustrin. Samtidigt medför dessa framsteg nya utmaningar för monter-ingsindustrin. Denna avhandling tar itu med dessa utmaningar inom två ny-ckelområden: tillförlitlig funktionshantering för agil montering och AI-drivetåtdragningsdiagnos för smart montering.Agil tillverkning prioriterar flexibilitet för osäkra marknader. För att uppnådetta skiftar tillverkarna av monteringsutrustning i allt högre grad fokus motmjukvara som i stor utsträckning definierar maskinvarans funktionalitet. Dennaförändring gör det möjligt för företag att erbjuda plattformar med anpassnings-bara funktioner snarare än bara maskinvara, vilket i sin tur minskar driftskost-naderna och gör det möjligt för kunder att dynamiskt konfigurera sina mon-teringslinjer via mjukvara. Denna övergång kräver dock också ett tillförlitligtfunktionshanteringssystem (FMS) för att kontrollera funktionsaktivering genommjukvarulicensering. Befintliga serverbaserade lösningar medför förtroendeprob-lem: säljare fruktar licensmissbruk, medan köpare oroar sig för enskilda felpunk-ter vid serveravbrott.Denna avhandling bidrar med ett nytt tillståndsbaserat blockkedjesystemsom är utformat för att hantera förtroendeproblem inom funktionshanteringför monteringsenheter. Den föreslagna lösningen kombinerar mjukvarulicenser-ing för funktionskontroll med säkra ägartransaktionsregister på blockkedjan.Genom att utnyttja den tillit, transparens och säkerhet som finns i tillståndsbase-rad blockkedjeteknik säkerställer systemet säker och kontrollerad åtkomst tilllicensinformation för behöriga parter.Integreringen av mjukvara och fysiska monteringsenheter i CPS möjliggörsömlös datainsamling genom kommunikationsprotokoll. När dessa data samlasin blir AI ett kraftfullt verktyg för beslutsfattande. I smarta åtdragningssystemär korrekt diagnos av åtdragningsresultat avgörande. Moderna monteringslinjeranvänder avancerade elektriska åtdragningsverktyg utrustade med moment ochvinkelgivare för att fånga detaljerad data efter varje operation, vilket möjliggören utvärdering av åtdragningsprestanda.För närvarande kräver en korrekt utvärdering fortfarande manuell analys avåtdragningsexperter, vilket leder till ineffektiva kvalitetskontroller som begränsastill små prover av produktionsenheter. Denna avhandling introducerar innova-tiva metoder för djupinlärning för att automatisera kvalitetsbedömningsprocessenför åtdragning, uppnår expertliknande noggrannhet över alla tillverkade enheteroch minskar risken för att defekta produkter når konsumenterna.Mot AI-drivet smart montering fokuserade vårt initiala forskningsbidrag påatt utveckla en sensorfusionsmetod med hjälp av konvolutionella neurala nätverkoch arkitekturer baserade på transformatorer för att diagnostisera åtdragnings-resultat genom övervakat lärande. Övervakat lärande kräver dock märktadata, och märkning av åtdragningsresultat kräver betydande manuellt arbetefrån åtdragningsexperter, vilket leder till brist på märkta dataset. Dessutomkan regleringsbegränsningar i känsliga monteringsapplikationer hindra sensor-data från att lämna fabriken, där datorkapaciteten ofta är begränsad. Föratt hantera dessa utmaningar bidrar denna avhandling även med nya metoderför självövervakat lärande, dataaugmentation och schemaläggning av dataaug-mentation som minskar beroendet av märkta data och datorkapacitet. Dessainnovationer resulterar slutligen i en robust djupinlärningslösning för att diag-nostisera åtdragningsresultat i verkliga tillverkningsmiljöer.

urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-357850