Sunith Bandaru

Projekttid: 2021 – 2021
Budget: 12 000 000 kr
Prediktivt underhåll med internet-of-things och digitala tvillingar
Prediktivt underhåll är ett av de viktigaste områdena för många globala tillverkningsföretag. Artificiell intelligens, analys av ”big data” och industriell internet of things (IoT) har redan visat stor potential inom underhållsområdet. Eftersom fler företag använder sig av denna teknik har dock flera viktiga utmaningar uppstått som hindrar framstegen mot fullständig digitalisering av underhåll.
Syftet med projektet är att utveckla en Integrated Manufacturing Analytics Platform (IMAP) som kombinerar teknologierna i Industri 4.0 som industriell IoT, digitala tvillingar och dataanalys för att förverkliga den fulla potentialen i prediktivt underhåll och bana väg mot preskriptivt underhåll. Huvudsakliga idén med IMAP är att komplettera och validera data från befintlig IoT-infrastruktur med simulerad data från ”magra” (lean) digitala tvillingar, förbehandla och integrera flera datakällor i CMMS, och använda maskininlärning, dataanalys och optimeringstekniker för att övervaka utrustningens hälsa, förutsäga behovet av underhåll, generera automatiserade underhållsåtgärder och arbetsorder för underhåll.
Projektet förväntas bidra till följande förbättringar för KPI:er inom produktion och underhåll
Industriella studier påvisar att prediktiv underhåll kan öka drifttiden för utrustning och tillgängligheten med 10-20%, reducera den tid som krävs för att planera underhåll med 20-50% samt reducera totala underhållskostnaden upp till 25%.
Projektet kommer att genomföras under en period av 3 år, från 1 december 2021 till 30 november 2024. Denna period består av sex arbetspaket som involverar alla projektpartners.
Vinnovas dnr: 2021-02537
Minska miljöpåverkan från gjuterier genom att minska mängden sandavfall med hjälp av maskininlärning.
2023 – 2024
Effektivisera sågverk m.h.a förbättrad övervakning och underhåll av produktionslinjen. Detta genom att dela data via digital tvilling mellan aktörerna i underhållskedjan.
2019 – 2019
2021 – 2024
Projektet syftar till att digitalisera etablerade verktyg för hantering av produktionsstörningar.
2018 – 2020
Utveckla och validera algoritmer för prediktivt underhåll baserat på AI och ML. Visionen är haverifri produktion.
2019 – 2022
I SAPPA-projektet utvecklas en innovativ molnbaserad tjänstearkitektur för prediktivt underhåll av produkt- och produktionssystem, med fokus på industriella tillämpningar.
2014 – 2016
Målet med AutoFix är att öka automationen av fixturkonstruktion med integration av digitala verktyg från olika discipliner
2020 – 2023
Syftet är att utveckla modeller för visualisering och prediktering av leveransplansvariation i försörjningskedjan.
2018 – 2021
AutoPack skapar optimala elkablageinstallationer baserat på optimering och maskininlärning.
2021 – 2023