Spåkulan som ska få fordonen att leva längre
Tony Lindgren är forskare på Institutionen för data- och systemvetenskap vid Stockholms universitet. Tillsammans med forskare på Linköpings universitet, KTH och ingenjörer på Scania undersöker han hur man kan använda maskininlärning för att beräkna slitage och livslängd på olika komponenter. I och med att fordon, lätta som tunga, blir allt mer digitaliserade genererar de också en mängd data man kan använda för att förutse när komponenter börjar sjunga på sista versen. När projektet avslutas i december 2024 är målet att ha tagit fram bättre datadrivna modeller som kan förutsäga mekaniska komponenters slitage. Med andra ord en sorts modern spåkula.
– Vi har gått från rent mekaniska fordon till mekatroniska där du har mekanik som styrs av elektronik. Du har också massor av datorer och mjukvara som styr saker. Den mjukvaran behöver sensorer för att till exempel veta om ett fönster är fullt uppe eller nere så man vet när motorn ska sluta köras, säger Tony Lindgren.
Han förklarar att det är något som de använder sig av i forskningen. De kollar på hur systemen i fordonen mår och samlar in data för att på så vis kunna bygga en modell som kan förutspå den framtida hälsostatusen.
– Då tittar man ofta på en stor fordonsflotta där man får statistik och felutfall för till exempel en viss komponent.
Då kan man introducera en modell som säger att efter fyra och ett halvt år ska du byta startmotorn på de här modellerna eftersom de gick sönder efter fem. För man vill utnyttja komponenterna till sin maximala livstid innan de fallerar. Tony Lindgren, Stockholms Universtitet
Tony Lindgren tar en startmotor som exempel och förklarar; på ett fordon sitter det en viss typ av startmotor. Man tittar på fordonsflottan som har startmotorn och kollar på hur länge den håller. Beroende på vad som mäts går det att titta på antal år, kilometer, driftstimmar eller annat.
– Då får vi en ganska bra bild. Om det är tusen fordon och efter fem år har kanske tio procent, hundra bilar, bytt motor för den har fallerat. Det är en väldigt enkel statistisk modell men grunden för mycket.
Genom den typen av statistik kan det undersökas om det finns med vissa faktorer som gör att en del komponenter slits snabbare utifrån vissa livsförhållanden.
– I ett nordiskt klimat kanske startmotorn måste gå längre tid på grund av kylan, jämfört med om du är nere vid Medelhavet. Något som gör att de slits mer och tappar i livslängd. Det är den typen av mer sofistikerade modeller man försöker göra med alla de här sensorerna som finns. För då kan du mäta omgivningen och vilken påverkan det har på systemet.
Utöver att titta på insamlad data kan man även observera system i realtid. Något som enligt Tony Lindgren blir allt vanligare. Han förklarar att man då har en modell över ett normalt fungerande system som man bevakar och fångar upp avvikelser när de sker.
– Du kanske spelar in allt också. Det kommer säkert bli ännu vanligare i och med de autonoma fordonen och något som vi gör redan i dag. Där blir det ett sorts rullande fönster där allt är sparat bakåt. Händer det något som är intressant har man historiken och kan återskapa vad som skett.
Informationen som fås ut kan också användas i preventivt syfte för att exempelvis åkerier ska slippa så mycket oplanerad nedtid som möjligt. Att man enbart åker in med bilen till verkstaden när det är inlagt i kalendern att den ska göra det.
– Då kan man introducera en modell som säger att efter fyra och ett halvt år ska du byta startmotorn på de här modellerna eftersom de gick sönder efter fem. För man vill utnyttja komponenterna till sin maximala livstid innan de fallerar.
Att byta en komponent i förtid kan dock ha sina nackdelar påpekar Tony Lindgren. För det kan vara svårt att avgöra att man har utnyttjat kapaciteten till det allra yttersta.
– Det tittar vi på nu. Hur kan man undersöka den här problematiken och agera så att man inte får något som kostar för mycket.
Genom den insamlade datan kan verkstäderna även förbereda sig bättre när fordonen rullar in. Detta är något som kommer mer och mer i och med telematik där fordonen är uppkopplade och pratar med både verkstäder och serviceenheter.
Exakt hur AI kommer användas på verkstadsgolvet är dock svårare att sia om menar Tony Lindgren. Han lyfter dock verktyg som smarta glasögon, AR (augmented reality) och digitala tvillingar som sätt att få ännu bättre överblick av det fordon man har framför sig.
AI som diagnosverktyg behöver också bli bättre i takt med att fordonen blir mer självgående menar Tony Lindgren. Detta kräver många fler sensorer jämfört med de som sitter i dagens system.
– Det betyder att du kommer ha mycket mer data att skapa de här modellerna ifrån. Jag skulle tro att de blir bättre på att peka ut faktiska fel. Det hänger ihop med att du får mer datorer i hela kedjan som kan övervaka. Då blir informationen också bättre och träffsäkrare.
RAPIDS och maskininlärning
RAPIDS är ett forskningsprojekt som drivs av bland annat Stockholms universitet, Linköpings universitet, KTH och Scania.
Projektet började januari 2022 och är planerat att pågå till december 2024 med en total budget på 19,4 miljoner svenska kronor.
Det huvudsakliga syftet med projektet är att utveckla maskininlärningsmodeller baserade på ökad tillgänglighet av strömmade, loggade data från fordon samt integrering av modellerna i beslutsprocesser för underhåll.
Projektmedlemmarna undersöker hur man ska uppskatta osäkerheten i prediktioner för att kunna ta bra och säkra individuella beslut. Till det tittar man på hur ny information kan återkopplas till modellerna för att i långa loppet kunna förbättra prestanda och prediktionsförmåga.
I det tidigare projektet CODA användes datadriven metodik för att beräkna komponenters hälsostatus i ett fordon med en specifik användningshistorik och konfiguration.
Källa: Stockholms universtitet