RAPIDS - Pålitligt adaptivt prediktivt underhåll och intelligent beslutsstöd

Syfte och mål

Projektets kärna bygger på att utveckla maskininlärningsmodeller baserat på ökad tillgänglighet av strömmad loggad data från fordon samt integration av modellerna i beslutsprocesserna för underhåll. Specifikt behandlas hur osäkerheten i prediktioner ska uppskattas och vägas in för att kunna fatta robusta och individbaserade beslut. Centralt är också hur ny information kan återkopplas till modellerna för att över tid förbättra prestanda och prediktionsförmåga.

Förväntade effekter och resultat

RAPIDS flyttar fram forskningsfronten inom prognostik och hälsostatusövervakning och dess applikationer för tunga fordon. Projektet bidrar med rön för hur osäkerhet i prediktioner ska uppskattas och vägas in för att kunna fatta robusta och individbaserade beslut samt hur ny information kan återkopplas till prediktionsmodeller för att över tid förbättra prestanda och prediktionsförmåga. Metodik för hur strömmande monitoreringssignaler optimalt nyttjas för underhållsplanering bidrar till bättre samspel mellan prognosmodeller på olika tidsskalor och ombord och i molnet.

Planerat upplägg och genomförande

I projektet utvecklas teori och generellt applicerbara metoder som sedan testas och demonstreras på verkliga och intressanta användarfall. Avsikten är att ha en iterativ och inkrementell arbetsprocess. Projektet består av 5 arbetspaket (AP). Inom AP 1 utförs administration och ledning av projektet. AP 2 och 3 fokuserar på prediktiva modeller för prognostik baserat på strömmade data och på hur osäkerhetsinformation kan kvantifieras och vägas in för beslut. AP 4 och 5 jobbar med effektiv hantering och återkoppling av data.