HybriDX - Hybrid feldiagnos av okända fel i industriella system

Syfte och mål

HybriDX-projektet syftar till att utveckla ett AI-baserat beslutsstöd för övervakning och feldiagnos i komplexa industriella system. Målet är att möjliggöra tillståndsbaserat underhåll i stället för tidsstyrda serviceintervall, för att minska oplanerade stopp, kostnader och miljöpåverkan. Projektet fokuserar på att kombinera fysikaliska insikter med datadrivna modeller och maskininlärning för att skatta degradering och peka ut fel i ett användarvänligt gränssnitt för människa–AI-samverkan.

Förväntade effekter och resultat

Detta projekt kommer att bidra med metoder för att konstruera maskininlärningsmodeller som kan stötta en operatör att resonera kring felscenarier som modellerna inte har sett förut. Metoderna i detta projekt kommer att effektivisera framtagandet av nya diagnossystem för industriella system vilket kommer att öka konkurrenskraften hos svensk industri.

Planerat upplägg och genomförande

Arbetet är uppdelat i ett antal arbetspaket med fokus på: fallstudie och datainsamling, design av feldetektorer och hälsoindikatorer, dataanalys och beslutsstöd, samt framtagning och utvärdering av ett diagnosbaserat beslutsstöd. Varje arbetspaket bidrar med olika delar till den slutliga prototypen som ska utvärderas på realistiska fallstudier tillsammans med ingenjörer på Siemens Energy.