HEALTH: Hazard Estimation and Analysis of Lifelong Truck Histories
Diarienummer | |
Koordinator | VOLVO LASTVAGNAR AKTIEBOLAG - Volvo Lastvagnar AB, Göteborg |
Bidrag från Vinnova | 5 000 000 kronor |
Projektets löptid | oktober 2017 - oktober 2019 |
Status | Avslutat |
Slutrapport | 2017-03073eng.pdf(pdf, 5300 kB) (In English) |
Syfte och mål
Oplanerade stopp kan undvikas med hjälp av prediktion av felet genom kontinuerlig övervakning av fordonets hälsostatus. För att hitta mönster bakom fel i ett system som är så komplicerat som en modern lastbil, måste nya metoder för att analysera data utvecklas. HEALTH projektet syftar till att skapa sekventiella modeller som tar upp en lastbils livslånga historia och använder den för att förklara relationerna mellan olika händelser som fel, reparationer och felkoder-vilket leder till bättre underhåll.
Resultat och förväntade effekter
HEALTH förbättrade Volvo Trucks upptidslöfte genom att implementera metoder för datadrivet prediktivt underhåll i deras produktionsmiljö. Olika maskininlärningsmetoder (HMM, GAN, LSTM) har använts för att representera lastbilens historik och på det sättet identifiera fordon som potentiellt kan utveckla problem i framtiden. Åtgärder föreslås baserat på den identifierade komponentens specifikationer. Projektets syfte är att minimera driftstopp för kunden, dvs minimera kostnaden och maximera drifttiden.
Upplägg och genomförande
HEALTH var ett tvåårigt projekt som startades i oktober 2017. Arbetet utfördes i samarbete mellan Volvo Trucks Aftermarket och Högskolan i Halmstad. Projektet har bidragit till dataaggregering, modellering av helt och delvis observerbara sekvenser och orsaksanalys. Nya maskininlärningsmetoder har implementerats, tagits i drift och evaluerats i en befintlig affärsmiljö. Några av metoderna har integrerats i Volvos produktionssystem och andra har initierat ny forskning hos Volvo.