allmän projektbild

Projekt: Predictive Cognitive Maintenance Decision Support system (PreCoM)

Detta projekt syftar till att i tre demonstrationsföretag utveckla, testa, implementera och demonstrera ett nytt prediktivt underhållssystem med intelligens och självinlärning. Målet är att minska haverier och onödiga stopp, optimera underhållsmässighet, samt öka maskinernas tillgänglighet och tillförlitlighet på ett kostnadseffektivt sätt.

Fakta om projektet

Projektledare
Basim Al-Najjar
Övriga projektmedlemmar vid Linnéuniversitetet
Francesco Barbabella, Hatem Algabroun
Deltagande organisationer
17 organisationer från sex europeiska stater: Linnéuniversitetet (Sverige), E-maintenance Sweden AB (Sverige), Paragon (Grekland), Savvy Data Systems (Spanien), Vertech Group (Frankrike), Bosch (Tyskland), Soraluce S.Coop (Spanien), Sakana S.Coop (Spanien), Overbeck GmbH (Tyskland), Spinea s.r.o. (Slovakien), Gomà-Camps S.A.U. (Spanien), Lantier S.L. (Spanien), Ideko S.Coop (Spanien), Commissariat à l'énergie atomique et aux énergies alternatives (Frankrike), Consorcio Instituto Tecnológico de Matemática Industrial (Spanien), Technische Universität München (Tyskland), Technische Universität Chemnitz (Tyskland)
Finansiär
Horizon 2020, FoF 09
Tidsplan
1 nov 2017-31 okt 2020
Ämne
Systemekonomi (institutionen för maskinteknik, fakulteten för teknik)
Webbplatser
www.precom-project.eu
https://twitter.com/PreCoM_Project
 

Basim Al-Najjar, professor i systemekonomi och projektledare, presenterar projektet PreCoM
En animerad film berättar mer om vad projektet PreCoM går ut på

 

Mer om projektet

Billigare och kraftfullare sensorer, tillsammans med big data-analys, erbjuder en oöverträffad möjlighet att spåra verktygsmaskiners prestanda och hälsotillstånd. Tillverkarna lägger dock bara 15 % av sina totala underhållskostnader på förutsägande (kontra reaktiva eller förebyggande) underhåll.

Projektet kommer att utveckla och testa ett förutsägande, kognitivt beslutsstödssystem för underhåll som ska kunna identifiera och lokalisera skador, bedöma skadors svårighetsgrad, förutsäga framväxandet av skador, bedöma produktens återstående livstid, minska sannolikheten för falsklarm, ge mer exakt felidentifiering, utfärda meddelanden om att genomföra nödvändiga underhållsåtgärder, samt slutligen minska tiden för underhåll hos maskinerna med minst 10 %.

Plattformen innehåller fyra moduler:

  1. En modul för datainsamling som utnyttjar såväl externa sensorer som sensorer inbyggda direkt i verktygsmaskinens komponenter.
  2. En artificiell intelligens-modul som kombinerar fysikaliska modeller, statistiska modeller och algoritmer för maskininlärning som kan spåra individuella hälsotillstånd och som stödjer en stor uppsättning av maskiner och dynamiska driftvillkor.
  3. En säker integreringsmodul som ansluter plattformen till system för produktionsplanering och underhåll via ett privat moln och tillhandahåller ytterligare säkerhet och förmåga till självlagning och självinlärning.
  4. En modul för gränssnittet mot människa inklusive instrumentpaneler i produktionen och förstärkt verklighets-gränssnitt för att underlätta underhållsuppgifter.

Konsortiet inkluderar tre fabriker för slutprodukter, tre leverantörer av verktygsmaskiner, en ledande leverantör av komponenter, fyra innovativa små och medelstora företag, tre forskningsorganisationer och tre akademiska institutioner. Tillsammans kommer vi att verifiera plattformen i ett brett spektrum av verkliga industriella scenarier (låg volym, hög volym och kontinuerlig tillverkning). Vi kommer också att visa de direkta effekterna av plattformen på underhållsmässighet, tillgänglighet, säkerhet och kostnader, för att dokumentera resultaten i detaljerade affärsidéer som kan spridas och utnyttjas brett inom industrin.

Medarbetare