The convergence of Industry 4.0, digitization, and the concepts of agile andsmart manufacturing is shaping a future driven by cyber-physical systems (CPS),the industrial internet of things (IIoT), and artificial intelligence (AI). This evo-lution promises unprecedented efficiency, agility, and intelligence in manufac-turing. Correspondingly, these advancements also present new challenges forthe assembly industry. This thesis tackles these challenges in two key areas:trustworthy feature management for agile assembly, and AI-powered tighteningdiagnosis for smart assembly.Agile manufacturing prioritizes flexibility for uncertain markets. To achievethis, assembly device maker are increasingly shifting focus to software thatlargely defines hardware functionality. This shift allows companies to offer plat-forms with customizable features rather than just hardware, which in tern,reduces operational expenses and allows customers to dynamically configuretheir assembly lines via software. This transition also necessitates a trustwor-thy Feature Management System (FMS) to control feature activation throughsoftware licensing. However, existing server-based solutions pose trust issues:sellers fear license abuse, while buyers worry about single points of failure duringserver outages.This thesis contributes a novel permissioned blockchain system designedto address trust concerns in feature management for assembly devices. Theproposed solution combines software licensing for feature control with secureownership transaction records on the blockchain. By leveraging the trust, trans-parency, and security of permissioned blockchain technology, the system ensuressecure and controlled access to license information for authorized parties.Integrating software and physical assembly devices into CPSs enables seam-less data acquisition through communication protocols. Once this data is col-lected, AI becomes a powerful tool for decision-making. In smart tighteningsystems, accurately diagnosing tightening results is critical. Modern assemblylines use advanced electric tightening tools equipped with torque and angletransducers to capture detailed data after each operation, enabling the evalua-tion of tightening performance.Currently, accurate evaluation still requires manual analysis by tighteningexperts, resulting in inefficient quality checks that are limited to small samplesof production units. This thesis introduces innovative deep learning methods toautomate the tightening quality assessment process, achieving expert-level ac-curacy across all manufactured units and reducing the risk of defective productsreaching consumers.Towards AI-powered smart assembly, our initial research contribution fo-cused on developing a sensor fusion approach using convolutional neural networkand transformer-based architectures for diagnosing tightening results throughsupervised learning. However supervised learning requires labeled data, andlabeling tightening results requires significant manual work from tightening ex-perts, leading to a scarcity of labeled datasets. Furthermore, in sensitive assem-bly applications, regulatory constraints may prevent sensor data from leaving theshop floor, where computational resources are often limited. To address thesechallenges, this thesis also contributes novel self-supervised learning, data aug-mentation and data augmentation scheduling methods that reduce reliance onlabeled data and computational resources. These innovations ultimately resultin a robust deep learning solution for diagnosing tightening results in real-worldmanufacturing environments.

Sammansmältningen av Industri 4.0, digitalisering och koncepten kring agil ochsmart tillverkning formar en framtid som drivs av cyber-fysiska system (CPS),industriella sakernas internet (IIoT) och artificiell intelligens (AI). Denna utveck-ling lovar oöverträffad effektivitet, smidighet och intelligens inom tillverkn-ingsindustrin. Samtidigt medför dessa framsteg nya utmaningar för monter-ingsindustrin. Denna avhandling tar itu med dessa utmaningar inom två ny-ckelområden: tillförlitlig funktionshantering för agil montering och AI-drivetåtdragningsdiagnos för smart montering.Agil tillverkning prioriterar flexibilitet för osäkra marknader. För att uppnådetta skiftar tillverkarna av monteringsutrustning i allt högre grad fokus motmjukvara som i stor utsträckning definierar maskinvarans funktionalitet. Dennaförändring gör det möjligt för företag att erbjuda plattformar med anpassnings-bara funktioner snarare än bara maskinvara, vilket i sin tur minskar driftskost-naderna och gör det möjligt för kunder att dynamiskt konfigurera sina mon-teringslinjer via mjukvara. Denna övergång kräver dock också ett tillförlitligtfunktionshanteringssystem (FMS) för att kontrollera funktionsaktivering genommjukvarulicensering. Befintliga serverbaserade lösningar medför förtroendeprob-lem: säljare fruktar licensmissbruk, medan köpare oroar sig för enskilda felpunk-ter vid serveravbrott.Denna avhandling bidrar med ett nytt tillståndsbaserat blockkedjesystemsom är utformat för att hantera förtroendeproblem inom funktionshanteringför monteringsenheter. Den föreslagna lösningen kombinerar mjukvarulicenser-ing för funktionskontroll med säkra ägartransaktionsregister på blockkedjan.Genom att utnyttja den tillit, transparens och säkerhet som finns i tillståndsbase-rad blockkedjeteknik säkerställer systemet säker och kontrollerad åtkomst tilllicensinformation för behöriga parter.Integreringen av mjukvara och fysiska monteringsenheter i CPS möjliggörsömlös datainsamling genom kommunikationsprotokoll. När dessa data samlasin blir AI ett kraftfullt verktyg för beslutsfattande. I smarta åtdragningssystemär korrekt diagnos av åtdragningsresultat avgörande. Moderna monteringslinjeranvänder avancerade elektriska åtdragningsverktyg utrustade med moment ochvinkelgivare för att fånga detaljerad data efter varje operation, vilket möjliggören utvärdering av åtdragningsprestanda.För närvarande kräver en korrekt utvärdering fortfarande manuell analys avåtdragningsexperter, vilket leder till ineffektiva kvalitetskontroller som begränsastill små prover av produktionsenheter. Denna avhandling introducerar innova-tiva metoder för djupinlärning för att automatisera kvalitetsbedömningsprocessenför åtdragning, uppnår expertliknande noggrannhet över alla tillverkade enheteroch minskar risken för att defekta produkter når konsumenterna.Mot AI-drivet smart montering fokuserade vårt initiala forskningsbidrag påatt utveckla en sensorfusionsmetod med hjälp av konvolutionella neurala nätverkoch arkitekturer baserade på transformatorer för att diagnostisera åtdragnings-resultat genom övervakat lärande. Övervakat lärande kräver dock märktadata, och märkning av åtdragningsresultat kräver betydande manuellt arbetefrån åtdragningsexperter, vilket leder till brist på märkta dataset. Dessutomkan regleringsbegränsningar i känsliga monteringsapplikationer hindra sensor-data från att lämna fabriken, där datorkapaciteten ofta är begränsad. Föratt hantera dessa utmaningar bidrar denna avhandling även med nya metoderför självövervakat lärande, dataaugmentation och schemaläggning av dataaug-mentation som minskar beroendet av märkta data och datorkapacitet. Dessainnovationer resulterar slutligen i en robust djupinlärningslösning för att diag-nostisera åtdragningsresultat i verkliga tillverkningsmiljöer.