Tillbaka till Projekt

Predictive Maintenance using Advanced Cluster Analysis (PACA)

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.
Vinnovas dnr: 2019-00789

Projektledare

Deltagande forskare

Ämnesområden

Artificiell intelligens, Avancerad klusteranalys, Datavetenskap, Kostnadseffektiv underhållsplanering, Machine Learning, Maskininlärning, Prediktivt underhåll

Liknande projekt

Valid Life

2019-2019

Artificiell intelligens, Ingenjörskonst, Livscykel, Produkt-tjänste-system (PSS), Produkt/service system, Produktion, Underhåll

Projektets syfte är att ta fram en plan för ett antal demonstratorer inom produktion och underhåll med komplexa produkter med lång livslängd producerade av internationella företag i Sverige. Målet är att göra en plan för att utveckla demonstranter i produktion och underhåll med hjälp av artificiell intelligens teknik, digital teknik och metoder för lifecycle engineering metoder.