http://www.diva-portal.org
This is [Version unknown!] version of a paper presented at Regiondagarna 2019. Kosta Boda Art Hotell, 17-18 januari 2019.
Citation for the original published paper:
Bolmsjö, G. (2019)
Smart Industri och Akademien
In: Presenterades på Regiondagarna 2019: Kosta Boda Art Hotell, 17-18 januari 2019
N.B. When citing this work, cite the original published paper.
Permanent link to this version:
http://urn.kb.se/resolve?urn=urn:nbn:se:lnu:diva-80122
Smart Industri och Akademien
Gunnar Bolmsjö
Institutionen för Maskinteknik, Linnéuniversitetet, Växjö
2019-01-18
Smart industri – Det går fort nu…
• Digitalisering i industrin och Industri 4.0
• Modeord eller på riktigt?
• Utveckling inom robotområdet
• Pågående forskning och påverkan inom industrin
• Utmaningar och möjligheter
• Akademi och industrin i samverkan
• Exempel på innovations innovations- och demonstratormiljö
• What´s Next?
• Reflektion
Produkter och tjänster för människor
• Från hantverk
• Till verktyg och maskiner
• Vattenkraft, ångmaskin
• Masstillverkning
• Elektricitet, produktionslinjer
• Datorstyrda verktygsmaskiner (CNC), robotar, PLC
• Styrda processer
• Distribuerade styrsystem, sammankopplade
• IT infrastruktur
• IoT – Internet of Things, BG, Big Data, CPS, Cyber Physical Systems
1 2 3 4
Industri 4.0 – Smart Industri
• Termer som dessa är inte samma globalt, men anger ungefär samma sak • Industri 4.0; Smart Manufacturing; Advanced Manufacturing; Factory of the
Future; Smart Systems; Artificial Intelligent Systems; Smart Skills; Skill based manufacturing (or production), …
• I detta inkluderas
• Digitalisering
• IT Infrastruktur med IoT, BD, CPS
• AI och Deep learnning
• Förflyttning från automation till autonom
Industri 4.0 – Vad menas med det?
• Dagens tillverkning är ”hårdkodad”
• NC-program, robotprogram, PLC-program, sammankoppling av enheter, etc
• Industri 4.0 går mot ett modellbaserat synsätt och högre abstraktionsgrad
• Modellbaserad: i grunden en funktionsbeskrivning eller specifikation
• Uppnå en definierad kvalitet; produktivitet; etc
• Kunskaper eller ”skills” måste finnas tillgängliga
• En produkt som ska tillverkas ”talar om” vad som ska bli till
• Idag är det tvärtom
• Jämför med Plug & Play (USB-stick)
• Det bär på information som värden (datorn) förstår att läsa och använder denna för
att konfigurera enheten på lämpligt sätt
Vad är problemet?
• Tillverkningssystem och fabriker är alla olika
• Det finns standards, men inte som de flesta tänker
• Exempel, Robotar: Alla har olika programspråk
• Exempel CAD/CAM: Liknande funktionalitet och modeller kan översättas till olika format, men då ”dödar” man modellen.
• Ett tillverkningssystem kan ses som en produkt i ett exemplar
• Måste fungera för att kunna leverera produkter efter specifikation
• När det fungerar är man oftast ovillig att ”skruva och justera” i onödan
• Hur vet man hur bra ett tillverkningssystem är?
• KPI (Key Performance Indicators) kan ge en fingervisning
• ”Profit Beyond Measure (H. Thomas Johnson and Anders Bröms), visar på svårigheterna: Exempel från Scania och Toyota
• Allt är inte teknik, men möjlighet att ställa om blir allt mer viktigt
Industrin – Akademien – och allt däremellan
• Tillverkare och utvecklare
• Robotar, maskiner, tjänster (programvarubaserade)
• Delsystem och komponenter (t.ex. sensorer, gripdon, staket, etc)
• Processutrustning (t.ex. för svets, laser, slipning, putsning, mätning, etc)
• Systemintegratörer
• Konfigurerar och ”bygger” system för slutanvändare, ofta unika
• Inkluderar CE-märkning, programmering, säkerhet, testat och klart
• Slutanvändare
• Beställare av system för att tillverka de produkter som ska levereras / säljas
• Akademien arbetar med en längre horisont
• ”Off-line”-programmering (1980-talet)
• Automatisk programmering (1990-talet)
• Autonoma ”agenter” och konfigurering av fabriker som standard (från slutet på 1990- talet)
• Konceptet kring Smart Industri (strax efter Milleniet)
• Koncept
• Ofta förenklade exempel
• Verkligheten är så mycket mer komplex, även i industrin
• Men något exempel som fungerar?
