Så förändrar AI den nordiska tillverkningsindustrin: Från automatisering till intelligent produktion
På en fabrik i Hesselager i Danmark stod C.C. Jensen inför en praktisk tillverkningsutmaning: att veta när företagets oljefilter av naturfiber hade torkat tillräckligt. Eftersom fibrerna inte torkade i jämn takt kunde en fast torktid innebära att ugnarna gick längre än nödvändigt.
I samarbete med Aarhus universitet inom forskningsprojektet MADE FAST använde företaget sensorer och en modell baserad på neurala nätverk för att uppskatta när filtren hade nått rätt torrhetsgrad. Enligt projektrapporten minskade företaget energiförbrukningen i torkprocessen med en faktor tio och kortade den genomsnittliga torktiden per filter med 37 %.
Resultaten visar en praktisk tillämpning av artificiell intelligens (AI) inom tillverkning. I stället för att ersätta ett helt produktionssystem kan AI hjälpa till att förbättra en befintlig process genom att utnyttja driftdata bättre.
AI i affärslivet förknippas ofta med innehållsskapande och mjukvaruutveckling, men de industriella tillämpningarna är betydligt bredare. På fabriksgolvet kan AI-modeller analysera sensorvärden, maskinbilder och produktionsdata för att stödja beslut om produktkvalitet, underhåll av utrustning, energiförbrukning och materialutnyttjande.
I hela Norden utforskar tillverkare dessa tillämpningar på olika sätt. Den viktiga frågan är inte bara var AI används, utan vad den förändrar i produktionsprocessen och om förändringarna ger mätbara fördelar.
Bortom automatisering: vad AI tillför tillverkningen
Automatisering har länge varit central i modern tillverkning. Industrirobotar, transportband och programmerbara styrsystem kan utföra repetitiva uppgifter snabbt och konsekvent. Många system använder också sensorer och återkopplingsmekanismer för att reagera på förändrade driftförhållanden.
AI tillför ytterligare en förmåga: att lära sig mönster från data för att stödja prognoser, klassificeringar och beslut som kan vara svåra att fånga med enbart fasta regler.
Ett konventionellt inspektionssystem kan till exempel kontrollera en komponent mot fördefinierade kriterier, medan ett AI-baserat bildsystem kan analysera bilder för att identifiera mönster som hör ihop med potentiella defekter. På samma sätt kan en modell för prediktivt underhåll använda maskindata för att hjälpa operatörer att känna igen förhållanden som kan tyda på ett problem under utveckling.
AI och automatisering är därför inte konkurrerande angreppssätt. De kan samverka och kombinera etablerad industriutrustning med datadrivna insikter för att förbättra produktionsbesluten.
De nordiska tillverkningsexemplen nedan visar hur denna kombination tillämpas på specifika operativa utmaningar.
Där AI gör skillnad
Fyra tillämpningar sticker ut bland de tillgängliga exemplen från nordiska tillverkare och industriella forskningsprojekt.
| Tillämpning | Vad AI hjälper till med | Exempel |
|---|---|---|
| Processoptimering | Uppskatta processförhållanden och undvika onödig energianvändning | C.C. Jensen, Danmark |
| Kvalitetskontroll | Identifiera defekter och förbättra kontrollernas enhetlighet | Horse Powertrain, Sverige |
| Prediktivt underhåll | Övervaka utrustningens skick och planera underhåll | Talgø MøreTre, Norge |
| Materialutnyttjande och planering | Matcha varierande råvaror och produktionsbeslut mot önskade resultat | Metsä Fibre, Finland, och Völur, Norge |
Tillämpningarna hanterar olika problem, men de delar en gemensam princip: att använda data för att förbättra beslut som påverkar produktionens kvalitet, effektivitet eller resursanvändning.
AI på det nordiska fabriksgolvet
Danmark: Optimering av energikrävande processer
C.C. Jensens torkprocess är ett av de tydligaste exemplen på en mätbar AI-relaterad förbättring inom tillverkning.
Företagets industriella oljefilter innehåller naturfibrer som torkar i olika takt. Det var viktigt för produktkvaliteten att avgöra när torkningen var klar, men att fortsätta värma filtren efter att de nått den torrhet som krävdes slösade energi och produktionstid.
