Evolverbar artificiell intelligens för prediktivt underhåll

Syfte och mål

De mest precisa AI-baserade teknikerna för prediktivt underhåll kräver träningsdata kring, t.ex., tidigare fel på utrustning eller sparad historik kring en utrustnings hälsotrend. Den här typen av data finns sällan i tillräckliga mängder eftersom utrustning inte ska fallera. I det här projektet ska vi designa ett evolverbart AI ramverk för prediktivt underhåll. Ramverket ska möjliggöra att modeller förbättras systematiskt och till en hög grad automatiserat genom att nyttja data från annan liknande utrustning, data från anomalier som domänexperter utrett samt syntetiska data.

Förväntade effekter och resultat

Projektet förväntas tillhandahålla en innovativ metod för den vanliga situationen att endast ha otillräcklig träningsdata för införande av prediktiva underhållstekniker. Metoden gör det sedan möjligt för dessa tekniker att utvecklas och förbättras konsekvent. Eftersom avsikten är att implementera koncepten baserade på befintliga MLOps-plattformar med öppen källkod och att göra prototyper tillgängliga för andra svenska företag, förväntas projektet gynna den svenska tillverkningsindustrin som helhet.

Planerat upplägg och genomförande

Ramverket kommer att utvecklas i en iterativ process och kommer att baseras på en integration av tekniker som kombinerar state-of-the-art tekniker för prediktivt underhåll, probabilistisk modellering, överföringsinlärning och syntetiska data. En prototyp av ramverket kommer att implementeras och utvärderas för ett användningsfall från skogs- och pappersindustrin.