Flexibla modeller för smart underhåll
Diarienummer | |
Koordinator | Högskolan i Gävle - Akademin för Teknik och Miljö |
Bidrag från Vinnova | 493 200 kronor |
Projektets löptid | november 2017 - juni 2018 |
Status | Avslutat |
Utlysning | Strategiska innovationsprogrammet för Produktion2030 |
Viktiga resultat som projektet gav
Underhåll i befintliga anläggningar blir allt viktigare, där prediktivt underhåll har blivit en framväxande teknik. Användningen av digitala verktyg för beslutsstöd bidrar till en miljömässigt och ekonomiskt hållbar produktion. Inom detta projekt har olika typer av digitala tvillingar utformats och utvärderats. Specifikt har nya prediktiva modelltyper testats i två olika industriella fallstudier. Den modell som visat bäst generella resultat är LAVA-modellen. Dessutom har en teknisk plattform identifierats för att implementera metoden i befintliga anläggningar.
Långsiktiga effekter som förväntas
Målsättningen har varit att hitta generella metoder för smart underhåll i befintliga industrianläggningar. Metoderna har utvärderats både avseende användbarhet i specifika tillämpningar och hur väl de kan generaliseras för olika typer av anläggningar. Den modell som visat bäst generella resultat är LAVA-modellen som är en Black box modell. Fördelen med blackbox modeller är att de är generell, men fortfarande är processkännedom nödvändigt för implementering. Resultaten från projektet är lovande, men en längre testperiod krävs för att utesluta säsongsvariationer.
Upplägg och genomförande
De två fallstudierna är en värmeväxlare på SSAB och en profilhyvel på Svenska fönster AB. Dessutom har en laborativ miljö på Högskolan i Gävle byggts upp då det inte varit möjligt att prova olika metoder för att detektera (och kanske även initiera) fel i industrianläggningar som var i drift. Mätdata från anläggningarna har inhämtats från befintliga styrsystem samt med ett kompletterande mätsystem. Modelleringsarbetet har skett off-line och analys av resultaten har gjorts gemensamt av modellutvecklare och personal med processkännedom.