1 IRIS Integrerat Dynamiskt Prognostiserande Underhållsstöd Scania CV, Linköpings universitet, Stockholms universitet Jonas Biteus, Scania CV Vehicle Service Information Projektstart: 2012 Projektavslut: 2017 Finansierat av: Vinnova, FFI Transporteffektivitet och Scania CV
Projektpartners 2 Stockholms universitet Institutionen för data- och systemvetenskap (DSV) Avdelningen för systemanalys och säkerhet Datamining, Maskininlärning Statistisk analys Beslutslogik Linköpings universitet Institutionen för systemteknik (ISY) Avdelningen för fordonssystem Diagnos och prognos för fordon Fysikalisk modellering Förbränningsmotor och batteri-modellering Scania CV R&D (Research & Development) Avdelningen för Vehicle service information (YS) Underhåll och preventiva byten On-board elektriska komponenter Elektrisk kraftförsörjning
Målbild 3 Varför (Vision): Ett fordons drift skall vara förutsägbart -> inga haverier vid väg! Optimera vinst m.a.p. underhåll Vad: Undersöka hur man kan förutsäga ett fordons hälsostatus med hjälp av Maskininlärning, statistisk analys, (data mining) Fysikalisk modellering Undersöka hur man kan optimera underhållsplaner utifrån Hälsostatus Kundpreferenser Fordonsdrift Skapa ett system som ger beslutsstöd åt Fordonsägare Förare Mekaniker Implementera en demonstrator för att utvärdera resultaten
Leverabler 4 SU & LiU Forskning Metodik för framtagande av kvarvarande livslängd för komponenter på tunga lastbilar Prognostik för avgas-sensor Prognostik för strömförsörjning Beslutsstöd för optimerad underhållsplanering Scania Demonstrator Mjukvarukomponenter: Prognoser, underhållsoptimerare Implementation prognostik-algoritmer Oljor Sensorer Strömförsörjning Utvärdering av demonstrator på Scania R&D-verkstad och ev. extern verkstad. 120925 Dr. Jonas Biteus/ Integrated dynamically prognosticating service support -- IRIS
Forskning: Prognostik/Hälsostatus 5 Vilka faktorer påverkar en komponents kvarvarande livslängd? Vilka beroenden finns mellan kvarvarande livslängd för olika komponenter? Hur kan maskininlärning appliceras på driftdata för att skapa prognostik-algoritmer för kvarvarande livslängd? Hur kan expertkunskaper och fysikaliska modeller användas för att förbättra algoritmerna?
Indata Data från datalager Exempel: Prognostik-algoritmer 6 1 Chassinummer 2-722 Driftdata Observation Verkstadsdata, trasig/icke trasig sensor.
Resultat Prognostik-algoritm Exempel: Prognostik-algoritmer 7 Mer att utforska: För vilka fordon är algoritmerna giltiga Med tanke på fordons typ Med tanke på fordons ålder Med tanke på fordons specifikation... Öka nogrannheten via Fysikaliska modeller Expert-kunskaper Prognostik-algoritm Kan t.ex. implementeras i verkstadsverktyg eller integreras i fordon
Forskning: Beslutsstöd 8 Beslutsstöd för optimering av vinst m.a.p. underhåll och kundpreferenser. Flottplanerare Underhållsplan Mekaniker Åtgärdsplan för punkter i underhållspunkterna Verkstadsmästare Resursplaner Ägare Hälsostatus Planerade stillestånd Uppdragstyp Riskbedömning Ger respektive användare: Underhållsplaner Åtgärdsplaner Hälsostatus Resursplaner Inbyggt test Inbyggt test Diagnoser Prognoser Decision support logic Action planner Uppdateras dynamiskt för att ge aktuella rekommendationer. Prognostikalgoritm Prognostikalgoritm Verkstadsmetoder
Slut, frågor? 9