Sandvik Coromant is the leading supplier of cutting tools and solutions to the machining industry. Sandvik Coromant is the creator of the modular Coromant Capto ® tool interface which have since become an ISO-standard. The Coromant Capto ® interface, which currently is undergoing a revision is found in the machining applications turning, milling and drilling because of its unique characteristics. Sandvik Coromant's largest factory for cutting tools is located in Gimo which produces tools with the Coromant Capto ® interface for milling and turning applications. The turning tools with the Coromant Capto ® interface are currently produced from the tool steel 25CrMoS4, commonly known as SS2225 with a typical initial hardness of 28 ± 2 HRC. To achieve the required hardness of the finished tools, the turning tools are hardened by induction which results in hardness levels close to, or above 50 HRC. These induction hardening processes which are carried out after the machining operations induces geometrical distortions in the tools which impacts the quality of the finished product. Furthermore it is expected that the new revision of the Coromant Capto ® interface will be dificult to produce due to these geometrical distortions. To avoid the geometrical distortions due to induction hardening a change of material was examined. The turning tools with the Coromant Capto ® interface would instead be produced from the tool steel 34CrNiMo6, commonly known as SS2541. SS2541 is currently being used as material for the milling tools produced in Gimo. The tool steel SS2541 would imply a new process flow for the turning tools which would be hardened to 43,5 ± 2 HRC before the machining operations in a furnace thus avoiding the geometrical distortions. The purpose of the thesis was to study and predict the impacts and the changes that this new production process flow would lead to. The hypothesis of the whole study was claried as:"The change of material in Coromant Capto ® -equipped turning tools would be benecial in terms of the complete picture". To either prove or disprove the hypothesis research was conducted in three separate studies namely Quality, Time and Cost. A case study was used to compare the different process flows with each other. A sample of seven turning tools was studied within the case study. Each tool in the sample represents a portion of the real production volumes produced in Gimo. It was found that both product and process quality would increase with the material SS2541. Product quality would increase because the geometrical distortions would be avoided. This would increase value for the end customer which could expect a more predictable machining process. Process quality would also increase, mainly because control measurements will be carried out in a better way than in the current situation, and the fact that a simpler process flow with less operations will be true for SS2541. Process time increased for almost all material removal operations because the higher hardness of the material SS2541. Total process time would increase for the blanks and would decrease for the tools because the hardening operation are moved from tool to blank. The throughput rate of both blanks and tools will decrease, because the constraining operations or bottleneck operations would take longer time. Despite this it is expected that machine capacity is sufficient for producing the current production volumes from the material SS2541. The production cost for all tools in the sample will increase, one of the tools by as much as 11%. Production cost for a yearly production of turning tools (blanks included) is estimated to increase with 5%. The highest contributing factor to the increased cost is the initial cost of the material which will increase with 10%. To minimize the impact of material cost the range of blanks should be rationalized, i.e producing more tools from forged blanks instead from round blanks. To summarize and give an recommendation: The hypothesis of the thesis is confirmed. The change of material to SS2541 would seen to the complete picture prevent many problems to a relatively low cost. Therefore it is recommended that the material is changed from SS2225 to SS2541. / Sandvik