The project has explored the topic Smart factory with main focus on the future production staff. The project aims to investigate how the production staff is affected by Volvo Cars Skövde Engine Plant (SkEP) becoming a Smart factory, in the era of Industry 4.0. The definition of the Smart factory is a demand of Mobile- and wireless technologies, Human-oriented, pursue a Flexible production with Sustainable manufacturing, as well as utilization of CPS (Cyber-Physical Systems), IoT (Internet-of-Things) and Cloud storage. The current situation and the future five to twenty years were examined in order to define the future production staff. This by conducting an observational study and several interviews. The studies’ results were that SkEP cannot be regarded as smart since several demands are inadequate by definition. Five years are considered too short of a time for the plant to fulfill the demands. However, according to the interviews and literature, SkEP are expected to become smart in twenty years after time refinement of existing technologies and implementation of new ones. The authors estimate Leadership, Information, IT and Production lay-out to be the areas that require the most effort. The future production staff are expected to be flexible with workplace, working hours and able to manage multiple variants. They should be included in self-supporting teams where every individual possesses an expertise, are motivated and participating. Production staff should perform complex, varied jobs with more responsibility by endorsement of decision support systems. The staffs’ competence should consist of technical education, high basic and lay-out knowledge and the ability to contribute to the collection of information and analyses. Interaction with technology is expected to expand and the personnel must therefore have a well-established comprehension of technology. The concept Smart factory is extensive and relatively new, which means that it is constantly evolving. Thus it is important for SkEP to be updated and adjust to the impact from the outside world.

This thesis describes how a solution can be built to detect human flu-like symptoms. Flu-like symptoms are important to detect to prevent Covid-19 [6]. As people are returning to work there is a need for a simple way of detecting flu-like symptoms to prevent the spread of Covid-19. Other than a solution, this thesis concluded how human flu-like symptoms can be detected, with cameras specifically. This is to know what symptoms are most likely to work for a prototype. The technique of cameras and thermal cameras made this project possible as well as the technique of a single-board computer. The technique of cloud-based services is also an important part of this project. This project has resulted in a novel prototype using a single-board computer, cameras, and various cloud-based services to detect and inform a person if he or she has a human flu-like symptom.

We are today facing an industrial revolution called Industry 4.0. Earlier in the human history, we have seen multiple industrial revolutions, but only after they actually happened. This is the first time we can see that an industrial revolution is on its way. Witht his knowledge, we have the chance to prepare for this large‐scaled technological change that we are standing in front of. Because of the impact that earlier industrial revolutions had on organizations, we can assume that Industry 4.0, as well, will impact and change work, tasks and the organizations themselves; especially when it comes to new high‐tech knowledge and skills that need to be learnt. Implementation, change, and high‐tech learning, together with a constantly running production can be stressful for anyone involved. For this reason, the purpose of this study is to come up with solutions on how you can facilitate the implementation of Industry 4.0, for employees and in an organizational point of view. We do this by conducting a literature study as well as interviewing organizations within the Swedish manufacturing industry. The structure of the analysis is built upon Lewin’s Three‐stage Model of Change. Here, we discuss and present solutions according to the stage in which they fit during the change process. Additionally, we investigate the concept of gamification as a tool to facilitate change. From our research, we conclude that motivation and engagement are keys in a technological change project such as Industry 4.0. Involvement, transparency and clarity are important aspects to make employees engaged throughout the project. Additionally, we present practical solutions for how organizations can educate their employees within Industry 4.0 techniques, as well as increase their motivation and engagement. / Vi står idag inför en industriell revolution som kallas Industri 4.0. Tidigare i historien har vi sett industriella revolutioner först efter att de inträffat. Det är nu första gången vi kanse att en industriell revolution är på väg. Med denna kunskap har vi idag en möjlighet att förbereda oss för den teknologiska utveckling som vi står inför. På grund av de tidigare industriella revolutionerna och den stora påverkan som de har haft på organisationer, kan vi anta att Industri 4.0 också kommer förändra jobb, uppgifter och organisationer – framför allt när det kommer till den nya teknologiska kunskap som nya maskiner och system kommer kräva av de som använder dem. Implementering, förändring och en hög nivå av teknologiskt lärande, samtidigt som produktionen fortfarande kommer snurra dygnet runt, kan vara stressigt för vem som helst. Därför syftar detta examensarbete till att ta fram lösningar för hur man kan förenkla implementationen av Industri 4.0, ur ett medarbetarperspektiv och för organisationen som helhet. Vi gör detta genom en litteraturstudie och genom intervjuer med organisationer inom den svenska tillverkningsindustrin. Strukturen på analysen bygger på Lewins trestegsmodell för förändring. Här diskuterar och presenterar vi lösningar enligt vilket steg de passar in i under förändringsprocessen. Vidare utvärderar vi gamification som ett verktyg för att underlätta förändringen. Detta arbete kommer fram till att det viktigaste för att genomföra ett förändringsarbete i denna omfattning är motivation och engagemang från både anställda och ledning. Involvering, transparens och tydlighet är viktiga delar för att göra anställda engagerade genom hela projektet. Vidare presenterar vi lösningar för hur man kan utbilda sina anställda inom Industri 4.0‐tekniker, och även för hur man kan öka motivation och engagemang.

