Det finns oändliga möjligheter till förbättringar med hjälp av de data som samlas in under en produktionsdag. Man behöver bara hitta ett sätt att tolka dessa data. TOPAZ syftar till att undersöka hur en kombination av datautvinning, maskininlärning och optimering kan underlätta för tillverkningsföretagen. Detta kommer att ske genom omvandling av heterogena data hämtade från olika källor, potentiellt från olika delar av värdekedjan, till preskriptiva åtgärder som stödjer långsiktiga mål i form av lönsamhet, hållbarhet och stabilitet.

Tillverkande företag samlar in stora mängder data på olika nivåer inom produktionen. Dessa data finns i olika format och lagras i olika slags databassystem, vilket försvårar analysen. För att kunna omvandla data till beslut anammar TOPAZ ett välkänt ramverk som definierar de olika analysstegen, nämligen

1. deskriptiv analys
2. prediktiv analys
3. preskriptiv analys

Inom TOPAZ syftar deskriptiv analys på användningen av metoder för integrering av data för att omvandla data till information; prediktiv analys syftar på användningen av tekniker för strukturerad datautvinning och maskininlärning för att omvandla information till kunskap; och preskriptiv analys syftar på användningen av simulering och optimering för att omvandla kunskap till visdom. Därmed kontextualiserar forskningsansatsen för TOPAZ DIKW-hierarkin (data–information–kunskap–visdom, på engelska Data-Information-Knowledge-Wisdom) i form av ett analytiskt ramverk.

Tekniker för datautvinning och maskininlärning

TOPAZ kommer att fokusera på strukturerade data, det vill säga data i på förhand definierade format, som finns i relationsdatabaser eller i andra typer av databaser. Inom tillverkningsindustrier används en mängd olika datamodeller för att hantera komplexa data om produkter, processer, flöden, logistik och så vidare. I detta projekt kommer strukturerad datautvinning och maskininlärning att tillämpas på heterogena data, från flera olika källor och i flera olika format, i syfte att förutsäga hur utvecklingen av olika scenarier som fångats av dessa data kommer att se ut.

Dessa prediktiva modeller används sedan för att förbättra scenarierna genom optimering av motsvarande styrparametrar, vilket därmed leder till ökad produktion och minskade kostnader.

Projektets partnerföretag

TOPAZ kommer att inrätta nya samarbeten mellan Högskolan i Skövde och två större svenska tillverkningsföretag. Projektets partner kommer inte bara att dra nytta av varandras fallstudier utan även exponeras för det arbete som pågår inom forskningsmiljön INFINIT.

Projektets bidrag till forskning och utbildning

Projektet kommer att bidra till forsknings- och utbildningsverksamheten inom INFINIT, inom områdena virtuell produktionsutveckling och datavetenskap. Det kommer huvudsakligen att komplettera de metoder och algoritmer som utvecklas i det KKS-finansierade Profile2017-projektet Virtuella fabriker och kunskapsdriven optimering.

Inom utbildning kommer TOPAZ att leda till ett flertal examensarbeten för studenter och bidra till utvecklingen av befintliga kurser på avancerad nivå, inom masterprogrammen och inom nya fristående kurser för olika branscher, genom det av KKS-finansierade projektet Expertkompetens.