Till innehåll på sidan

STINT

Research on Operations and Decision-Making Methodologies Based on Dynamic Multi-Scale Data Analysis for Intelligent Workshop

Med det breda uttnyttjandet av CNC-maskiner, sensorer och intelligent utrustning delar tillverkningsdata de uppenbara egenskaperna hos stordata. Detta internationella samarbetsprojekt mellan Sverige och Kina syftar till att överföra det traditionella "orsak och verkan + modell + algoritm"-läget till ett nytt "samband + prognos + reglering"-läge i intelligenta verkstäder.

I detta projekt fokuserad vi på 'prognos' och 'reglering'. Med hänsyn till egenskaperna hos tillverkningsdata kommer vi att fokusera på en flerskalig analys av tidsserier för att avslöja de inre kopplingsmekanismerna för dynamisk tillverkningsdata, och en kvantitativ regleringsmodell kommer sedan att upprättas, baserad på denna metod för att optimera prestanda i verkstäder. Vidare föreslås en självanpassande beslutsmetod med förstärkningsstrategi för att ställa in arbetsparametrarna för en verkstad. De förväntade resultaten kommer inte bara att kunna öka verkstäders prestanda inom produktion, produktkvalité och kostnadsminsking signifikant, utan kan också främja kunskapsutbytet mellan Sverige och Kina för att göra gemensamma framsteg inom högre utbildning.

Finansiering: 

Joint China-Sweden Mobility Programme, STINT

Tidsperiod: 

2017 - 2020

Projektpartners:

  • KTH Kungliga Tekniska Högskolan
  • Huazhong University of Science and Technology
  • Shanghai Jiao Tong University

Bakgrund

Problemen med brist på arbetskraft, stigande löner och förkortad leveranstid har blivit utmaningar för tillverkare runt om i världen. De inflytelserika tillverkningsländerna har därför nått enighet om att främja intelligent tillverkning. Analys och optimering av stordata är grunden för att utveckla intelligent tillverkning.

Syfte & Mål

  • Ökad verkstadsprestanda när det gäller produktivitet, produktkvalitet och kostnadsminskning baserat på stor dataanalys
  • Ömsesidigt främjat kunskapsutbyte mellan Sverige och Kina för att göra gemensamma framsteg inom högre utbildning på olika nivåer för de berörda individerna

Resultat

Huvudresultaten av projektet kan sammanfattas enligt följande:

  • Djupinlärningsmetod baserad på dynamisk flerskalig tillverkning av tidsserier
  • Utvärderingsmodell för verkstadsprestanda

Publikationer

  1. Y. Zhang, X. Li, L. Gao, L. Wang and L. Wen, "Imbalanced Data Fault Diagnosis of Rotating Machinery Using Synthetic Oversampling and Feature Learning," Journal of Manufacturing Systems, Vol.48, Part C, ss.34-50, 2018.
  2. Y. Zhang, Y. Cheng, X. V. Wang, R. Y. Zhong, Y. Zhang, and F. Tao, 2019, “Data-driven smart production line and its common factors,” Int. J. Adv. Manuf. Technol., Vol. 103, No. 1–4, ss. 1211–1223.
  3. W. Ji, S. Yin and L. Wang, "A Big Data Analytics Based Machining Optimisation Approach," Journal of Intelligent Manufacturing, Vol.30, No.3, ss. 1483-1495, 2019.

Kontaktpersoner

Projektkoordinator, SPS Enhetschef

Innehållsansvarig:infomaster@itm.kth.se
Tillhör: Institutionen för industriell produktion
Senast ändrad: 2020-09-18
VRUTSKRIFT
C-PALS
MIND
Dig3Gas
4D Printing
CE-COSP
STINT