CAISR+: Prediktivt underhåll och maskininlärning

CAISR+-projektet handlar om att använda nyare maskininlärningsmetoder och att arbeta med verklig industriell data (strömmande data, omborddata eller data i databaser) relaterade till prediktivt underhåll. Det finns för närvarande två huvudsakliga applikationsspår:

• användningskarakterisering genom igenkänning av maskinaktivitet (gaffeltruckar och tunga lastbilar)
• modellering av överlevnadsförmåga för fordonsdelsystem (turboladdare, kylvätskepumpar, elektriska drivbatterier).

Dessutom ingår det i CAISR+ att delta i internationella konferenser och organisera tematiska workshops för att etablera CAISR internationellt som en aktör inom detta område. CAISR+ innehåller även avancerade kurser i ämnet riktade till yrkesaktiva.

Pågående delprojekt i CAISR+ handlar om att förutsäga turboladdarfel, modellera kylvätskepumpfel, detektera ”no fault found”-felmeddelanden, överföra lärande från högfrekventa till lågfrekventa databaser, igenkänning av maskinaktivitet från CAN-data, överlevnadsförmåga för elektromobilitetsbatterier, modellering av bussanvändning och batterihälsa. De maskininlärningsämnen som behandlas här är överföringsinlärning, självövervakad funktionsinlärning, domänanpassning, variationsautokodare, metainlärning och hur förklarligt det är.

CAISR+-projektet har en rådgivande branschkommitté för att hålla forskningen relevant för industripartnerna och peka på viktig industriell utveckling. Vårt arbete med maskininlärning för prediktivt underhåll har hittills resulterat i 19 journalartiklar och 14 konferensartiklar (2020–2022). Det har också tagits fram en industriell demonstrator och överföring av kod från forskningen till industrin.