Projekt · Dnr 2026-00196 · Källa: Vinnova

TRUSTAM - Trusted Federated Intelligence for Additive Manufacturing

Koordinator
INTERSPECTRAL AB
Projekttid
2026-04-30 till 2028-04-15 (beslutat)
Beviljat bidrag
7 413 300 SEK
Diarienummer
2026-00196

Beskrivning

För att additiv tillverkning ska uppfylla sin potential inom säkerhetskritisk produktion måste kvalitetssäkring vara kalibrerad, integrerad och spårbar i realtid för känsliga produktionsmiljöer. TRUSTAM tillämpar federerat lärande för kvalitetssäkring inom additiv tillverkning – ett ramverk där AI-modeller förbättras, utan att rådata lämnar den plats där den genererades. Endast modelluppdateringar utbyts, vilket möjliggör delad intelligens samtidigt som fullständig datakonfidentialitet bevaras. TRUSTAM kommer att leverera en heltäckande demonstrator som täcker lokal modellanpassning, federerad modellförbättring, ny tillämpad kunskap om AI och styrning inom säkerhetskritiska industriella förhållanden. Detta blir grunden för nya produkter och tjänster, som möjliggör säker implementering av AI-baserad kvalitetssäkring i känsliga industrisektorer. Under projektet utvecklas finkalibrerade AI-modeller, finjusterade för specifika maskiner, applikationsområden och produktionsförhållanden.

Öppna hos Vinnova

Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.

Liknande

  1. Säkra enklaver för federerad maskininlärning

    Scaleout Systems AB · 2021-05-03 · 1 966 373 SEK · Projekt

    Projektets mål har varit att utvärdera möjligheten att med så små insatser som möjligt från slutanvändaren möjliggöra integritetsbevarande maskininlärning på hårdvara som garanterar dataintegritet såväl som applikationens integritet, och därigenom möjliggöra samarbeten på klientnivå som annars inte …

  2. SMF CAM2: FEM-baserad modell för stelning med speciell tillämpning för additiv tillverkning.

    Thermo-Calc Software AB · 2020-11-02 · 800 000 SEK · Projekt

    Projektet ingår i Kompetenscentrumprogrammets SME-satsning, inom ramarna för CAM2: Simulering av stelningsproblemet vid additativ tillverkning innefattar flera olika längdskalor där ICME metoden använts för att länka samma process, struktur och egenskaper. Temperaturberoende materialegenskaper är be…

  3. FeelAI-federerade prediktiva modeller på Edge för logistikbranschen

    Högskolan i Halmstad · 2024-05-01 · 2 500 000 SEK · Projekt

    FeelAI uppnådde flera av de ursprungliga målen, men projektet anpassades efter de industriella behoven. Arbetet visade att datakvalitet, etiketter, heterogenitet och reproducerbar utvärdering är avgörande före federerad och edge-baserad driftsättning. Projektet gav resultat inom aktivitetsigenkännin…

  4. Flexibel additiv tillverkning av stålbandsprodukter (FlatPrint)

    PrimeBlade Sweden AB · 2022-09-16 · 951 230 SEK · Projekt

    Projektet mål var att undersöka huruvida det är möjligt att producera stålbandsprodukter, specifikt raklar till tryckpressindustrin och sågblad till bearbetningsinsustrin, med hjälp av additiv tillverkning med ett minimalt antal efterföljande operationer. Delmål för projektet inkluderade materialval…

  5. Mixture of Experts-modeller anpassade för Fleet Intelligence

    Scaleout Systems AB · 2025-08-25 · 4 043 633 SEK · Projekt

    Digitalisering skapar enorma datamängder vid nätverkets kant. Federated Learning (FL) möjliggör lokal AI-träning utan att dela rådata och stärker integritet inom vård, transport, finans och försvar. Scaleout Systems utvecklar fleet intelligence där fordon samarbetar för säkerhet och övervakning. Gen…