Coromant är en ledande tillhandahåallare av verktyg och lösningar till bearbetningsindustrin. Sandvik Coromant uppfann det modulära verktygsgränssnittet Coromant Capto ®, vilken på senare år har blivit en ISO-standard. Coromant Capto ®-kopplingen, som för tillfället undergår en revision återfinns, tack vare sina unika egenskaper inom applikationsområdena svarvverktyg, fräsverktyg och borrverktyg. Sandvik Coromants största fabrik för skärande verktyg ligger i Gimo i vilken man tillverkar både svarvverktyg och fräsverktyg med Coromant Capto ®-koppling. Svarvverktygen med Coromant Capto ®-koppling tillverkas nuvarande från verktygsstålet 25CrMoS4, allmänt känt som SS2225, vilket har en typisk grundhårdhet på ca 28 ± 2 HRC. För att uppnå rådande hårdhetskrav induktionshärdas svarvverktygen med induktionshärdning vilketresulterar i hårdheter nära- elleröver 50 HRC. Dessa induktionshärdningsprocesser utförs efter bearbetningsoperationerna och skapar formförändringar i verktygen, vilket i sin tur påverkar kvaliteten för den slutgiltliga produkten. Dessutom förväntas det att tillkomma problem med att tillverka den nya Coromant Capto ®-revisionen på grund av formförändringarna. För att förebygga formförändringarna som tillkommer vid induktionshärdningsprocesserna studerades ett materialbyte. Svarvverktygen med Coromant Capto ®-kopplingar skulle nu produceras från verktygsstålet 34CrNiMo6, allmänt känt som SS2541 istället. SS2541 används för närvarande till fräsprodukterna som produceras i Gimo. Verktygsstålet SS2541 skulle innebära ett nytt processflöde för svarvverktygen vilka nu skulle ugnshärdas före bearbetningsoperationerna till en hårdhet av 43,5 ± 2 HRC och på så sätt undvika formförändringarna. Syftet med examensarbetet var att utreda och förutspå effekterna och förändringarna som detta nya processflöde skulle innebära. Hypotesen till hela studien sammanfattades som: Materialbytet på svarvverktyg med Coromant Capto ®-koppling skulle vara positivt sett till helheten. För attantingen bekräfta eller dementera denna hypotes utfördes en studie som innefattade tre separata utredningar inom områdena Kvalitet, Tid och Kostnad. Man använde sig av en fallstudie för att jämföra de olika processflödena med varandra. Ett urval bestående av sju produkter studerades inom denna fallstudie. Varje produkt från urvalet fick representera en delvolym av den totala årliga produktionsvolymen i Gimo. Man fann att både produktkvalitet och processkvalitet skulle öka till följd av materialbytet till SS2541. Produktkvaliteten skulle öka för att formförändringarna skulle undvikas. Detta skulleöka värdet för slutkunden, vilken kan komma att förvänta sig en bättre och mer förutsägbar bearbetningsprocess. Processkvaliteten skulle också öka, främst för att kontrollmätningar nu skulle kunna utföras på ett bättre sätt än man kan göra i det nuvarande processflödet samt att flödet skulle bli enklare och tydligare med färre processteg. Processtider skulle öka för nästan alla bearbetningsoperationer på grund av att SS2541 har en högre hårdhet. Den totala processtiden skulle öka förämnestillverkningen och minska för verktygstillverkningen för att härdningsoperationerna förflyttas från verktyg till ämne. Genomströmmningshastigheten skulle minska för både ämne och verktyg för att flaskhalsarna i produktionen skulle ta längre tid. Dock skall tilläggas att man fortfarande skulle ha kapacitet nog föratt tillverka dagens produktionsvolymer i materialet SS2541. Produktionskostnaden för alla produkterna i urvalet skulle öka, varav en produkt skulle öka med så mycket som 11%. Produktionskostnaden för en årsproduktion av svarvverktyg (ämnesproduktion inräknad) uppskattades att öka med 5%. Den största faktorn till den ökade produktionskostnadenär initialkostnaden för materialet som kommer att öka med 10%. För att minimera effekterna av materialkostnaden borde ämnesfloran rationaliseras, alltså producera fler verktyg från smidda ämnen än från försvarvade ämnen. För att sammanfatta och ge en rekommendation: Hypotesen kan bekräftas. Materialbytet till SS2541 skulle, sett till helheten förebygga många problem till en relativt låg merkostnad. Därför rekommenderas att materialbytet från SS2225 till SS2541 genomförs.

