Hoppa till huvudinnehåll
Search
Menu

Future AI-based maintenance

Effektivt underhåll är en kritisk faktor för industrins konkurrenskraft, såväl i Sverige som resten av världen. Stora insatser har gjorts för att utveckla effektiva underhålls-strategier, som samtidigt minimerar risken för haverier eller produktionsstopp. Här finns en stor potential för förbättringar genom avancerad digitalisering.

Syfte och mål

Målet för projektet är att utveckla ett ramverk för att stödja användning av prediktivt underhåll och planering under osäkerhet i industrin. Projektet syftar också till att minska affärsmässiga risker med att övergå till effektivare och AI-baserade underhållsstrategier och därigenom öka resurseffektivitet och konkurrenskraft i svensk industri.

 Som delmål utvecklar projektet:

  1. En modulär plattform för prediktionsmodeller - Som kan hantera såväl existerande som nya prediktions modeller för tillståndet hos komponenter, så att dessa kan förbättras med tiden.
  2. Nya och förbättrade metoder för prognoser av komponenters livslängd - Baserade på maskin inlärning och kausalmodellering, som också tar hänsyn till osäkerhet.
  3. Nya Metoder för dynamisk och robust planering under osäkerhet.
  4. Ett simuleringsverktyg - som kan användas för beslutsstöd för att utvärdera och jämföra olika avancerade underhålls-strategier med tanke på risk och kostnad.

Simuleringsverktyget, som jämför och utvärderar olika underhållsstrategier, bidrar till att avsevärtminska de affärsmässiga riskerna med att byta från en historiskt beprövad underhållsstrategi tillen ny mer effektiv. Den möjliggör därmed transformationen till effektivare och AI-baseradeunderhållsstrategier inom industrin. Detta kommer att ha en oerhört stor betydelse för resurseffektivitet och konkurrenskraft för svensk industri i stort.

Översikt över systemdelarna och motsvarande arbetspaket

Upplägg och genomförande

Projektet implementeras genom fem arbetspaket (AP), som beskrivs nedan.

  • AP1 - Projektledning och Dissemination 
    • Ledare: RISE. Syfte: Effektiv projektstyrning.
  • AP2 - Probabilistisk modulär plattform för modellintegration 
    • Ledare: RISE. Syfte: Utveckla en gemensam probabilistisk representation av prediktioner, kostnader och risker för kvarvarande användbart liv.
  • AP3 - Metoder för prediktion av RUL och dess osäkerheter för en mängd komponenter
    • Ledare: Scania CV. Syfte: Bygga datadrivna modeller för att förutsäga återstående livslängd, inklusive osäkerhetsmått och orsaksmässiga slutsatser.
  • AP4 - Dynamisk underhållsplanering under osäkerhet 
    • Ledare: Siemens Energy. Syfte: Utveckla en optimeringsmodell för underhållsplanering som tar hänsyn till både komponenters förväntade återstående livslängd och affärskrav.
  • AP5 - Simuleringsverktyg för utvärdering av underhållsstrategier
    • Ledare: RISE. Syfte: Utveckla ett verktyg för att simulera underhållsstrategier, för att jämföra och bedöma vinsterna med olika underhållsstrategier

Budget och deltagare

Projektets budget är 11.18 MSEK, varav 5.59 MSEK är finansierat av Vinnova, som del av utlysningen Avancerad och innovativ digitalisering 2023 - andra utlysning. Huvudkoordinatorn är RISE – Research Institutes of Sweden, och projekt partners är: Scania CV AB och Siemens Energy AB. Konsortiets parter har erfarenhet av både tillämpad och grundforskning om prediktivt underhåll samt ML och AI i över två decennier.

Sammanfattning

Projektnamn

FAIM

Status

Pågående

RISE roll i projektet

Huvudkoordinator

Projektstart

Varaktighet

3 år

Total budget

11 182 887 kr

Partner

Scania CV, Siemens Energy

Finansiärer

Vinnova

Projektets webbplats

Koordinator

Projektmedlemmar

Bidrar till FN:s hållbarhetsmål

9.Hållbar industri, innovationer och infrastruktur
Sepideh Pashami

Kontaktperson

Sepideh Pashami

+46 10 228 40 73

Läs mer om Sepideh

Kontakta Sepideh
CAPTCHA

* Obligatoriskt Genom att skicka in formuläret behandlar RISE dina personuppgifter.

Stella Riad

Kontaktperson

Stella Riad

Enhetschef

+46 10 228 41 67

Läs mer om Stella

Kontakta Stella
CAPTCHA

* Obligatoriskt Genom att skicka in formuläret behandlar RISE dina personuppgifter.