IRIS Integrerat Dynamiskt Prognostiserande Underhållsstöd Projektstart: 2012 Projektavslut: 2017 Finansierat av: Vinnova, FFI Transporteffektivitet och Scania CV Dr Jonas Biteus Scania CV Vehicle service information
MÅLBILD
Målbild Varför (Vision): Ett fordons drift skall vara förutsägbart -> inga haverier vid väg! Förebyggande och flexibelt underhåll optimerat m.a.p. kundens vinst Vad: Undersöka hur man kan förutsäga ett fordons hälsostatus med hjälp av Maskininlärning (data mining) Fysikalisk modellering Undersöka hur man kan optimerar underhållsplaner utifrån Hälsostatus Kundpreferenser Fordonsdrift Skapa ett system som ger beslutsstöd åt Fordonsägare Förare Mekaniker Implementera en demonstrator för att utvärdera resultaten
Forskning: Prognostik/Hälsostatus Vilka faktorer påverkar en komponents kvarvarande livslängd? Datalager Vilka beroenden finns mellan kvarvarande livslängd och produktvarianter och -versioner? Hur kan expertkunskaper och fysikaliska modeller användas för att förbättra algoritmerna? Data från fordonsflottan Verkstad Verkstad Verkstad Skapa prognostikalgoritmer Individ-data Flexibelt underhåll baserat på prognostikalgoritmerna
Forskning: Beslutsstöd Användargränssnitt och logik för att ge beslutsstöd. Ger respektive användare: Underhållsplaner Flottplanerare Underhållsplan Verkstadsmästare Mekaniker Åtgärdsplan för flexibla underhållet Ägare Hälsostatus Planerade stillestånd Uppdragstyp Riskbedömning Åtgärdsplaner Fordons hälsostatus Decision support logic Resursplaner Uppdateras dynamiskt för att ge aktuella planer. Inbyggt test Inbyggt test Diagnoser Prognoser Action planner RUL RUL Verkstadsmetoder
UTVALDA RESULTAT
SU Beslutsstöd för underhållsexperter Maintenance expert Select data variable Select min-base-max Select influence/module Engineer Altitude def: Maintenance rule Parameter altitude {VeryLow, Low, Medium, High, VeryHigh} Influence [-9,9] I6 Variable {4, 2, 1, -3, -8} V8 {4, 2, 1, -1, -5} Define operational data km Min 50 000 Base 100 000 Max 150 000 Vehicle specifications Maintance Rule set Algorithm Impact score score = S i data i influence i = 4 0.1 + 2 0.3 + 1 0.6-3 0-8 0 = 1.6 Look-up table 1.6-9 0 9 50 000 100 000 150 000 108 889 Module system Operational data Operational data Vehicle SCS 857 Altitude [%] {10%,30%, 60%, 0%,0%} Workshop manager Report Recommended maintenance intervall: 108 000 km
LiU Prognostik för batterier Operational data and variant specification RUL (remaining useful life) model Battery lifetime prediction for 20 vehicles with 5 time units. Error rate relative to size of model.
Scania - Demonstrator
Scania - Demonstrator
Selected Publications Expert Guided Adaptive Maintenance, Tony Lindgren (SU) & Jonas Biteus (Scania), Second European Conference of Prognostics and Health Management Society, July 8-10, 2014 Data-Driven Lead-Acid Battery Prognostics Using Random Survival Forests, Erik Frisk, Mattias Krysander, and Emil Larsson (LiU), Annual Conference of the Prognostics and Health Management Society 2014, September 29-October 2, 2014