FREEPORT: Federated Learning and Edge Processing för säker och effektiv drift
| Diarienummer | |
| Koordinator | Volvo Technology AB |
| Bidrag från Vinnova | 6 000 000 kronor |
| Projektets löptid | september 2023 - augusti 2025 |
| Status | Avslutat |
| Utlysning | Transport- och mobilitetslösningar - FFI |
| Ansökningsomgång | Transport- och mobilitetstjänster - FFI - våren 2023 |
| Slutrapport | 2023-00794eng.pdf(pdf, 1464 kB) (In English) |
Viktiga resultat som projektet gav
Projektet uppnådde framgångsrikt alla uppsatta mål och bidrog till utvecklingen av edge-analys och federerat lärande för fordon. System för datainsamling på edge-nivå installerades på både test- och kundfordon. En online-algoritm för avvikelsedetektering validerades genom en livedemonstration som visade realtidsövervakning av energiförbrukning i en gruvmiljö. Edge-analys demonstrerades även för övervakning av vägglidning med hjälp av tio MX4-enheter under AI Sweden-evenemanget i Göteborg.
Långsiktiga effekter som förväntas
Projektets resultat förväntas skapa industriell påverkan genom att utveckla ramverk för edge-analys och federerat lärande som möjliggör skalbar och integritetsbevarande AI i fordon, vilket förbättrar effektivitet, säkerhet och hållbarhet. Projektet har förbättrat prediktivt underhåll och energimonitorering, vilket minskar stilleståndstid och utsläpp samtidigt som livslängden på utrustningen förlängs. Dessa resultat lägger grunden för intelligenta, resilienta och hållbara system för edge-analys.
Upplägg och genomförande
Projektet genomfördes i nära samarbete mellan Volvo Group Truck Technology, Volvo Trucks, Boliden AB, Högskolan i Halmstad, RISE, Stream Analyse och Lindholmen Science Park (AI Sweden). Arbetet omfattade både teknisk implementering såsom insamling och bearbetning av data vid kanten, samt metodutveckling av avancerade AI-modeller, vilket säkerställde en säker och effektiv ram för tillämpning i verkliga miljöer.