Doktorandprojekt: Utveckling av digital tvilling vid Volvo CE

Fakta om projektet

Doktorand
Manoranjan Kumar, Joel Cramsky
Huvudhandledare
Welf Löwe
Biträdande handledare
Mauro Caporuscio, Lars Håkansson, Diego Perez
Deltagande organisationer
Linnéuniversitetet; Volvo Construction Equipment (VCE), Braås
Finansiär
Volvo CE, KK-stiftelsen
Tidsplan
14 sept 2020–31 aug 2025
Ämne
Data- och informationsvetenskap (Institutionen för datavetenskap och medieteknik, Fakulteten för teknik)

Mer om projektet

Visionen hos Volvo CE är att virtualisera alla produkter, system och komponenter så att verifiering via fysiska prototyper helt kan undvikas. Volvo CE vill istället kunna förutsäga och verifiera sina produkters prestanda virtuellt. Man strävar efter att skapa en så kallad digital tvilling för varje fysisk maskin man säljer. Denna matas med data från sin fysiska tvilling med hjälp av sensorer, algoritmer och dataanalys (IO-1) i maskinerna.

Digitala tvillingar förväntas generera ökad försäljning och påverka optimering av arbetsplatser, kravhantering, produktutveckling och eftermarknad. För den senare ligger fokus på prediktivt underhåll och kundsupport för optimerad drift, inklusive hantering av maskinparken. Varje digital tvilling kommer att kunna hantera avvikelser i kvalitet jämfört med den nominella specifikationen och därmed definiera maskinens egen kapacitet.

Analyser i maskinernas datorer görs för att bearbeta data från sensorer hos varje fysisk tvilling och skicka den till sin digitala tvilling för molnbaserad dataanalys. Där beräknar algoritmer regelbundet och automatiskt återstående livslängd för komponenter och planerar för underhåll på både enskilda maskiner och hela maskinparken.

Följande uppgifter har hittills identifierats för att uppnå målet och är tänkta att utföras i projektet:

• Utveckla och verifiera virtuella modeller av en maskins beteende och prestanda, och därmed utveckla den fordonssimuleringsmodell som representerar en verklig maskin. Denna utveckling inkluderar också olika körfall i simuleringar. Dessutom verifiera simuleringsmodellen baserat på belastningar som genereras för olika komponenter under normala och extrema arbetsförhållanden med hjälp av verkliga mätningar.
• Förutse hur kunder använder en maskin baserat på AI-algoritmer (artificiell intelligens) med simuleringsmodeller. Till exempel ta fram vilka kombinationer av kända simuleringar på provbanor som bäst passar en viss kunds miljö, exempelvis vägojämnhet och topologi.
• Kundtjänster kan definieras relaterat till exempelvis produktivitet, bränsleeffektivitet och återstående livslängd för maskinkomponenter. Följaktligen utvärdera befintliga dataanvändningar för att identifiera vilka typer av kundtjänster som kan utvecklas med hjälp av befintliga dataloggar. Därigenom använda metoder för maskininlärning som kan vara en kombination av övervakad och oövervakad inlärning. Om befintlig insamlad data inte räcker till för dessa kundtjänster, hjälpa till med att implementera nya loggar för framtida maskiner.
• Använda AI-algoritmen för att förutsäga reparations- och underhållsschemat för varje maskin baserat hur och i vilka miljöer de används, genom att använda ny och/eller befintlig insamlad data för alla maskiner.
• Implementera ett verktyg för visualisering som länkar ihop maskiners data och deras samband till metoder för maskininlärning. På så vis kommer visualisering att vara ett stöd i att hitta avvikelser inom en maskinpark och kundsupport kan utföras i realtid.

Projektet är en del av industriforskarskolan Data Intensive Applications (DIA) och forskningen i forskargrupperna Data Intensive Software Technologies and Applications (DISTA) och Linnaeus University Centre for Data Intensive Sciences and Applications (DISA).