– Man lär sig mycket av att samla in och analysera data manuellt också, inte bara via avancerade statistiska metoder, säger Niklas Fries, doktorand vid Företagsforskarskolan och Institutionen för matematik och matematisk statistik vid Umeå universitet.
Ny kontrollprocess ska upptäcka felen innan de uppstår
Förbättringsarbete Kvalitetskontroller inom tillverkningsindustrin kan förbättras avsevärt med hjälp av systematisk datainsamling och maskininlärning. Det visar en avhandling från Företagsforskarskolan vid Umeå universitet.

Foto: Stockadobe
Någonting är fel
Du är inloggad som prenumerant hos förlaget Pauser Media, men nånting är fel. På din profilsida ser du vilka av våra produkter som du har tillgång till. Skulle uppgifterna inte stämma på din profilsida – vänligen kontakta vår kundtjänst.
Kvalitetsmagasinet premium
Läs vidare – starta din prenumeration
Redan prenumerant? Logga in och läs vidare.
Felen upptäcks för sent
Han har i sitt forskningsprojekt vid Umeå universitet samarbetat med Volvo Lastvagnar för att ta reda på hur datadrivna metoder skulle kunna förebygga kvalitetsproblem vid målning av lastbilshytter i fabriken i Umeå.
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


