Forskningsprojekt RAPIDS – Pålitligt adaptivt prediktivt underhåll och intelligent beslutsstöd
Färre olyckor på vägen, och färre driftstopp. Det är det förväntade resultatet av detta forskningsprojekt som använder data från lastbilar för att utveckla nya maskininlärningsmodeller. Modellerna kommer att berätta för oss när underhåll behövs – innan fordonen går sönder.
De senaste åren har kraven på tillförlitlighet och tillgänglighet ökat inom fordonsbranschen. I och med införandet av autonoma och elektrifierade fordon kommer dessa krav att accentueras ytterligare.
Möjligheten att göra prognoser, och dataanalys i allmänhet, är områden där maskininlärningsmodeller har en stark industriell potential. Detta projekt kommer att bidra till att stärka forskningsfälten maskininlärning och prognostik, specifikt inom områdena modeller för strömmade, loggade data, datadrivet beslutsfattande under osäkerhet och effektiv modellåterkoppling.
Projektets kärna bygger på att utveckla maskininlärningsmodeller baserade på ökad tillgänglighet av strömmade, loggade data från fordon samt integrering av modellerna i beslutsprocesser för underhåll. Vi undersöker hur osäkerheten i prediktioner ska uppskattas och vägas in för att kunna fatta robusta, individuella beslut. Centralt är också hur ny information kan återkopplas till modellerna för att över tid förbättra prestanda och prediktionsförmåga.
I projektet utvecklas teori och generellt applicerbara metoder som sedan testas och demonstreras på verkliga användarfall. Projektets huvudsökande är Scania CV AB. Övriga parter är Linköpings universitet (Institutionen för systemteknik), Stockholms universitet, (Institutionen för data- och systemvetenskap) samt KTH (Skolan för elektroteknik och datavetenskap).
Projektet är planerat att pågå i tre år, från januari 2022 till december 2024, med en total budget på 19,4 miljoner svenska kronor.
Projektbeskrivning
De senaste åren har kraven på tillförlitlighet och tillgänglighet ökat inom fordonsbranschen. I och med införandet av autonoma och elektrifierade fordon kommer kraven att accentueras ytterligare. Dessa fordon har högre investeringskostnader men lägre rörliga kostnader för driften.
När fordonen är helt autonoma och saknar förare som kan agera på de signaler som fordonen ger, måste fordonen själva i högre grad fatta kloka beslut. En förutsättning för dessa beslut blir då till exempel korrekt uppskattade sannolikheter för att olika fel ska inträffa.
Modellerna har industriell potential
Möjligheten att göra prognoser, och dataanalys i allmänhet, är områden där maskininlärningsmodeller har en stark industriell potential både i ett lång- och kortsiktigt perspektiv. Väl presterande prognostiska funktioner möjliggör förutsägelse av framtida reparations- och underhållsbehov med en hög grad av korrekthet på enhetsnivå. Sådan funktionalitet har potential att öka tillförlitligheten och tillgängligheten för lastbilar, gruvutrustning, industriella robotar och andra industriella applikationer.
För att kunna fatta välgrundade beslut, kring till exempel underhåll, räcker det dock inte med uppskattningar av de mest troliga utfallen som erhålls av maskininlärningsmodeller. Denna information behöver kompletteras med välkalibrerade sannolikhetsuppskattningar för att förväntad nytta (och kostnad) ska kunna beräknas.
I ett tidigare projekt, CODA, har datadriven metodik för att beräkna en sannolikhetsbaserad prognos för komponenters hälsostatus i ett givet fordon med specifik användningshistorik och konfiguration tagits fram och förfinats. För att skapa tillförlitliga och transparenta prediktionsmodeller, och på så sätt överbrygga barriärer för realisering av prediktivt underhåll, undersöktes i CODA specifikt datadrift i data och tolkningsbarhet av prediktioner.
Optimal planering av underhåll
I dag blir prediktiva byten av komponenter i tunga lastbilar allt vanligare (Carvalho, T. et. al., 2019). Det kan därför konstateras att många av de hinder som tidigare identifierats för storskalig realisering, nu måste anses undanröjda. Men forskning kring datadrivna prognosmetoder fortsätter ändå att väcka stort industriellt och akademiskt intresse.
Huvudmålet för projektet RAPIDS är att bidra till mer optimal planering av underhåll. I dag skapas prognoser för fordonskomponenters hälsostatus ofta utifrån driftdata från fordonet tillsammans med felutfallsdata för den aktuella komponenten. Karaktäristiskt för prognosproblemet är att de händelser som ska predikteras sällan inträffar. Det innebär att de data som används för att bygga modellerna är obalanserade till sin natur, och informationen om komponenters hälsostatus är begränsad. Hälsostatusprediktioner blir därför osäkra. Av den anledningen behövs metoder för att korrekt uppskatta osäkerheten och väga in den i beslut baserade på enskilda fordon.
När prediktiva komponentbyten ökar innebär det i praktiken att verkstadsåtgärder blir mer planerade, reparationer ovanligare, och återkopplade felutfallsdata minskar. Nya kostnadseffektiva metoder för att återkoppla hälsostatusinformation måste därför undersökas för att validera och främja prediktionsmodellernas prestanda.
På samma sätt innebär ökade möjligheter att strömma data från fordon till en lägre kostnad sannolikt att prognosmetoder måste uppdateras. När mängden data ökar och den skickas i ökad takt blir det naturligt av intresse att utforska hur de stora framsteg som gjorts inom övervakningsmodeller för sekventiell data och tidsserier kan översättas och användas på tidsskalor för planerbart underhåll.
Projektmedlemmar
Projektansvariga
Tony Lindgren
Enhetschef SAS
Olof Steinert
Data Scientist at Strategic Product Planning and Advanced Analytics
Medlemmar
Zahra Kharazian
Doktorand
