Kaveh Amouzgar

Kort presentation

Jag är biträdande universitetslektor i informatik vid institutionen för civil och industriell teknik. Mitt arbete fokuserar på dataanalys och avancerade optimeringstekniker, inklusive simuleringsbaserad, multiobjektiv och surrogate-assisterad optimering. Jag är också engagerad i att utveckla och tillämpa maskininlärning och extended reality (XR) för att driva innovation inom industrin.

Nyckelord

• machine learning
• statistical modeling and machine learning
• data analytics
• artifical intelligence
• c61 optimization techniques and programming models
• meta-modelling
• multi-objective optimization

Biografi

Jag har en ingenjörsbakgrund med en kandidatexamen i maskinteknik (2003) från Iran. Efter examen arbetade jag i fordons- och olje- och gasindustrin i åtta år innan jag flyttade till Sverige 2010 för att läsa en masterutbildning i produktutveckling och materialteknik.

Under mitt masterarbete blev jag fascinerad av tillämpningen av multiobjektiv optimering och simuleringsbaserad optimering med finita elementmetoden (FEM) i industriella sammanhang. För att fördjupa detta intresse fortsatte jag att forska och utveckla maskininlärningsmetoder integrerade med optimeringsalgoritmer som doktorand.

Efter att ha disputerat i informatik vid Högskolan i Skövde 2018 fokuserade jag min forskning på dataanalys samtidigt som jag undervisade i optimering och operationsanalys som universitetslektor. Jag var även ansvarig för masterprogrammet i Intelligent Automation vid Högskolan i Skövde under ett år innan jag började som biträdande universitetslektor vid Uppsala universitet i början av 2021.

Jag är för närvarande verksam i forskargruppen Industrial Analytics inom avdelningen för industriell teknik och management.

Forskning

Mina forskningsintressen omfattar simuleringsbaserad optimering och tillämpning av dataanalys, särskilt maskininlärningsmetoder, i industriella sammanhang. Jag arbetar även med forskning och utbildning kring tillämpningar av extended reality (XR) inom industrin.

Forskningsprojekt:

ARTISAN – Agentic Reality Training in Skill Acquisition for Next-Generation Manufacturing är ett Vinnova-finansierat projekt som utvecklar ett AI-baserat XR-träningssystem för att fånga och överföra expertkunskap inom tillverkningsindustrin. Genom att kombinera insamling av data i realtid, AI-baserad processanalys och immersiv XR-vägledning möjliggör ARTISAN för nya operatörer att lära sig komplexa arbetsmoment utan behov av direkt handledning. Projektet syftar till att förbättra utbildningseffektivitet, minska fel och stödja kunskapsbevarande inom svensk industri. ARTISAN är ett samarbete mellan AugmentedRealm, Hitachi Energy, Solme, Ekets Group och Uppsala universitet.

AI-COMPETE – Coordinated Multi-Agent AI-Powered Decision Support System for Sustainable Manufacturing är ett Vinnova-finansierat projekt som utvecklar ett multi-agent AI-system för att optimera produktion och energianvändning inom tillverkningsindustrin. Systemet integrerar förstärkningsinlärning, digitala tvillingar och koordinerat beslutsstöd för att förbättra produktivitet och samtidigt minska miljöpåverkan. Projektet syftar till att göra avancerade AI-lösningar tillgängliga för industrin, särskilt små och medelstora företag, och stödja Sveriges omställning till en mer hållbar och effektiv tillverkning. AI-COMPETE är ett samarbete mellan Högskolan i Skövde (koordinator), Uppsala universitet, Volvo Penta, Scania, Daloc AB och Evoma AB.

PreMoDIPS – Predictive Modelling for Data-Intensive Industrial Processes and Systems är ett forskningsprojekt som utvecklar prediktiva modelleringsmetoder för att stödja datadrivet beslutsfattande inom tillverkningsindustrin. Projektet fokuserar på att skapa metoder som kan hantera både kvantitativa och kvalitativa indata och utdata, samt osäkerhet i industriella system. Genom att kombinera prediktiv analys, diagnostisk analys och simuleringsbaserad optimering möjliggör PreMoDIPS för företag att automatisera planering och optimera processer och produkter mer effektivt. Projektet är ett samarbete mellan Högskolan i Skövde och AB SKF, finansierat av KK-stiftelsen, och bidrar till en hållbar industriell utveckling och utbildning genom tillämpad forskning och kompetensutveckling.

Pedagogiska projekt:

PUMA2025: Utbildning i maskinkonstruktion med extended reality. Detta projekt utvecklar en lärmiljö baserad på extended reality (XR) för undervisning i maskinkonstruktion inom civilingenjörsprogrammet i maskinteknik vid Uppsala universitet. Genom att integrera XR som ett virtuellt laboratorium kan studenter utforska och interagera med komplexa maskinkomponenter – såsom axlar, lager och kugghjul – i realistiska 3D-miljöer. Projektet syftar till att minska den kognitiva belastningen, förbättra förståelsen för konstruktionsprinciper och öka studenternas engagemang.

TUFF2024: GenAI i utbildning – AI som handledare och student. Detta projekt undersöker hur generativ AI kan integreras i undervisning och lärande. I masterkursen Logistic Systems Modeling and Optimization kommer AI att användas både som handledare, för att fördjupa studenternas förståelse, och som ”student” som studenterna undervisar och granskar. Detta dubbla angreppssätt syftar till att stärka det kritiska tänkandet, förbättra AI-kompetensen och stödja aktivt engagemang i kursinnehållet.

PUMA2023: Immersiv teknik för undervisning i maskinteknik – HoloMech, en applikation i mixed reality. Detta projekt utvecklade HoloMech, en mixed-reality-applikation för undervisning i hållfasthetslära inom ingenjörsutbildning. Genom att kombinera interaktiva 3D-visualiseringar och praktiska övningar med HoloLens syftade projektet till att minska den kognitiva belastningen, förbättra studenternas förståelse för komplexa begrepp och öka engagemanget. HoloMech implementerades som ett virtuellt laboratorium i kursen Hållfasthetslära vid Uppsala universitet och utvärderades med både kvantitativa och kvalitativa metoder.