Deep Learning and Neural Networks have been studied and developed for many years as of today, but there is still a great need of research on this field, because the industry needs are rapidly changing. The new challenge in this field is called edge inference and it is the deployment of Deep Learning on small, simple and cheap devices, such as low-power microcontrollers. At the same time, also on the field of hardware design the industry is moving towards the RISC-V micro-architecture, which is open-source and is developing at such a fast rate that it will soon become the standard. A batteryless ultra low power microcontroller based on energy harvesting and RISC-V microarchitecture has been the final target device of this thesis. The challenge on which this project is based is to make a simple Neural Network work on this chip, i.e., finding out the capabilities and the limits of this chip for such an application and trying to optimize as much as possible the power and energy consumption. To do that TensorFlow Lite Micro has been chosen as the Deep Learning framework of reference, and a simple existing application was studied and tested first on the SparkFun Edge board and then successfully ported to the RISC-V ONiO.zero core, with its restrictive features. The optimizations have been done only on the convolutional layer of the neural network, both by Software, implementing the Im2col algorithm, and by Hardware, designing and implementing a new RISC-V instruction and the corresponding Hardware unit that performs four 8-bit parallel multiply-and-accumulate operations. This new design drastically reduces both the inference time (3.7 times reduction) and the number of instructions executed (4.8 times reduction), meaning lower overall power consumption. This kind of application on this type of chip can open the doors to a whole new market, giving the possibility to have thousands small, cheap and self-sufficient chips deploying Deep Learning applications to solve simple everyday life problems, even without network connection and without any privacy issue. / Deep Learning och neurala nätverk har studerats och utvecklats i många år fram till idag, men det finns fortfarande ett stort behov av forskning på detta område, eftersom industrins behov förändras snabbt. Den nya utmaningen inom detta område kallas edge inferens och det är implementeringen av Deep Learning på små, enkla och billiga enheter, såsom lågeffektmikrokontroller. Samtidigt, även på området hårdvarudesign, går industrin mot RISC-V-mikroarkitekturen, som är öppen källkod och utvecklas i så snabb takt att den snart kommer att bli standarden. En batterilös mikrokontroller med ultralåg effekt baserad på energiinsamling och RISC-V-mikroarkitektur har varit den slutliga målenheten för denna avhandling. Utmaningen som detta projekt är baserat på är att få ett enkelt neuralt nätverk att fungera på detta chip, det vill säga att ta reda på funktionerna och gränserna för detta chip för en sådan applikation och försöka optimera så mycket som möjligt ström- och energiförbrukningen. För att göra det har TensorFlow Lite Micro valts som referensram för Deep Learning, och en enkel befintlig applikation studerades och testades först på SparkFun Edge-kortet och portades sedan framgångsrikt till RISC-V ONiO.zero-kärnan, med dess restriktiva funktioner. Optimeringarna har endast gjorts på det konvolutionerande skikt av det neurala nätverket, både av mjukvara, implementering av Im2col-algoritmen, och av hårdvara, design och implementering av en ny RISC-V-instruktion och motsvarande hårdvaruenhet som utför fyra 8-bitars parallella multiplikation -och-ackumulationsoperationer. Denna nya design minskar drastiskt både slutledningstiden (3,7 gånger kortare) och antalet utförda instruktioner (4.8 gånger färre), vilket innebär lägre total strömförbrukning. Den här typen av applikationer på den här typen av chip kan öppna dörrarna till en helt ny marknad, vilket ger möjlighet att ha tusentals små, billiga och självförsörjande chip som distribuerar Deep Learning-applikationer för att lösa enkla vardagsproblem, även utan nätverksanslutning och utan någon integritetsproblematik.

