Data-Driven Predictive Maintenance for Trucks
| Diarienummer | |
| Koordinator | Högskolan i Halmstad - CAISR - Center for Applied Intelligent Systems Research |
| Bidrag från Vinnova | 205 000 kronor |
| Projektets löptid | september 2016 - februari 2018 |
| Status | Avslutat |
| Utlysning | Individrörlighet för innovation och samhällsnytta |
Syfte och mål
Projektets mål är att stärka samarbetet mellan Högskolan i Halmstad och Volvo Group genom att förbättra förståelsen för Volvos verksamhet och utmaningar, på ett sätt som ökar kvaliteten på befintliga förebyggande underhållstjänster och möjligtvis leder till utveckling av nya tjänster. Därigenom ökar den svenska industrins konkurrenskraft, möjliggör utbyte av erfarenhet och kunskap mellan akademin och industrin, samt ökar synligheten inom det vetenskapliga samfundet.
Resultat och förväntade effekter
Projektet utvecklade modeller för att förutse fel i komponenter, generalisera modellerna för olika komponenter och förklara resonemanget bakom de beslut som fattas av data mining-modellen. Resultaten är planerade att implementeras i VOSP (Volvo Service Program), inledningsvis under 2018 för den svenska marknaden och som en ny tjänst med ett löfte om ”100% uptime”. Projekt ledde också vidare till två nya forskningssamarbeten med Volvo Group, Vinnova FFI HEALTH-projektet och KK-stiftelsens NU16-kursutvecklingsprojekt för industrin.
Upplägg och genomförande
Projektet fokuserade på utveckling av en data-driven maskininlärningsmetod för förebyggande underhåll baserat på sensoravläsningar som samlats in ombord på Volvo-lastbilar. En lista över komponenter som är mest fördelaktiga för förebyggande underhåll ur ett affärsperspektiv, har valts ut för denna analys. Metoderna har utformats så att de lätt kan generaliseras för nya komponenter. Metodutvecklingen omfattade dataförbehandling, balansering av data, modellval, sätta parametrar för modeller och utvärderingsstrategier.