Ranking Data for AI-driven Precision Diagnostics in Heavy-Duty Trucks (PRIDE)

Syfte och mål

Traditionella metoder inom diagnostik utnyttjas först när felen blir uppenbara, vanligtvis genom fysiska symptom eller felkoder, vilket gör processen reaktiv istället för förebyggande. Även om processen är effektiv till en viss grad, utmanas dessa traditionella metoder av den komplexitet och sammankoppling som finns i dagens moderna fordonssystem. Detta resulterar i en diagnostisk process som både är tidskrävande och kostsam. Förberedande diagnostiska strategier som vi föreslår syftar till att identifiera potentiella problem innan de utvecklas till mer allvarliga fel.

Förväntade effekter och resultat

Toppmoderna AI system kan identifiera komplexa mönster som tyder på kommande fel, vilket effektiviserar diagnosprocessen, minskar reparationstiderna och sänker kostnaderna. Särskild kritisk och viktig är en sådan förebyggande strategi för de mest vitala komponenterna, såsom motorn, där tidig upptäckt av fel kan förhindra allvarliga motorhaverier och därigenom även minska de efterföljande logistiska och ekonomiska konsekvenserna. Vår lösning ska komplettera de etablerade verkstadsrutinerna för att kontrollera felaktiga fordon för att hitta orsaken till problemet

Planerat upplägg och genomförande

De senaste framstegen inom AI- och maskininlärningsteknik möjliggör en sådan radikal utveckling, genom att analysera informationen lagrad i stora mängder fordonsdata, och utnyttja diskreta tecken på nedbrytning av komponenter som nödvändigtvis inte hunnit resultera i felkoder. Vi kommer att unyttja "rankningsdata", en källa rik med information som vanligtvis används för att generera felkoder men är underanvänd inom prediktiv diagnostik. Projektpartners är CAISR (Centrum för forskning om tillämpade intelligenta system) på Högskolan i Halmstad och Volvo GTT.