RAPIDS - Pålitligt adaptivt prediktivt underhåll och intelligent beslutsstöd

Viktiga resultat som projektet gav

Målen uppfylldes i hög grad. RAPIDS har utvecklat nya metoder för prediktiv modellering av fordonskomponenter med fokus på strömmade data, osäkerhetskvantifiering och beslutsstöd under osäkerhet. Projektet har levererat processer för återkoppling och kontinuerligt lärande, en publik datamängd med tillhörande riktlinjer för ansvarsfull delning samt ett Continuous Integration/Delivery-mönster för maskininlärning. Resultaten har stärkt forskningsfältet och bidragit till industriell tillämpning.

Långsiktiga effekter som förväntas

Projektet förväntas ge långsiktiga effekter genom att etablera en stark kunskapsbas och metodik för prediktivt underhåll av tunga fordon. Resultaten bidrar till fortsatt forskning inom osäkerhetskvantifiering, modelluppdatering och återkoppling, samt till utveckling av självlärande multimodala system. Den publika datamängden och de framtagna processerna för datadelning möjliggör vidare användning inom nya projekt. Metoder, ramverk och arbetssätt från projektet implementeras nu inom Traton R&D.

Upplägg och genomförande

Projektet genomfördes i nära samarbete mellan industri och akademi och var uppbyggt kring fem arbetspaket. Den iterativa arbetsformen med tät koppling mellan forskning och tillämpning möjliggjorde snabb omsättning av idéer till praktiska resultat. Genomförandet följde i stort planen, men förlängdes med nio månader på grund av rekryteringsfördröjningar och hög belastning inom Scania. Regelbundna möten och workshops gav tydlig styrning och god samordning.