Genom samarbetet med Aarhus universitet utvecklade C.C. Jensen en modell baserad på neurala nätverk som tränades med torkförsök och sensordata. Modellen uppskattade när filtren hade nått rätt torrhetsgrad och hjälpte operatörerna att undvika onödig uppvärmning.
Projektrapporten tillskrev de förbättringar som uppnåtts i projektet en tiofaldig minskning av energiförbrukningen i torkprocessen och en minskning av den genomsnittliga torktiden per filter med 37 %.
Siffrorna gäller specifikt torkprocessen, inte fabrikens totala energiförbrukning. De beskriver också resultatet av hela projektet, så hela förbättringen bör inte automatiskt tillskrivas enbart AI-modellen.
Fallet visar ändå hur AI kan förbättra en etablerad industriprocess utan att hela produktionssystemet behöver göras om.
Källa: Aarhus universitet — Collaboration reduces energy consumption by a factor of 10.
Finland: AI för att optimera träförädling
Vid Metsä Fibres sågverk i Raumo i Finland stöds träförädlingen av maskinseende, röntgenavbildning, AI, robotik och integrerade styrsystem.
Teknikerna hjälper anläggningen att bedöma inkommande stockar, välja lämpliga slutprodukter och upprätthålla kvaliteten genom hela produktionen. Det är särskilt relevant inom träförädling, där råvarorna naturligt varierar i egenskaper och i vilka produkter som kan tas fram ur dem.
Sågverket har en angiven årlig produktionskapacitet på 750 000 kubikmeter furuvirke. Siffran visar verksamhetens omfattning, men den ska inte tolkas som en kapacitetsökning orsakad av AI.
Den mer intressanta aspekten är hur data stödjer beslut om själva materialet. Genom att kombinera information från bild- och produktionssystem kan tillverkare göra mer välgrundade val av hur enskilda stockar ska förädlas för att ge lämpliga slutprodukter.
Den här tillämpningen utvidgar AI:ns roll bortom att upptäcka defekter. Den visar hur datadrivna beslut kan stödja materialval, produktkvalitet och produktionsplanering.
Källor: Metsä Fibre — Rauma brings machine vision to the sawmill industry; Metsä Fibre — Rauma sawmill.
Sverige: Bättre kontroller och prognoser för defekter
Sverige ger exempel på både AI-system som används i tillverkningen och forskning om hur maskininlärning kan bidra till att förebygga defekter.
AI-stödd visuell kontroll
Horse Powertrains motorfabrik i Skövde använder Siemens AI-baserade bildsystem Inspekto för att kontrollera komponenter. Systemet kontrollerar komponenter på några sekunder och ger kontrollresultat som stödjer en mer enhetlig och spårbar kvalitetskontroll.
Det visar hur AI-baserad visuell kontroll kan bli en del av ett befintligt produktionsflöde. I stället för att enbart förlita sig på manuella kontroller kan tillverkare använda bildanalys för att snabbare identifiera möjliga avvikelser.
Den publicerade fallstudien beskriver kontrollförmågan men kvantifierar inte någon minskning av defektfrekvensen eller de totala produktionskostnaderna. Nyttan bör därför beskrivas i termer av kontrollhastighet och enhetlighet snarare än ett icke verifierat ekonomiskt resultat.
Källa: Siemens — AI-powered vision system at Horse Powertrain.
Prognoser för tillverkningsdefekter
Forskning vid Chalmers tekniska högskola har undersökt hur maskininlärningsmodeller kan identifiera produktionsförhållanden som hör ihop med gjutdefekter i drivlinekomponenter för tunga fordon.
Studien analyserade produktionsparametrar och data från kärnmaskiner för att undersöka om mönster i tillverkningsprocessen kunde hjälpa till att identifiera förhållanden kopplade till defekta komponenter.
Den potentiella nyttan är enkel: att tidigare identifiera problematiska förhållanden kan hjälpa tillverkare att utreda orsaken till defekter innan berörda komponenter går vidare i produktionen.
Detta bör dock ses som en forskningstillämpning och inte som bevis för ett fullt driftsatt system för defektprognoser i hela fabriken. Betydelsen ligger i att visa hur produktionsdata kan användas för att utreda kvalitetsproblem som inte alltid syns direkt vid kontrollen.
Källa: Chalmers tekniska högskola — Forskning om tillverkningskvalitet.
