Rotfelanalys med maskininlärning

Viktiga resultat som projektet gav

Projektet var en samverkan mellan industri och akademi inom området systemdiagnos som kommer ha en stor betydelse för att förbättrad rotfeldiagnos för fordonssystem. Syftet var att hitta metoder för rotfeldiagnos för fordonssystem mha maskininlärning mellan komplexa fordonssystem (on-board) och bakomliggande beräkningssystem (back-end). Detta syfte anses uppfyllt. Projektet kommer även att öka forskningkapaciteten och internationell konkurenskraft i Sverige. Samverkan inom området signalbehandling och machine learning stärks. Även detta anses uppfyllt.

Långsiktiga effekter som förväntas

Resultatet av projektet bör öka förmågan att diagnosticera system genom att även inkludera felinformation från kringliggande system och använda multivariata tekniker för att modellera felmönster och därefter klassificera dessa mönster när orsaken är känd (övervakad maskininlärning). När ett felmönster och dess orsak(er) är känd skall datamodellen användas vid underhållstillfället för att direkt kunna peka ut rätt del när ett nytt fordon uppvisar ett känt mönster. Detta resultat anses vara uppfyllt

Upplägg och genomförande

För detta nästa generations diagnossystem var tanken att en industridoktorand, kopplad till Chalmers, skulle stå för metodutvecklingen och Volvo Cars skulle integrara det i sitt IT system. Tyvärr slutade doktorande efter ett år men projektet fortsatte men nu med Linköpings Universitet som ny partner. Det samabetet fungerade bra då LiU har lång erfarenhet av området och har levererat enastående resultat och publicerat dessa.