Evolverbar artificiell intelligens för prediktivt underhåll

Prediktivt underhåll har potentialen att reducera både arbete och kostnader för underhåll av industriella produktionssystem. Genom att använda AI-teknologi tränad på sensordata från produktionsprocessen kan utrustning användas mer effektivt eftersom nyttjande kan ske ända fram tills utrustningen predikteras vara utsliten och därmed undvika kostsamma utbyten i förtid. Detta är något som är gynnsamt för både ekonomisk och ekologisk hållbarhet av operationella produktionssystem.

De mest precisa AI-baserade teknikerna för prediktivt underhåll kräver märkt träningsdata kring, t.ex., tidigare fel på utrustning eller sparad historik kring en utrustnings hälsotrend. Den här typen av data finns sällan i tillräckliga mängder eftersom utrustning inte ska fallera.

I det här projektet ämnar vi designa ett evolverbart AI ramverk för prediktivt underhåll. Ett kärnelement för vår metod är kontinuerligt förbättrade modeller. På ett systematisk och till en hög grad automatiserat sätt sker denna förbättring över tid genom att t.ex. nyttja data från annan liknande utrustning, data från anomalier som domänexperter utrett och syntetiska data. 

Målet är att utveckla en plattform som enkelt kan anpassas av företag som fördelaktigt vill nyttja AI-baserad prediktivt underhåll trots att de inte har så mycket märkt data. Plattformen kommer demonstreras i en kontext av skog-/pappersindustrin.