Predictive maintenance using Advanced Cluster Analysis (PACA)
Diarienummer | |
Koordinator | Chalmers Tekniska Högskola AB - Industrial and Materials Science |
Bidrag från Vinnova | 4 994 976 kronor |
Projektets löptid | mars 2019 - augusti 2022 |
Status | Avslutat |
Utlysning | Strategiska innovationsprogrammet för Produktion2030 |
Ansökningsomgång | Produktion 2030 - utlysning 11 |
Viktiga resultat som projektet gav
Huvudsyftet med PACA-projektet var att utveckla nya PdM-algoritmer för att förutsäga framtida underhållsbehov med hjälp av ML-teknik och avancerad klusteranalys. Projektmålen uppnåddes genom att utveckla PdM-algoritmer för att demonstrera deras effekter i industriella tillämpningar. Vidare uppnåddes spridning av den kunskap som förvärvats och den forskning som bedrivits genom att publicera vetenskapligt material tillsammans med utformning av utbildningsmaterial och examensarbeten/kursarbeten som projektpartnerna kan använda i utbildningssyfte.
Långsiktiga effekter som förväntas
Resultaten från PACA-projektet är identifierade mönster/modeller som indikerar maskinens hälsa och bevis på konceptdemonstrationer för förutsägande underhåll (PdM) via de utformade programvaruramarna som bygger på avancerad ML/klusteranalys. Syftet med dessa ramar var att visa hur de kan användas som en förstudie för beslutsstöd för PdM i de industriella parternas verkliga produktionsmiljöer. De förväntade effekterna är ökad OEE, resurseffektivitet, kompetens inom smart underhåll och avancerad dataanalys för den svenska industrins konkurrenskraft.
Upplägg och genomförande
PACA-projektet genomfördes i fem huvudsakliga arbetspaket: datainsamling och förbehandling, identifiering av mönster, utformning och utvärdering av algoritmer samt beslutsstödsystem för underhåll och spridning. Den huvudsakliga forskningsmetoden utformades på grundval av explorativ dataanalys. Data som tillhandahölls av industripartnerna analyserades för att identifiera intressanta mönster och för att skapa en förståelse för hur olika mönster korrelerar med maskinhaveri och kan användas för att förutsäga maskinfel eller anomalier.