Kollaborativa robotar är ny teknik som erbjuder flexibilitet och precision för manuella arbetsuppgifter som tidigare har varit svåra att automatisera. Volvo Group Trucks Operations motorfabrik i Skövde är en pilotfabrik där nya tekniska lösningar testas innan de förs vidare i koncernen. Företaget ser att kollaborativa robotar kan ge fördelar som förbättringar i ergonomin för operatörerna samt förbättrad process- och produktkvalitet i slutmonteringen för 13L lastbilsmotorer. Projektets syfte är att undersöka möjligheter med kollaborativa robotar i slutmonteringen samt ge en djupare förståelse för robotarnas användningsområde. Projektet har avgränsats till Universal Robots, kitt, förarbete och slutmontering för 13L lastbilsmotorer. Målen är att ta fram utmärkande egenskaper för en coaktiv implementation, ta fram urvalsprinciper och samlokalisera möjliga arbetsmoment till en coaktiv station och om samlokalisering inte är möjligt, ge rekommendation om minimala egenskaper som bör finnas hos den kollaborativa roboten.  För att nå målen har en systematisk metod framställts för att säkerställa att projektet förhåller sig till problemet och målen. Kunskap har samlats in genom litteraturstudie och referensram för att ligga som grund till det praktiska arbetet. Alla arbetsmoment i område 1–4 på produktionslinjen har identifierats och analyserats för att urskilja coaktiva egenskaper som sedan har varit grunden till att ta fram urvalsprinciper. Flera av de egenskaper som har tagits fram från produktionslinjen stämmer överens med vad en Universal Robot kan utföra. Att dessa egenskaper stämmer överens visar att en kollaborativ robot är möjlig att implementera i slutmonteringen. Urvalsprinciperna har sedan använts för att samlokalisera två coaktiva stationer i produktionslinjen. Urvalsprinciperna kommer att kunna användas som beslutsunderlag för företaget vid en implementation av kollaborativa robotar. I takt med att tekniken kring kollaborativa robotar utvecklas behöver också egenskaperna och urvalsprinciperna uppdateras. / Collaborative robots are a new technology that offers flexibility and precision for manual tasks that previously have been difficult to automate. Volvo Group Trucks Operations engine plant in Skövde is a pilot plant where new technical solutions are tested before it is implemented in the rest of the company. The company sees that collaborative robots can provide benefits for the operator’s ergonomics and improved process and product quality in the final assembly of 13L truck engines. The purpose of the project is to investigate the possibilities of collaborative robots in the final assembly as well as to give a deeper understanding of the robot's field of application. The project has been defined to Universal Robots, preparation, preassembly and final assembly for 13L truck engines. The objectives are to develop distinctive features for a coactive implementation, to develop a basic analysis and to co-locate possible tasks into a coactive station and if co-location is not possible provide recommendations on minimal features that should be included in the collaborative robot. To achieve the goals, a systematic method has been prepared to ensure that the project addresses to the problem and the objectives. Knowledge has been gathered through literature studies and reference frameworks to form the basis for the practical work. All operations in areas 1-4 on the production line have been identified and analyzed to find coactive features, which has been the basis for developing a basic analysis. Several of the features that have been identified from the production line are consistent with what a Universal Robot can perform. That these features match, shows that a collaborative robot is possible to implement in the final assembly. The basic analysis has then been used to co-locate two coactive stations in the production line. The basic analysis could be used as a basis for the company in the implementation of collaborative robots. As technology of collaborative robots develops, the features and basic analysis needs to be updated.

Syftet med arbetet är att förstå hur flaskhalsar påverkar produktiviteten genom att applicera de teoretiska kunskaperna i praktiken och sätta teorin i ett sammanhang. För att skapa en effektiv produktion bör flaskhalsar elimineras eller hanteras på bästa möjliga sätt. Detta är viktigt att arbeta med då kunden inte är villig att betala för de aktiviteter som inte är värdeskapande. Genom en fallstudie på ett fallföretag har en problemformulering arbetats fram. Det är baserat på denna problemformulering som forskningsstrategin har utformats. Fallföretaget har en kundorderstyrd produktion. De har i dagsläget en form av tryckande produktion genom hela anläggningen. Projektet ska granska sambandet mellan slutmonteringen, som ses som en flaskhals, och fyra av de olika produktionslinorna vars moduler ska gå igenom slutmonteringen. På så sätt kan bidragande faktorer till att det uppstår väntetid urskiljas. Att skapa ett dragande system från slutmonteringen är en alternativ lösning på detta problem.

Studien genomfördes på Hydroware Technology AB med syftet att få ökad förståelse för monteringsprocessen i ett industriellt tillverkande företag, för att kunna visualisera helheten av processen samt kunna synliggöra icke värdeskapande aktiviteter. För att kunna uppnå syftet och besvara studiens undersökningsfråga gjordes en nulägesanalys för hela produktionen samt en fokuserad analys av den valda delprocessen. Vidare utfördes ett antal experiment för att undersöka hur olika variabler kunde påverka förbättringsarbetet. Resultatet av studien diskuterades och mynnade ut i ett antal rekommendationer, som fallföretaget kunde ha användning av i sitt effektiviseringsarbete. I de sista kapitlen redogjordes förslag för hur företaget skulle kunna förbättra sitt arbetssätt och bidra till en hållbar utveckling. Det finns fler förbättringsmöjligheter på fallföretaget och forskarna rekommenderar vidare studier för att effektivisera fler delprocesser och uppnå det önskade framtida tillståndet.