This research proposes a novel approach for improving autonomous mobile system navigation in dynamic and potentially occluded environments. The research introduces a tracking framework that combines data from stationary sensing units and on-board sensors, addressing challenges of computational efficiency, reliability, and scalability. The work innovates by integrating spatially-distributed LiDAR and RGB-D Camera sensors, with the optional inclusion of on-board IMU-based dead-reckoning, forming a robust and efficient coordination framework for autonomous systems. Two key developments are achieved. Firstly, a point cloud object detection technique, "Generalized L-Shape Fitting”, is advanced, enhancing bounding box fitting over point cloud data. Secondly, a new estimation framework, the Distributed Edge Node Switching Filter (DENS-F), is established. The DENS-F optimizes resource utilization and coordination, while minimizing reliance on on-board computation. Furthermore, it incorporates a short-term predictive feature, thanks to the Adaptive-Constant Acceleration motion model, which utilizes behaviour-based control inputs. The findings indicate that the DENS-F substantially improves accuracy and computational efficiency compared to the Kalman Consensus Filter (KCF), particularly when additional inertial data is provided by the vehicle. The type of sensor deployed and the consistency of the vehicle's path are also found to significantly influence the system's performance. The research opens new viewpoints for enhancing autonomous vehicle tracking, highlighting opportunities for future exploration in prediction models, sensor selection, and precision coordination. / Denna forskning föreslår en ny metod för att förbättra autonom mobil systemsnavigering i dynamiska och potentiellt skymda miljöer. Forskningen introducerar ett spårningsramverk som kombinerar data från stationära sensorenheter och ombordssensorer, vilket hanterar utmaningar med beräkningsefektivitet, tillförlitlighet och skalbarhet. Arbetet innoverar genom att integrera spatialt distribuerade LiDAR- och RGB-D-kamerasensorer, med det valfria tillägget av ombord IMU-baserad dödräkning, vilket skapar ett robust och efektivt samordningsramverk för autonoma system. Två nyckelutvecklingar uppnås. För det första avanceras en punktmolnsobjektdetekteringsteknik, “Generaliserad L-formig anpassning”, vilket förbättrar anpassning av inneslutande rutor över punktmolnsdata. För det andra upprättas ett nytt uppskattningssystem, det distribuerade kantnodväxlingsfltret (DENSF). DENS-F optimerar resursanvändning och samordning, samtidigt som det minimerar beroendet av ombordberäkning. Vidare införlivar det en kortsiktig prediktiv funktion, tack vare den adaptiva konstanta accelerationsrörelsemodellen, som använder beteendebaserade styrentréer. Resultaten visar att DENS-F väsentligt förbättrar noggrannhet och beräknings-efektivitet jämfört med Kalman Consensus Filter (KCF), särskilt när ytterligare tröghetsdata tillhandahålls av fordonet. Den typ av sensor som används och fordonets färdvägs konsekvens påverkar också systemets prestanda avsevärt. Forskningen öppnar nya synvinklar för att förbättra spårning av autonoma fordon, och lyfter fram möjligheter för framtida utforskning inom förutsägelsemodeller, sensorval och precisionskoordinering. / Questa ricerca propone un nuovo approccio per migliorare la navigazione dei sistemi mobili autonomi in ambienti dinamici e potenzialmente ostruiti. La ricerca introduce un sistema di tracciamento che combina dati da unità di rilevazione stazionarie e sensori di bordo, afrontando le sfde dell’effcienza computazionale, dell’affdabilità e della scalabilità. Il lavoro innova integrando sensori LiDAR e telecamere RGB-D distribuiti nello spazio, con l’inclusione opzionale di una navigazione inerziale basata su IMU di bordo, formando un robusto ed effciente quadro di coordinamento per i sistemi autonomi. Vengono raggiunti due sviluppi chiave. In primo luogo, viene perfezionata una tecnica di rilevazione di oggetti a nuvola di punti, “Generalized L-Shape Fitting”, migliorando l’adattamento del riquadro di delimitazione sui dati della nuvola di punti. In secondo luogo, viene istituito un nuovo framework di stima, il Distributed Edge Node Switching Filter (DENS-F). Il DENS-F ottimizza l’utilizzo delle risorse e il coordinamento, riducendo al minimo la dipendenza dal calcolo di bordo. Inoltre, incorpora una caratteristica di previsione a breve termine, grazie al modello di movimento Adaptive-Constant Acceleration, che utilizza input di controllo basati sul comportamento del veicolo. I risultati indicano che il DENS-F migliora notevolmente l’accuratezza e l’effcienza computazionale rispetto al Kalman Consensus Filter (KCF), in particolare quando il veicolo fornisce dati inerziali aggiuntivi. Si scopre anche che il tipo di sensore impiegato e la coerenza del percorso del veicolo infuenzano signifcativamente le prestazioni del sistema. La ricerca apre nuovi punti di vista per migliorare il tracciamento dei veicoli autonomi, evidenziando opportunità per future esplorazioni nei modelli di previsione, nella selezione dei sensori e nel coordinamento di precisione.