DELPHI Diagnos genom att nyttja fysikaliska insikter i neurala nätverk

Viktiga resultat som projektet gav

Projektet hade som mål att utveckla metoder för att generera datadrivna residualer med hjälp av strukturell information och tidseriedata. Man undersökte hur modellerna kan tränas och hur man kan hantera när träningsdatat inte är representerar de felfall man vill diagnosticera. I fallstudier tillsammans med industrin kunde man se att metoden fungerar och är en möjlighet för att öka prestandan gentemot dagens diagnoslösningar.

Långsiktiga effekter som förväntas

Långsiktigt tror vi att projektet kan öka prestandan och sänka kostnaden för fordonsrelaterad diagnos genom att göra den datadriven, automatiserad och självlärande. Delar av resultaten från projekten förväntas vidareutvecklas i framtida forskningsprojekt, medan andra delar förväntas vidareutvecklas av industrin.

Upplägg och genomförande

Projektarbetet delades upp i fyra arbetspaket varav två leddes av universitetsparten och bedrev forskning riktade mot olika forskningsfrågor. De andra två leddes av industriparten och fokuserade på att ta fram test infrastruktur och genomföra fallstudier.