CPMXai: Kognitivt prediktivt underhåll och kvalitetssäkring med hjälp av förklarlig Ai och maskininlärning
CPMXai kommer att utveckla en digital tvilling för kognitivt prediktivt underhåll genom automatisk datamärkning, AI/ML och Explainable AI (XAI) för att minska oönskade situationer och förbättra underhållet i tillverknings- och produktionsprocesser.
Start
2021-11-15
Planerat avslut
2025-12-25
Huvudfinansiering
Samarbetspartners
Forskningsinriktning
Projektansvarig vid MDU
Användningen av prediktivt underhåll har eskalerat sedan framsteg inom artificiell intelligens (AI) och maskininlärning (ML). Den förutser det underhåll som krävs och undviker onödiga kostnader (sparar tid, energi, pengar och resurser) och haverier av maskiner. Men för mer exakta och bättre förutsägelser krävs kognitivt prediktivt underhåll. AI/ML för kognitiva prediktiva modeller kräver att alla algoritmer baseras på övervakad och oövervakad inlärning, kräver märkta data där mängden data är enorm eftersom den omfattar historisk data, sensordata, relaterade proprietära resurser och många fler. Återigen kan de beslut som genereras av modellen också vara svåra att förstå utan någon förklaring.
CPMXai strävar efter att lösa dessa problem genom att bilda ett samarbete mellan de ledande industripartnerna, små och medelstora företag, forskningsinstitut och universitet. Det samarbetade konsortiet består av experter från de olika enheterna med erfarenhet, kompetens och kunskap om dessa problem.
CPMXai kommer att utveckla en digital tvilling för kognitivt prediktivt underhåll genom automatisk datamärkning, AI/ML och Explainable AI (XAI) för att minska oönskade situationer och förbättra underhållet i tillverknings- och produktionsprocesser. Detta kommer senare att generaliseras och tillämpas i andra branscher som uppfyller deras krav och resulterar i hållbar tillverkning och ökad konkurrenskraft för svensk tillverkning.
Projektmål
CPMXai har 3 mål:
1) identifiera användningsfall i industrierna,
2) utveckla ett nytt automatiskt datamärkningsverktyg med hjälp av digital twin och slutligen,
3) utveckla ett självövervakande, självlärande, självförklarligt system för att förutse.