Forskningsprojekt REMAP – Tillförlitligt multimodalt adaptivt prediktivt underhåll i en föränderlig värld
Hur kan vi förhindra att tunga fordon går sönder? REMAP utvecklar förklarbar AI som lär sig från komplexa verkstads- och sensordata, upptäcker förändringar över tid och uppdaterar sig själv genom återkoppling. Målet är tillförlitligt underhåll och hållbara transporter.
Bild: Zara Karazian.
Prediktivt underhåll hjälper till att förebygga driftstopp genom att upptäcka problem innan de leder till fel. Men inom den tunga fordonsindustrin är det fortfarande svårt att omvandla sådana modeller till konkreta och pålitliga lösningar som kan tas i drift.
Verkstadsdata är ofta komplexa och fragmenterade, de samlas in vid oregelbundna intervall och ofta saknas tydliga kopplingar mellan symptom och reparationer. Dessutom körs fordon under skiftande förhållanden och tillgången till feldata är begränsad.
REMAP-projektet utvecklar robusta och förklarbara AI-metoder som kan lära från multimodala data, till exempel sensormätningar, servicehistorik och text. Genom att upptäcka datadrift, uppdatera modeller via återkopplingsloopar och berika data med hjälp av stora språkmodeller möjliggör projektet prediktiva underhållssystem som kan anpassa sig över tid.
Målet är att skapa pålitliga, produktionsnära lösningar som ökar komponentutnyttjandet, stödjer individanpassad underhållsplanering och bidrar till ett mer hållbart och effektivt transportsystem.
REMAP bygger vidare på forskningsprojektet RAPIDS och samlar kompetens från Traton AB, Stockholms universitet, KTH och Linköpings universitet. Vi utvecklar robusta maskininlärningsmetoder för att skapa, övervaka och uppdatera prediktiva underhållsmodeller från komplexa och föränderliga, multimodala verkstadsdata.
REMAP finansieras av Vinnova, inom programmet Transport- och mobilitetslösningar – FFI.