Du har inte javascript påslaget. Det innebär att många funktioner inte fungerar. För mer information om Vinnova, ta kontakt med oss.

Predictive maintenance using Advanced Cluster Analysis (PACA)

Diarienummer
Koordinator Chalmers Tekniska Högskola AB - Industrial and Materials Science
Bidrag från Vinnova 5 000 000 kronor
Projektets löptid mars 2019 - februari 2022
Status Pågående
Utlysning Strategiska innovationsprogrammet för Produktion2030
Ansökningsomgång Produktion 2030 - utlysning 11

Syfte och mål

Projektet PACA har som mål att utveckla och validera algoritmer för prediktivt underhåll, baserat på maskininlärning och avancerad klusteranalys, för att öka precisionen och förståelse hos en beslutsfattare. Med hjälp av avancerad klustring av datapunkter så kan man identifiera mönster mellan olika maskintillstånd som ett sätt att hantera komplexitet i analysprocessen. Algoritmer som ska utvecklas i projektet kommer också kunna tillhandahålla rekommendationer, givet risk-belöningsparametrar, för kostnadseffektiv underhållsplanering.

Förväntade effekter och resultat

Visionen är haverifri produktion med förväntade effekter såsom högre generell utrustningseffektivitet, ökad robusthet, reducerade underhållskostnader och ökad kompetens kring smart underhåll och avancerad data analys. Förväntade resultat under projektet: nya algoritmer för prediktivt underhåll baserat på maskininlärning; validerad effekt i tre industrifall; visualiseringslösningar för beslutsfattande kring prediktivt underhåll; utbildningsmaterial för deltagande företag och högskola; workshops för kunskapsspridning kring smart underhåll för SMEs.

Planerat upplägg och genomförande

Fallstudier från industrin kommer att tillhandahålla data i strömmande format som kommer att analyseras för att kunna identifiera intressanta mönster mellan maskiner och deras historiska loggar. Denna analys kommer resultera i förståelse kring hur olika mönster korrelerar med slitningsbeteende vilket kan användas för att designa en algoritm som kan prediktera framtida haverier. Arbetet kommer ske iterativt i fem arbetspaket: insamling och pre-processning, mönsteridentifikation, algoritmdesign och utvärdering, beslutsstödssystem och kunskapsspridning.

Externa länkar

Texten på den här sidan har projektgruppen själv formulerat. Innehållet är inte granskat av våra redaktörer.

Senast uppdaterad 25 mars 2021

Diarienummer 2019-00789

Statistik för sidan