Underhåll är en aktivitet som varje produktion vill undvika så mycket som möjligt på grund av kostnaderna och tiden som anknyts till den. Trots detta så är en väl fungerande underhållsverksamhet väsentlig för att främja produktionens funktionssäkerhet och tillgänglighet att tillverka. En effektiv underhållsorganisation går däremot inte ut på att genomföra mer underhåll än vad som egentligen är nödvändigt utan att genomföra underhåll i rätt tid. På traditionellt sätt så genomförs detta genom att ersätta slitage delar och serva utrustningen med fastställda mellanrum för att förebygga att haveri, vilket kallas för förebyggande underhåll. De tidsintervaller som angivits för service bestäms av leverantörerna och grundar sig i en generell uppskattning av slitagedelarnas livslängd utifrån tester och analys. Till skillnad från att köra utrustningen till den går sönder som kallas för Avhjälpande underhåll så kan underhåll genomföras vid lämpliga tider så att det inte påverkar produktion och tillgänglighet. Men de tidsintervall som leverantörerna rekommenderar till företagen garanterar inte att slitage delen håller sig till det intervallet, delarna kan exempelvis rasa tidigare än angivet eller till och med hålla längre. Av denna anledning är det naturliga steget i underhållets utveckling att kunna övervaka utrustningens hälsa i hopp om att kunna förutspå när och varför ett haveri ska uppstå. Den här typen av underhåll kallas för tillståndsbaserat och prediktivt underhåll och medför ultimat tillgänglighet av utrustning och den mest kostnadseffektiva underhållsorganisationen, då god framförhållning och översikt uppnås för att enbart genomföra underhåll när det behövs. Det som gör tillståndsbaserat och prediktivt underhåll möjligt är den fjärde industriella revolutionen “Industri 4.0” och teknologierna som associeras med den som går ut på absolut digitalisering av produktionen och smarta fabriker. Teknologier som IoT, Big Dataanalys och Artificiell Intelligens används för att koppla upp utrustning till nätet med hjälp av givare för att samla in och lagra data som ska användas i analyser för att prognosera dess livslängd. Uppdragsgivaren AstraZeneca i Södertälje tillverkar olika typer av läkemedel som många är livsviktiga för de patienter som tar dessa mediciner. Om AstraZenecas produktion står still på grund av fel i utrustningen kommer det inte enbart medföra stora ekonomiska konsekvenser utan även påverka de människor som med livet förlitar sig på den medicin som levereras. För att försäkra produktionens tillgänglighet har AstraZeneca gjort försök att tillämpa tillståndsbaserat och prediktivt underhåll men det är fortfarande enbart i startgroparna. Eftersom ventilation är kritisk del av AstraZeneca produktion då ett fel i ventilationssystemet resulterar i totalt produktionsstopp i byggnaden förens problemet åtgärdas och anläggningen sanerats blev det även rapportens fokusområde. Arbetets uppgift går därför ut på att undersöka möjligheter för AstraZeneca att utveckla deras prediktiva och tillståndsbaserat underhåll på deras ventilationssystem, för att sedan kunna identifiera och presentera förslag på åtgärder. Dessa förslag analyserades sedan med hjälp av verktygen QFD-Matris och Pugh-Matris för att kunna uppskatta vilket förslag som är mest kostnadseffektivt, funktions effektivt samt vilket förslag som kommer tillföra mest nytta för underhållet på AstraZeneca. / Maintenance is an activity that every production wants to avoid as much as possible due to the costs and the time associated with it. Despite this, a well-functioning maintenance operation is essential to promote the production's availability to manufacture and operational reliability. Running an efficient maintenance operation is not about carrying out more maintenance than is necessary but carrying out the right amount of maintenance at the right time. Traditionally speaking this is done by replacing worn parts and servicing the equipment at set intervals to prevent breakdowns, this method is called preventive maintenance. The intervals specified for service are determined by the suppliers and are based on general estimates of the service life for the spare parts from test and analytics. Preventive maintenance allows for maintenance to be carried out at appropriate time to not affect production and availability unlike running the equipment until breakdown, which is called reactive maintenance. However, these intervals that the suppliers recommend do not guarantee that the parts adhere to the given interval, the part can for example break down earlier than expected or even outlast its prescribed lifetime. Because of this, the natural step in the development of maintenance is giving companies the ability to monitor the health of the equipment in hope of being able to predict potential breakdowns. This is what Condition-Based and predictive maintenance is and it provides the ultimate availability of equipment and the most cost-effective maintenance organization, because the good foresight and overview allows maintenance to be carried out only when needed. The fourth industrial revolution “Industry 4.0”, absolute digitalization of production, smart factories and all the technologies associated with this is what makes this type of maintenance possible. Technologies such as IoT, Big Data Analytics and Artificial Intelligence are used to connect equipment to the network using sensors so that data can be stored and collected to be analyzed to forecast the lifespan of parts and equipment. AstraZeneca in Södertälje manufactures different types of medicine, many of which are vital for the patients who take them. If their production comes to a standstill due to equipment failure, it will not only have major financial consequences but also greatly affect the people who rely on the medicine offered with their lives. To ensure the availability of production, AstraZeneca has made attempts to apply condition-based and predictive maintenance, but it is still only in its infancy. Since ventilation is a critical part of AstraZeneca's production, as a failure here will result in a total production stoppage for the building affected and will not resume before the problem is remedied and the plant is decontaminated, it also became the report's focus area. The task at hand is therefore to investigate the opportunities AstraZeneca must develop their predictive and condition-based maintenance for their ventilation systems, in order to be able to present proposals for measures. The proposals will then be analyzed using tools like the QFD-Matrix and the Pugh-Matrix in order to estimate which is more cost effective, function effective and which one will bring the most benefit to AstraZeneca.