SPM Instrument i projektsamarbete kring industriellt underhåll med AI och maskininlärning
SPM Instrument har ingått ett projektsamarbete med bland andra Mälardalens Universitet för att utveckla en ny typ av system för AI-baserad prediktion av maskiners driftskondition, som kan bidra till effektivare underhållsarbete inom svensk industri. Projektet CPMXai bedrivs inom ramen för Produktion2030, som koordineras av Teknikföretagen med bidragsfinansiering genom Vinnova.
Innovation och forskning för hållbar tillväxt inom svensk industri
Sveriges innovationsmyndighet Vinnova, som också är regeringens expertmyndighet inom det innovationspolitiska området, har i uppdrag att stärka landets innovationsförmåga för att bidra till hållbar tillväxt. Myndigheten stimulerar samarbete och innovationskraft och ger olika aktörer möjlighet att experimentera och testa nya idéer – allt i syfte att underlätta omställningen mot en hållbar framtid.
Vinnova satsar årligen ca tre miljarder kronor på forskning och innovationsprojekt. Det sker i huvudsak genom utlysningar där företag och organisationer kan söka finansiering – bland annat genom det strategiska innovationsprogrammet Produktion2030 som stöds av Vinnova, Energimyndigheten och Formas. Inom ramen för detta program utlystes 41 miljoner kronor under 2021.
Hållbarhet som drivkraft för att lösa utmaningar
Mot bakgrund av de globala hållbarhetsmålen i Agenda 2030 är målet för innovationsprogrammet Produktion2030 att skapa en nationell bas av forskning, innovation och utbildning för att säkerställa konkurrenskraften i svensk industri 2030.
Produktion2030 utgår från sex långsiktiga utmaningar för den svenska tillverkningsindustrin. Med målet att svensk tillverkningsindustri ska vara hållbar och konkurrenskraftig arbetar industri, akademi och forskningsinstitut, med stöd av programmet, för att möta dessa utmaningar.
Virtuell produktionsutveckling – en utmaning för svensk industri
En av de utmaningar som Produktion2030 definierat är ”Virtuell produktionsutveckling”, som rör sig om omvandling av information och data till kunskap och beslutsstöd i virtuella och fysiska produktionssystem. Inom detta utmaningsområde har forsknings- och innovationsprojektet CPMXai*) tilldelats ca 6 miljoner kronor för att under tre år utveckla en digital tvilling – en kopia i datormiljö – av en utvald maskin i produktionsmiljö. Mätdata från den verkliga maskinen gällande aktuell driftskondition ska implementeras på den digitala tvillingen i syfte att utveckla ett nytt, automatiskt verktyg för märkning av konditionsdata, som i sin tur kommer att ligga till grund för ett självövervakande, självlärande och självförklarligt system för prediktion av maskinkondition.
SPM bidrar med sensorer, mätsystem och mjukvara för insamling av konditionsdata från den maskin som kommer att ligga till grund för den digitala tvillingen. Vidare står SPM för konfiguration av lämpliga mätuppdrag för den aktuella maskinen samt kunskap gällande integration av mätdata till andra system.
Johan Nilsson, CTO på SPM Instrument, om projektet: ”SPM satsar varje år stora resurser på egen forskning och utveckling inom industriell tillståndskontroll. Vårt deltagande i det här spännande projektet är en möjlighet för oss att stärka och utveckla vårt samarbete med universitetet och våra andra projektpartners, där vi också kan lära av varandra. Projektet ligger väl i linje med vår ambition att fortsätta utvecklingen av maskininlärning och AI i våra lösningar. Vi ser en stor potential i att effektivisera industriellt underhåll och lyfta fram tillståndskontroll som ett effektivt verktyg för ökad hållbarhet inom industrin med hjälp av lättillgänglig och lättförståelig AI.”
Projektkonsortiet för CPMXai består av Mälardalens Universitet (MDU) som koordinator, Hitachi High-Tech Europe GmbH, Adopticum, Nordic Electronic Partner (NEP), GKN Driveline Köping AB, RISE Research Institutes of Sweden AB, och SPM Instrument.
*) ”Cognitive Predictive Maintenance and Quality Assurance using EXplainable AI and Machine Learning”; på svenska ”Kognitivt förutsägbart underhåll och kvalitetssäkring med förklarlig AI och maskininlärning”.