DELPHI Diagnos genom att nyttja fysikaliska insikter i neurala nätverk
Diarienummer | |
Koordinator | Scania CV AB |
Bidrag från Vinnova | 4 755 000 kronor |
Projektets löptid | mars 2022 - mars 2025 |
Status | Pågående |
Utlysning | Elektronik, mjukvara och kommunikation - FFI |
Ansökningsomgång | Elektronik, mjukvara och kommunikation - FFI - december 2021 |
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.