CAISR+: Prediktivt underhåll och maskininlärning

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

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

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

Delprojekt i CAISR+ handlade 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 behandlades här var överföringsinlärning, självövervakad funktionsinlärning, domänanpassning, variationsautokodare, metainlärning och hur förklarligt det är.

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