Norge: Maskindata som stöd för underhållsbeslut
Hos Talgø MøreTre, en norsk producent av sågade trävaror, blev utrustningens tillförlitlighet allt viktigare i takt med att produktionsvolymerna ökade. En klyvsåg identifierades som en flaskhals eftersom överhettning kunde påverka produktkvaliteten och leda till oplanerade driftstopp.
Att byta ett sågblad och låta utrustningen svalna kunde ge cirka två timmars stillestånd. Företaget stod också inför att eventuellt behöva investera i en ny klyvsåg för att hantera sina produktionsbegränsningar.
En forskningsstudie undersökte hur en plattform för prediktivt underhåll kunde hjälpa till att lösa problemet. Lösningen använde sensorer för att övervaka parametrar som temperatur, vibrationer och effektförbrukning. Den insamlade datan gjordes tillgänglig för operatörerna, medan temperaturgränser gav tidiga varningar när utrustningen närmade sig potentiellt problematiska driftförhållanden.
Det gav operatörerna möjlighet att justera maskinens hastighet och planera underhåll innan ett fel uppstod, i stället för att bara agera när ett problem redan hade utvecklats.
Studien rapporterar att företaget gick från ett reaktivt underhållsarbete mot en mer datainformerad planering. Den bättre förståelsen av utrustningens skick hjälpte också företaget att öka produktionskapaciteten till en nivå där investeringen i en ny maskin kunde skjutas upp.
Det är ett viktigt exempel på hur prediktivt underhåll kan stödja produktionsbeslut. Det visar också att det praktiska värdet av industriell AI kan komma av att hjälpa operatörer att använda befintlig utrustning mer effektivt, snarare än att ersätta maskiner eller ta bort den mänskliga medverkan.
Källa: Springer Nature — Application of sensor-data-based predictive maintenance and artificial neural networks.
Norge: Optimering av produktionsplaneringen
AI kan också stödja tillverkningsbeslut som omfattar komplexa kombinationer av råvaror, produktionskapacitet och förändrad kundefterfrågan.
Völur, ett teknikföretag i Oslo, utvecklar AI-programvara för köttförädling. Köttproducenter måste avgöra hur råvarorna ska styckas och fördelas för att ta fram rätt produkter utifrån efterfrågan på marknaden. Dålig planering kan lämna producenterna med produkter som är svåra att sälja, samtidigt som svinnet ökar eller värdet av de tillgängliga råvarorna minskar.
Völurs programvara använder data från enskilda förädlingsanläggningar för att ta fram dagliga sorterings- och styckningsplaner. Planerna hjälper till att matcha tillgängliga råvaror med de produkter som passar bäst för den aktuella efterfrågan.
Enligt Innovation Norway uppger Völur att den dagliga optimeringen kan öka rörelseintäkterna med 2–4 %. Det är en siffra som företaget självt rapporterar, inte ett oberoende verifierat resultat som kan antas gälla för alla kunder.
Exemplet visar ytterligare en roll för AI inom tillverkning: att stödja beslut om hur resurser ska fördelas i en komplex produktionsprocess. I stället för att bara fokusera på maskinernas prestanda kan AI hjälpa tillverkare att planera hur de får ut mer värde av de material de redan har.
Völurs internationella kundbas visar också varför fallet bör ses som ett exempel på norskutvecklad industriteknik snarare än som bevis på att alla rapporterade resultat kommer från norska fabriker.
Källa: Innovation Norway — AI puts the right product on the shop shelf, and less in the bin.
Vilka resultat ser tillverkarna faktiskt?
Exemplen visar att AI kan bidra till olika resultat inom tillverkning, men underlaget är inte lika starkt i alla fall.
Energi och produktionstid. C.C. Jensens projekt ger det tydligaste kvantifierade resultatet, med rapporterade minskningar av energiförbrukningen vid torkning och av den genomsnittliga torktiden per filter. Det visar hur bättre processuppskattningar kan bidra till att minska onödig drift.
Kvalitetskontroll. Horse Powertrains system kontrollerar komponenter på några sekunder och ger spårbara kontrollresultat. Det visar potentialen för snabbare och mer enhetliga kontroller, även om det publicerade fallet inte kvantifierar någon minskning av defekterna.
Utrustningens tillförlitlighet. Studien om Talgø MøreTre beskriver hur sensorövervakning och tidiga varningar hjälpte operatörerna att planera underhåll och hantera en flaskhals i produktionen. Den rapporterade nyttan omfattar att investeringen i ny utrustning kunde skjutas upp, snarare än en kvantifierad procentuell minskning av driftstoppen.
