Rotfelsanalys med maskininlärning
Research Project , 2017 – 2021

Projektet är en samverkan mellan industri och akademi inom området systemdiagnos som kommer ha en stor betydelse för att förbättrad rotfeldiagnos för fordonssystem. Syftet är att hitta metoder för rotfeldiagnos för fordonssystem mha maskininlärning mellan komplexa fordonssystem (on-board) och bakomliggande beräkningssystem (back-end). Projektet kommer att öka forskningkapaciteten och internationell konkurenskraft i Sverige. Samverkan inom området signalbehandling och machine learning stärks.

Utöver att höja kompetensen inom omådet maskininlärning på Volvo Cars och Chalmers bör resultatet av projektet även öka förmågan att diagnosticera system genom att även inkludera felinformation från kringliggande system och använda multivariata tekniker för att modellera felmönster och därefter klassificera dessa mönster när orsaken är känd (övervakad maskininlärning). När ett felmönster och dess orsak(er) är känd skall datamodellen användas vid underhållstillfället för att direkt kunna peka ut rätt del när ett nytt fordon uppvisar ett känt mönster.

Participants

Tomas McKelvey (contact)

Professor vid Chalmers, Electrical Engineering, Signalbehandling och medicinsk teknik, Signal Processing

Collaborations

Volvo Cars

Göteborg, Sweden

Funding

VINNOVA

Funding Chalmers participation during 2017–2021 with 941,546.00 SEK

Related Areas of Advance and Infrastructure

Sustainable development

Driving Forces

Transport

Areas of Advance

More information

Latest update

2018-05-28