• ROS (Robot Operating System)
• Sammankopplar olika enheter tillvarandra
Några exempel
Vika handdukar (50 x hastighet): Ett svårt problem
som industriellt fortfarande är svårt. Varför? Hastighet, bestämd tid för varje cykel, minimera antalet okända variabler och problem.
Fixa kaffe: Inlärning via syntetisk data och s.k. deep Learning. Visar på möjligheter för framtida robotar.
Detta kanske är mer intressant för servicerobotar.
FoU, Innovationer, Samverkan
• Extern finansiering inom tillämpad forskning
• I praktiken arbetar vi alltid med industrin i samverkan
• Finansiärer
• KK-stiftelsen, Vinnova, Tillväxtverket, Olika stiftelser, EU (Horizon 2020)
• Samverkansprojekt
• Industrin: Definierar behov, kravställare; tar hem och implementerar resultat
• Akademien: Forskningsutförare; har oftast en längre målbild än industrin
• Resultat: Offentliga
• I de flesta fall ett mindre problem.
• Att något är offentligt innebär inte att man förstår att använda resultaten
Ett aktuellt exempel
SMART – IAT: Demonstrationsmiljö för Smart och Innovativ Automatisering i Tillverkningsindustrin
• Syfte: Att möta tillverkande företags behov att stärka kompetens- och konkurrenskraft
• Varför?
• En stor andel SMF har små resurser att själva utveckla kunskap och teknik
• Ofta exportberoende; Global konkurrens
• Var? EPIC-labbet, Linnéuniversitetet (Växjö)
• Vad? Tre huvudaktiviteter
• D1: Automatisering och robotisering
• D2: Tillståndsövervakning
• D3: Prediktering och verifiering av produkter (produktutveckling)
Finansiär: Tillväxtverket (50%) samt medfinansiärer Region Kronoberg (ca 35%) och LNU Budget: ca 13 MSEK
Start: 2019-01-01 Tid: 36 månader
Möte med Industrin
• Uppbyggnad av demonstratormiljön: Dialog med industrin
• Möjliggöra experiment
• Workshops och seminarier
• Experiment och tester som möter företags behov
• Verifiering, kunskapshöjande, riskminimering
• Sprida resultat
• Digitala plattformar
• Fysiska möten
• Kunskapshöjande
• LNU
• Industrin
• Nätverk nationellt och internationellt
Robotar – Mitt eget område
Utveckling över tiden
Förutsättningar och lite fakta
• Viktiga parametrar för att det ska fungera:
• Vikt på roboten och dess delar
• Servon (snabba, energieffektiva, noggranna)
• Sensorer
• Dator och styrning av processer samt reglering
• Säkerhet
• Användning:
• Ca 400.000 industrirobotar installerades förra året
• Kina installerade fler än hela Europa tillsammans
• 75% av robotarna levereras till Kina, Sydkorea, Japan, USA och Tyskland
• Områden: Electrical/Electronics; Automotive; …
• Densitet: Sverige har en hyfsad nivå, men Danmark flåsar oss i nacken…
FSW – exempel på en ”heavy duty” process
Cylinder block of Al casting, FSW joined to extruded Al alloy An extremely demanding
application
FSW av cylinderblock – samverkan med industrin
Människor i samverkan med robotar - kollaboration
• Collaboration – dela uppgift
• Människa – robot
• Robot – robot
• Säkerhet
• Gränssnitt Människa – maskin
• Effektiv och intuitivt turtagande
Lätt för en robot är svårt för en människa och tvärtom
• Ostrukturerade uppgifter
• Lära genom virtuella, verkligheten och modellbaserade metoder
Justin catches a ball PR2 uses a salt mill
Photo: G Bolmsjö
Handle, Boston Dynamics
Published 2017-02-27 (Youtube)
• Mobilitet, hantering, autonomi
• Energieffektiv
• Förflytta sig själv I terräng
• Olika metoder är lämpliga för olika
situationer
Människa – Robot: Integration
• Metoder att integrerar elektronik och människa
• “A man who was partially paralyzed by a spinal cord injury is testing a spinal implant to help him walk again”
(Federal Institute of Technology,
Lausanne (EPFL), Spectrum.ieee.org, posted 2017-03-14
• Neurosensing chips:
• Wireless Neurosensor for full-spectrum electrophysiology recordings during free behavior (Neuron 84(6):1170-1182, 2014
• 96 channels, real time recording up to 7.8 kHz at all channels, high speed wireless transmission