Materialutnyttjande och planering. Metsä Fibres produktionssystem stödjer bedömningen av stockar och val av produkter, medan Völurs programvara tar fram stycknings- och sorteringsplaner baserade på efterfrågan. Exemplen visar hur data kan stödja beslut om råvaror, även om resultaten inte är direkt jämförbara.
Sammantaget tyder fallen på att AI kan förbättra specifika tillverkningsprocesser. De fastställer inte en enskild produktivitetsvinst som kan tillämpas på varje fabrik eller produktionslinje.
Skillnaden är viktig, eftersom ett system som förbättrar kontrollerna i en miljö kan ge andra resultat i en annan. Resultatet beror på vilket problem som hanteras, kvaliteten på tillgängliga data och hur tekniken integreras i produktionsprocessen.
Varför industriell AI är svår att skala upp
Att visa att ett AI-system fungerar i en viss miljö är bara ett steg. Att tillämpa det tillförlitligt i en hel tillverkningsverksamhet medför ytterligare utmaningar.
En forskningsöversikt från 2026 om industriell AI för underhåll i Sverige lyfter fram praktiska hinder för ett bredare införande, bland annat tillgång till data, implementeringskostnader, specialistkompetens och organisatorisk beredskap.
Flera av dessa utmaningar är särskilt relevanta för tillverkningsindustrin.
Datakvalitet och datatillgång
AI-modeller är beroende av tillförlitlig information om de processer de ska stödja. Maskinvärden kan vara ofullständiga, historiska underhållsdata kan vara frikopplade från produktionssystemen och olika utrustning kan lagra data i inkompatibla format.
Utan tillräckliga och tillförlitliga data kan även en tekniskt avancerad modell ge resultat som är svåra att lita på.
Integration med befintlig utrustning
Tillverkningsanläggningar har ofta maskiner som installerats under många år. Att koppla moderna AI-system till äldre utrustning, sensorer och produktionsprogramvara kan kräva omfattande ingenjörsarbete.
Utmaningen är inte bara att installera en AI-modell. Det handlar om att se till att modellen får rätt information och att dess resultat kan användas effektivt i det befintliga arbetsflödet.
Tillförlitlighet under föränderliga förhållanden
En modell som fungerar bra under ett test kan bete sig annorlunda när råvaror, maskiners skick eller produktionskrav förändras. Tillverkare behöver validera prestandan under verkliga driftförhållanden och övervaka om resultaten förblir tillförlitliga över tid.
Det är särskilt viktigt när felaktiga prognoser kan påverka produktkvalitet, utrustningens säkerhet eller produktionens kontinuitet.
Avkastning på investeringen
En lyckad teknisk demonstration motiverar inte automatiskt en bredare utrullning. Tillverkare behöver fastställa om systemet ger tillräckliga förbättringar i energiförbrukning, kvalitet, driftstopp eller produktionseffektivitet för att motivera kostnaden för införande och underhåll.
Dessa utmaningar förklarar varför industriell AI inte bara bör mätas utifrån om en modell kan göra en prognos. Värdet beror på om prognosen leder till ett användbart, tillförlitligt och ekonomiskt motiverat beslut.
Källa: Chalmers tekniska högskola — Industriell AI för underhåll i Sverige.
Att lösa rätt tillverkningsproblem
De nordiska tillverkningsexemplen visar hur AI tillämpas på specifika operativa utmaningar, från minskad energianvändning i Danmark till stöd för kvalitetskontroll i Sverige, träförädling i Finland och prediktivt underhåll i Norge.
De starkaste resultaten uppstår när tekniken hanterar ett tydligt definierat problem och dess bidrag kan utvärderas mot praktiska resultat. I vissa fall är resultaten mätbara, som kortare torktider. I andra fall visar underlaget en användbar tillämpning utan att ge en jämförbar numerisk förbättring.
Nästa utmaning är att fastställa var resultaten kan upprepas på ett tillförlitligt sätt, hur AI kan integreras i befintliga produktionssystem och om fördelarna motiverar kostnaden och komplexiteten i ett bredare införande.
För tillverkare är målet inte bara att införa mer AI. Det är att använda data och intelligenta system där de kan göra produktionen säkrare, effektivare, mer enhetlig eller mindre resurskrävande.
