Atlas Copco is a global Swedish industrial company that develops and manufactures handheld electric and air powered tools. Their customers can be found in the automotive and aerospace industries, industrial manufacturing and maintenance, as well as in vehicle service and maintenance. This bachelor's degree project examines the ability to increase the process efficiency of the company's factory in Tierp by expanding the ability to perform further testing of the tools that show deviations at the final test. Today, extensive testing of all assembled power tools is carried out in the factory before they are sent to the customer. When a deviation is detected, the tool is repaired by replacing components in a certain order. By expanding the troubleshooting methodology, the repair process can be shortened. Based on a comprehensive database a statistical analysis has been performed which shows that approximately 47% of the tools that are unable to meet quality standards have the same error code. Over 37% of these devices are repaired by replacing the main board of the tool. This study indicates that in many cases it is not the main board which is the cause, but errors in the assembly. Using root cause analysis, structured interviews, surveys, developed test protocols and test platforms, a number of factors have been identified that can contribute to increased process quality. The thesis proposes the introduction of an expanded test platform that can help repair technicians in their work. It also suggests a number of constructional changes in the tools that prevents incorrect assembles. / Atlas Copco är ett globalt svenskt industriföretag som bland annat utvecklar och tillverkar handhållna el- och tryckluftsdrivna verktyg för kunder inom fordons- och flygindustrierna, industriell tillverkning och underhåll, samt inom fordonsservice. Detta kandidatexamensarbete undersöker möjligheten att öka processeffektiviteten i företagets fabrik i Tierp genom att utöka möjligheterna att utföra ytterligare test av de verktyg som visar avvikelser vid sluttest. I fabriken genomförs idag omfattande tester av alla monterade elverktyg innan de skickas till kund. När en avvikelse upptäcks repareras verktyget genom att komponenter byts ut i en viss ordning. Genom att utöka möjligheterna till felsökning kan reparationsprocessen kortas ner. Utifrån en omfattande databas har en statistik sammanställning utförts som visar att cirka 47% av de verktyg som inte klarar sluttestet uppvisar samma felkod. Över 37% av dessa enheter repareras genom att byta verktygets huvudkort. Denna studie ger indikationer på att det i många fall inte är huvudkortet som är problemet utan felaktigheter i monteringen. Med hjälp av rotorsaksanalys, strukturerade intervjuer, enkäter och utveckling av testprotokoll samt en teststation har ett antal faktorer kunnat identifieras vilka kan bidra till en ökad processkvalitet. Undersökningen föreslår införande av en utökad testplattform som kan hjälpa reparatörerna i sitt arbete. Den föreslår även ett antal konstruktionsändringar i verktygen som omöjliggör en felaktig montering.

String trimmers or weed cutter or strimmer is one of the inevitable tool for a professional gardener. They are helping gardeners for maintaining the lawn and farmland. These machines have been used by human for a quite long time. Professionals normally uses the bike handle type string trimmer and the amateurs who has small gardens normally uses loop handle one. The bike handle models are more powerful and gives more comfort for long time working. While performing the trimming process users are using the handles to steer and control the machine. Handle is the main touch point of the machine and it needs to provide enough comfort and assist the functions.Cramer, a German garden tools brand owned by The Globe Group, is focusing on researching and developing Garden power tools for amateurs as well as professional users. For them it is important to satisfy the customer and improve the user experience of their products.This project is focused only on the handle of the string trimmer to improve the overall user experience. This project mainly deals with the ergonomic aspects of the handle for a larger percentile of population. It is very important to make a handle were the professional users are going to use longer period of time. Along with the comfort this project put stress on increase the user experience by giving modern, friendly and premium expression visually as well as physically. Even though the project is to develop a handle concept, it needs to go along with the overall brand language.

The threaded fastener is by far the most common method for securing components together and plays a significant role in determining the quality of a product. Atlas Copco offers industrial tools for tightening these fasteners, which are today suffering from errors in the applied torque. These errors have been found to behave in periodic patterns which indicate that the errors can be predicted and therefore compensated for. However, this is only possible by knowing the rotational position of the tool. Atlas Copco is interested in the possibility of acquiring this rotational position without installing sensors inside the tools. To address this challenge, the thesis explores the feasibility of estimating the rotational position by analysing the behaviour of the errors and finding periodicities in the data. The objective is to determine whether these periodicities can be used to accurately estimate the rotation of the torque errors of unknown data relative to errors of data where the rotational position is known. The tool analysed in this thesis exhibits a periodic pattern in the torque error with a period of 11 revolutions.  Two methods for estimating the rotational position were evaluated: a simple nearest neighbour method that uses mean squared error (MSE) as distance measure, and a more complex circular fully convolutional network (CFCN). The project involved data collection from a custom-built setup. However, the setup was not fully completed, and the models were therefore evaluated on a limited dataset. The results showed that the CFCN method was not able to identify the rotational position of the signal. The insufficient size of the data is discussed to be the cause for this. The nearest neighbour method, however, was able to estimate the rotational position correctly with 100% accuracy across 1000 iterations, even when looking at a fragment of a signal as small as 40%. Unfortunately, this method is computationally demanding and exhibits slow performance when applied to large datasets. Consequently, adjustments are required to enhance its practical applicability. In summary, the findings suggest that the nearest neighbour method is a promising approach for estimating the rotational position and could potentially contribute to improving the accuracy of tools. / Skruvförband är den vanligaste typen av förband för att sammanfoga komponenter och är avgörande för en produkts kvalitet. Atlas Copco tillverkar industriverktyg avsedda för sådana skruvförband, som dessvärre lider av små avvikelser i åtdragningsmomentet. Avvikelserna uppvisar ett konsekvent periodiskt mönster, vilket indikerar att de är förutsägbara och därför möjliga att kompenseras för. Det är dock endast möjligt genom att veta verktygets vinkelposition. Atlas Copco vill veta om det är möjligt att erhålla vinkelpositionen utan att installera sensorer i verktygen. Denna uppsats undersöker möjligheten att uppskatta vinkelpositionen genom att analysera beteendet hos avvikelserna i åtdragningsmomentet och identifiera periodiciteter i datan, samt undersöka om dessa periodiciteter kan utnyttjas för att uppskatta rotationen hos avvikelserna hos okänd data i förhållande till tidigare data. Det verktyget som används i detta projekt uppvisar en tydlig periodicitet med en period på 11 varv. Två metoder för att uppskatta vinkelpositionen utvärderades: en simpel nearest neighbour-metod som använder mean squared error (MSE) som mått för avstånd, och ett mer komplext circular fully convolutional network (CFCN). Projektet innefattade datainsamling från en egendesignad testrigg som tyvärr aldrig blev färdigställd, vilket medförde att utvärderingen av modellerna utfördes på ett begränsat dataset.  Resultatet indikerade att CFCN-metoden kräver en större datamängd för att kunna uppskatta rotationen hos den okända datan. Nearest neighbour-metoden lyckades uppskatta rotationen med 100% noggrannhet över 1000 iterationer, även när endast ett segment så litet som 40% av signalen utvärderades. Tyvärr lider denna metod av hög beräkningsbelastning och kräver förbättringar för att vara praktiskt tillämpbar. Sammantaget visade resultaten att nearest neighbour-metoden har potential att vara ett lovande tillvägagångssätt för att uppskatta vinkelpositionen och kan på så sätt bidra till förbättring av verktygens noggrannhet.