SLAM: Självövervakande inlärning för prediktivt underhåll

Maskininlärning har använts i stor utsträckning inom prediktivt underhåll (eng. predictive maintenance) för att lära sig förutse potentiella fel i maskinutrustning eller system genom att använda tidigare insamlade data. För närvarande används olika övervakade inlärningstekniker inom detta område som kräver etiketterade träningsdata. Denna data tar lång tid att införskaffa och eftersom inlärning sker blockvis så kan dessa metoder heller inte anpassa sig till ändrade förhållanden (i.e. drift) inom utrustning eller system.

Detta projekt kommer att utveckla självövervakande och kontinuerliga inlärningsmetoder för att främja en bredare tillgänglighet av datadrivet prediktivt underhåll i kraftnät.

Kontinuerligt (och livslångt) lärande har hög potential att stödja mer grundade och exakta underhållsbeslut genom att hantera förändrade förhållanden i kraftnät, som t.ex. åldrande av elektriska komponenter. Fallstudier med data som samlats in från kraftnät kommer att utföras för att utvärdera effektiviteten i de föreslagna metoderna.

Projektets syfte

SLAM syftar till att utveckla självövervakande och kontinuerliga inlärningsmetoder för att stödja prediktivt underhåll i kraftnät.

Projektmål

Utveckla följande intelligenta funktioner baserat på maskininlärning för att stödja prediktivt underhåll:

1. Upptäckt av anomali och åldrande trend

2. Förutsägelse om försämringstillstånd