Sökträffar

    Sökträffar

    Visa alla resultat för ""
    Hittar inga resultat eller sökförslag för "."

    Söktips

    • Kontrollera att orden är rättstavade
    • Försök med andra sökord eller synonymer
    • Smalna av din sökning för att få fler träffar

    Hur kan vi hjälpa dig?

    Ny student

    Kontakta oss

    Hitta medarbetare

    Sökträffar

      Sökträffar

      Visa alla resultat för ""
      Hittar inga resultat eller sökförslag för "."

      Söktips

      • Kontrollera att orden är rättstavade
      • Försök med andra sökord eller synonymer
      • Smalna av din sökning för att få fler träffar

      Hur kan vi hjälpa dig?

      Ny student

      Kontakta oss

      Hitta medarbetare

      Högskolan i Skövde, länk till startsida

      Klusteranalys för prediktivt underhåll

      Forskningsgrupp Skövde Artificial Intelligence Lab
      Forskningsmiljö Informationsteknologi

      Klusteranalys för prediktivt underhåll

      Forskningsgrupp Skövde Artificial Intelligence Lab
      Forskningsmiljö Informationsteknologi

      Kort om projektet

      Projektnamn

      Predictive maintenance using advanced cluster analysis (PACA)

      Projekttid

      Mars 2019 – Februari 2022

      Finansiering och samverkan

      VINNOVA, Chalmers tekniska högskola, ifm electronic, Siemens, SKF, Volvo Group Trucks Operations (VGTO)

      Prediktivt underhåll baserat på artificiell intelligens och maskininlärning är ett topprankat användarfall med avseende på affärsnytta inom industriell digitalisering. Inte så konstigt med tanke på att Svensk tillverkningsindustri årligen betalar över 100 miljarder kr i underhållsrelaterade kostnader och 60% av alla underhållsaktiviteter är reaktiva.

      Projektet PACA, som koordineras av Chalmers, har som mål att utveckla algoritmer för prediktivt underhåll, baserat på avancerad klusteranalys, för att öka precisionen och förståelse hos en beslutsfattare.

      Dataströmmar kommer generera ny kunskap

      Tre användarfall kommer att tillhandahålla multipla dataströmmar (sensorer och datorsystem) från flera maskiner. Data kommer att analyseras tillsammans för att kunna identifiera intressanta mönster som kan jämföras mellan de olika maskinerna samt deras historiska loggar. Detta kommer att generera kunskap om hur olika mönster korrelerar med slitage, vilket senare kan användas för att designa en algoritm som predikterar framtida tillstånd/haverier av maskiner.

      För smartare underhåll

      Förväntade effekter inkluderar ökad produktivitet, robusthet, resursutnyttjande och kompetens inom Smart Underhåll och avancerad dataanalys. Konsortiet är tvärvetenskapligt och består av tillverkningsbolag, service och IT leverantörer samt universitet och högskola med expertis inom både Smart Underhåll och avancerad dataanalys.

      Medverkande forskare

      Publicerad: 2020-01-24
      Senast ändrad: 2020-01-24
      Sidansvarig: webmaster@his.se