Rotfelsanalys med maskininlärning
Forskningsprojekt , 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.

Deltagare

Tomas McKelvey (kontakt)

Professor vid Chalmers, Elektroteknik, Signalbehandling och medicinsk teknik, Signalbehandling

Samarbetspartners

Volvo Cars

Göteborg, Sweden

Finansiering

VINNOVA

Finansierar Chalmers deltagande under 2017–2021

Relaterade styrkeområden och infrastruktur

Hållbar utveckling

Drivkrafter

Transport

Styrkeområden

Mer information

Senast uppdaterat

2018-05-28