Maskininlärning halverade andelen felaktiga batterihöljen
Ett europeiskt gjuteri minskade andelen icke godkända aluminiumdetaljer från 21 till 10 procent genom att kombinera Six Sigma-metoden DMAIC med maskininlärning. Studien visar hur AI-baserad analys kan användas som beslutsstöd i ett praktiskt kvalitetsarbete.
Stora aluminiumhöljen till fordonsbatterier tillverkas ofta genom högtrycksgjutning. Processen omfattar många samverkande parametrar, samtidigt som kraven på dimensioner, täthet och materialkvalitet är höga. Felaktiga detaljer medför kostnader och kan även öka energi- och materialförbrukningen genom omarbete eller omsmältning.
En internationell forskargrupp undersökte hur maskininlärning kan integreras i DMAIC, ett förbättringsramverk inom Six Sigma. Förkortningen står för Define, Measure, Analyze, Improve och Control – att definiera, mäta, analysera, förbättra och styra en process.
Data från 6 619 gjutna detaljer
Studien genomfördes vid ett europeiskt gjuteri som tillverkar stora batterihöljen i aluminium åt fordonsindustrin. Forskarna analyserade produktionsdata från 6 619 högtrycksgjutna detaljer och 41 processparametrar.
Först användes bland annat ett Ishikawadiagram för att strukturera tänkbara felorsaker. Därefter jämfördes maskininlärningsmodellerna Random Forest, XGBoost och LightGBM.
Random Forest gav bäst resultat, med en träffsäkerhet på 77 procent. Modellen användes inte enbart för att förutsäga fel utan också för att undersöka vilka processfaktorer som påverkade utfallet.
Tre parametrar pekades ut
Analysen pekade särskilt ut formtemperaturen, doseringen av smörjmedel och detaljens plats i gjutsekvensen. Med resultaten som underlag införde gjuteriet bland annat förbättrad temperaturreglering av kärnstift och optimerade sprutningen av gjutformen.
Efter åtgärderna minskade andelen icke godkända detaljer från 21 till 10 procent. Det motsvarar en relativ minskning på drygt 52 procent. Även kostnaderna för kvalitetsbrister minskade.
Ett intressant resultat är att maskininlärningsmodellen inte behövde vara perfekt för att ge praktisk nytta. Forskarna beskriver själva träffsäkerheten som måttlig. Värdet låg i stället i att modellen kunde tolkas och kombineras med gjuteriets processkunskap och DMAIC-metodens strukturerade arbetssätt.
Resultaten gäller ett gjuteri
Studien bygger på ett enskilt industrifall och produktionsdata från ett gjuteri. Datamaterialet är inte offentligt tillgängligt på grund av företagssekretess, vilket försvårar oberoende granskning och upprepning.
Det är därför inte visat att samma parametrar eller åtgärder skulle ge motsvarande resultat i andra gjuterier, maskiner eller produkter.
Referens Andrea Sütőová, Radoslav Palacka, Jiju Antony, Gijo Edappattu Vijayan, Elizabeth Cudney och Cristina Ciliberto – Integration of Six Sigma DMAIC Methodology with Machine Learning in Quality Improvement: An Application in the Casting Manufacturing Process, The International Journal of Advanced Manufacturing Technology, 2026 – https://doi.org/10.1007/s00170-026-18472-0 [Betalvägg]