Predictive Maintenance using Advanced Cluster Analysis (PACA)
Forskningsprojekt, 2019 – 2022

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

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.

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.

Deltagare

Ebru Turanoglu Bekar (kontakt)

Chalmers, Industri- och materialvetenskap, Produktionssystem

Anders Skoogh

Chalmers, Industri- och materialvetenskap, Produktionssystem

Samarbetspartners

Högskolan i Skövde

Skövde, Sweden

SKF

Göteborg, Sweden

Siemens

Göteborg, Sweden

Volvo Cars

Göteborg, Sweden

Volvo Group

Gothenburg, Sweden

ifm electronic ab

Göteborg, Sweden

Finansiering

VINNOVA

Projekt-id: 2019-00789
Finansierar Chalmers deltagande under 2019–2022

Relaterade styrkeområden och infrastruktur

Produktion

Styrkeområden

Publikationer

Mer information

Senast uppdaterat

2020-06-26