Hur mår en lastbil?

Driftstopp är mycket kostsamt inom industrin, och olyckor vill man förstås undvika till varje pris. DSV-forskaren Tony Lindgren tar fram nya modeller för att beräkna komponenters livslängd, till exempel i lastbilar. Projektet har nyligen tilldelats 9,7 miljoner kronor i forskningsmedel från Vinnova.

Genrebild: Lastbilar
Foto: Alexandr Chernyshov/Mostphotos.

Tony Lindgren, forskare på Institutionen för data- och systemvetenskap (DSV) vid Stockholms universitet, arbetar tillsammans med forskare på Linköpings universitet och KTH samt ingenjörer på Scania sedan flera år tillbaka. I januari 2022 påbörjar de ett nytt, treårigt forskningsprojekt som finansieras med närmare 10 miljoner kronor från Vinnova. Lastbilstillverkaren Scania matchar med motsvarande summa i ingenjörstimmar.

Grattis till det stora anslaget, Tony! Berätta, vad handlar forskningen om?

Tony Lindgren, Institutionen för data- och systemvetenskap (DSV) vid Stockholms universitet.
Tony Lindgren. Foto: Panagiotis Papapetrou.

– Tack, det känns roligt att få forska vidare. Det här är det tredje projektet där vi samarbetar med Scania för att se hur maskininlärning kan användas för att beräkna slitage och livslängd på olika komponenter. När vi påbörjade det första projektet visste vi inte om man kunde använda historiska data för att förutsäga när olika komponenter skulle fallera. Det visade sig att det gick ganska bra. Det andra projektet handlade mycket om tolkningsbarhet och relevans: Hur kan modellerna användas för att förklara för ingenjörer, och hur kan vi säkerställa att modellerna är korrekta?

– I det nya projektet ska vi titta på strömmade data, beslutsprocesser, osäkerhet kring besluten, och hur man återkopplar information till modellerna. Det ska bli spännande! Vi har lärt oss mycket sedan starten, men vi har inte löst alla problem än.

Vad är det för data som används i modellerna?

– Vi använder alla möjliga typer av data: driftdata från fordonen, felkoder och fordonsspecifikationer. Allt matas in i en maskininlärningsmodell och kan användas för att beräkna när en viss komponent, som till exempel startmotorn eller turbon, kommer att behöva bytas.

Vad finns det för direkta implikationer för företag?

– I businesstermer pratar man om ”uptime” och ”downtime”. Uptime är när alla maskiner fungerar, det är det man vill uppnå. Downtime betyder att det är driftstopp, och oplanerad downtime är det värsta för företaget. Om en lastbil går sönder och blir stående i vägkanten kan det innebära en fara för människor. Stora ekonomiska värden står också på spel, till exempel om lastbilens kylaggregat går sönder när den är fullastad med mat. Man vill gärna öka förutsägbarheten, och genom de modeller vi utvecklar får företag bättre koll på sina maskiner. De kan då planera för downtime – till exempel lämna in en lastbil på verkstad – i stället för att riskera att den havererar under en körning.

– Tjänstefiering är en viktig trend i dag, företag går från att sälja en fysisk produkt till att i ställer erbjuda tjänster. I stället för att köpa en lastbil kan kunden köpa transportkilometer. Med ett sådant upplägg blir våra modeller viktiga, inte bara inom fordonsindustrin förstås. Företag vill veta hur deras maskiner mår. Med mer information om maskinernas hälsostatus kan de agera i tid, innan komponenterna börjar gå sönder. Det uppskattas av kunderna som vill ha garanterad uptime.

Vad hoppas du ha kommit fram till när projektet avslutas i december 2024?

– Först och främst vill vi skapa bättre datadrivna modeller som kan förutsäga mekaniska komponenters slitage. Vi vill också lära oss mer om osäkerheten i modellerna, och hur återkoppling kan ske till modellerna.

– Om modellerna börjar användas påverkar det ju datamaterialet. Kunderna kommer att byta ut komponenter innan de fallerar, och vi får kanske inte veta hur länge de skulle ha hållit. Det är en balansgång, om bytet sker för tidigt är det inte bra heller. En annan komplikation är att vissa komponenter kan gå sönder på många olika sätt. Det vill vi också ha in i beräkningarna.

Vad ser du för utvecklingsmöjligheter på längre sikt?

– Om vi tänker oss en framtid med autonoma fordon blir det ännu mer avgörande att göra hälsostatuskontroller. Självkörande bilar som plötsligt blir stående i trafiken skulle ställa till med stora problem. När tekniken är mer utvecklad kommer de att kunna göra en egen bedömning – och beställa sin egen service.

 

Kontakta tony@dsv.su.se

Läs mer om RAPIDS – Reliable Adaptive Predictive maintenance and Intelligent Decision Support – på Vinnovas webbplats

Mer om Institutionen för data- och systemvetenskap (DSV)

Text: Åse Karlén