Quality inspections have seen varying degrees of automation depending on the complexity of the task and the environment. Especially in later phases of multi-stage manufacturing processes, such as final assembly in automotive industries, quality inspections are largely manual to this day. Today, emerging technologies offer both pressures and tools to increase automation. However, the current state of the research field is lacking in studies that help guide companies toward implementation. Thus, quality managers at final assembly for Scania's truck coachwork factory in Oskarshamn (MC) stipulated a thesis assignment to explore how inspections in their final assembly workshop could be automated. This assignment constitutes the purpose of this thesis project - to provide an exploratory study into existing and emerging technologies that enable automation of quality inspections at MC. This was eventually delimited to exploring automated visual inspection technologies. In order to better understand Scania's inspection and manufacturing system, a series of interviews and shadowings were undertaken with appropriate respondents. From these, we were able to extract seven inspection system requirements, most important were the ability to (1) handle high variability, (2) add new inspections fast, (3) inspect in direct flow and (4) inspect inside and outside of the truck coach without disassembly. Then, a thorough and comprehensive review of 559 active inspections allowed us to categorize and map the nature of inspections at MC. In our literature review, a model for a general quality inspections was found, which was used to guide and ground our proposals and recommendations as well as provided intuitive illustration. Further, two paradigms emerged as most interesting for this project: machine vision and deep learning. A theoretical comparison of the two suggested that the more traditional, rule-based machine vision algorithms would struggle in accommodating the requirements previously found. However, we could infer that deep learning would be highly suitable with respect to MC's requirements and inspections. A prototype deep learning inspection system gave further validation toward our speculations that deep learning offered the greatest potential for automation in complex environments such as MC's. Although this thesis was created for Scania as a primary customer, important theoretical and practical contributions were developed for a more general audience. Firstly, the exploration into new avenues for automation that overcome their traditional limitations were provided; something that is of high current import given the trends toward more complex manufacturing settings. Practically, we provide some guidance to industries that find themselves in similar situations to Scania - employing complex manufacturing systems or having complex products - where our findings can give insights in regards to modern automation challenges and solutions. / Kvalitetsinspektioner har automatiserats i variarande grad beroende på uppgiftens och omgivningens komlexitet. I synnerhet i de senare stadierna av flerstegsproduktioner, exempelvis slutmontering i fordonstillverkningsindustrin, består manuella inspektioner i stor utsträckning. Den snabba tekniska utvecklingen som har skett nyligen avger både ett tryck och skapar verktyg för att utöka automatiseringen. Dessvärre erbjuder dagslägets forskning föga stöd till företag gällande storskalig implementering av automatiserade kvalitetsinspektionssystem. Därför skapade kvalitetschefer på Scanias lastbilshyttmonteringsfabrik i Oskarshamn (MC) ett uppdrag att utforska hur deras inspektioner skulle kunna automatiseras. Detta uppdrag utgjorde syftet i vårt examensarbete: att utföra en explorativ studie inom befintliga och nya tekniker som möjliggör automatisering av MCs kvalitetsinpspektioner, vilket senare avgränsades till undersökandet av visuella kvalitetsinspektioner. För att tillgodogöra oss en djupare förståelse för Scanias inspektions- och produktionssytem utfördes en serie intervjuer och skuggningar med kunniga respondenter. Datan som erhölls utgjorde grunden i en nulägesanalys, från vilken sju systemkrav för ett inspektionssystem på MC kunde extraheras. De viktigaste av dessa var förmågan att (1) klara av hög variation, (2) addera nya inspektionspunkter snabbt, (3) kontrollera i direktflödet och (4) kontrollera innan- och utanför lastbilshytten. Vidare gjordes en omfattande genomgång av 559 aktiva inspektionspunkter vilket resulterade i en kategorisering och kartläggning av inspektioner på MC. I vår genomgång av relevant vetenskaplig litteratur hittades en generell modell för kvalitetskontroll som användes för att illustrera och teroretiskt förankra rekommendationer för ett automatiskt inspektionssystem. Vidare urskiljdes två intressanta områden i forskningen, machine vision och deep learning. En teoretisk jämförelse av traditionella regelbaserade machine vision algoritmer med deep learning erhöll att den förstnämnda är mindre lämpad för Scania med hänsyn till de krav som tagits fram. Deep learning å andra sidan, erbjuder många fördelar i relation till dessa. Genom en relativt enkel process kunde en deep learning baserad prototyp utvecklas. Prototypen påvisade goda resultat och gav vidare validering av vår spekulation att deep learning är ett lämpligt verktyg för automatisering i komplexa miljöer.Trots att detta examensarbete hade Scania som huvudsaklig uppdragsgivare så gjordes viktiga teoretiska och praktiska bidrag. En utforskning av i nya möjligheter för automatisering som kan överkomma begränsningarna av traditionell automatisering framtogs, vilket anses som både aktuellt och av vikt för samtiden där trender går mot mer dynamiska produktionssystem. Vad gäller praktiska bidrag så utgör denna rapport en sammanställning av råd till företag som befinner sig i liknande sitser som Scania - som använder komplexa produktionssystem eller har komplexa produkter - där våra resultat kan ge insikt gällande svårigheter och lösningar för modern automatisering.