Projekt · Dnr 2020-03487 · Källa: Vinnova

Prediktering och identifiering av uppkommande fel i elsystem med maskininlärningsdrivna metoder

Koordinator
ENERYIELD AB
Projekttid
2020-12-01 till 2021-12-01 (avslutat)
Beviljat bidrag
900 000 SEK
Diarienummer
2020-03487

Beskrivning

Under projektet färdigställdes framgångsrikt en offline prototyp baserad på maskininlärning (ML) för prediktering av begynnande fel i elsystem. Förutom metod för prediktering av begynnande fel utvecklade Eneryield metoder för detektering och klassificering av anomalier, vilket är värdeskapande i sig självt men också fundamentalt för precis prediktering. Projektet har visat att ML-baserade lösningar kan bidra till ökad tillförlitlighet. Uppföljning planeras att genomföras 2022. Projektet har belyst nyttan av maskininlärning vid applicering i elnät, samt vilka förutsättningar och utmaningar som finns för detta. Arbetet ökade förståelsen kring hur olika anomalier/störningar i elnät hänger ihop, och vilka sekvenser som kan innebära att ett allvarligare fel är föreståndande. En plan för implementering och marknadsintroduktion är utstakad, och förväntade effekter för samhället blir på sikt minskade avbrott samt snabbare felavhjälpning, där minimalt med kWh går förlorade.

Öppna hos Vinnova

Hittar Vinnova inte sidan? Sök på diarienumret hos Vinnova.

Liknande

  1. HEALTH: Hazard Estimation and Analysis of Lifelong Truck Histories

    Volvo Lastvagnar Aktiebolag · 2017-10-09 · 5 000 000 SEK · Projekt

    Oplanerade stopp kan undvikas med hjälp av prediktion av felet genom kontinuerlig övervakning av fordonets hälsostatus. För att hitta mönster bakom fel i ett system som är så komplicerat som en modern lastbil, måste nya metoder för att analysera data utvecklas. HEALTH projektet syftar till att skapa…

  2. HybriDX - Hybrid feldiagnos av okända fel i industriella system

    Linköpings universitet · 2026-04-01 · 3 548 708 SEK · Projekt

    HybriDX-projektet syftar till att utveckla ett AI-baserat beslutsstöd för övervakning och feldiagnos i komplexa industriella system. Målet är att möjliggöra tillståndsbaserat underhåll i stället för tidsstyrda serviceintervall, för att minska oplanerade stopp, kostnader och miljöpåverkan. Projektet …

  3. Evolverbar artificiell intelligens för prediktivt underhåll

    Karlstads universitet · 2024-09-01 · 3 767 784 SEK · Projekt

    De mest precisa AI-baserade teknikerna för prediktivt underhåll kräver träningsdata kring, t.ex., tidigare fel på utrustning eller sparad historik kring en utrustnings hälsotrend. Den här typen av data finns sällan i tillräckliga mängder eftersom utrustning inte ska fallera. I det här projektet ska …

  4. Sverige-USA-samarbete inom AI-baserad 3D-skadediagnostik och prediktiv felanalys för kompositmaterial

    RISE RESEARCH INSTITUTES OF SWEDEN AB · 2026-01-15 · 150 000 SEK · Projekt

    Projektet etablerade ett samarbete mellan Sverige och USA mellan RISE, MIT, NASA Ames, GE Aerospace och Stanford University inom AI-driven diagnostik och prediktiv felanalys. Steg 1 bekräftade teknisk genomförbarhet, identifierade datamängder och valideringsmöjligheter och definierade två fokusområd…

  5. LoopSpeaker: Återanvändning av bilhögtalare i och utanför bil

    Stiftelsen Chalmers Industriteknik · 2022-11-01 · 466 000 SEK · Projekt

    Målet med projektet att identifiera förutsättningar och föreslå återanvändning av högtalarna i en ljudapplikation utanför bilen har uppfyllts inklusive den fysiska prototypen. Målet att undersöka hur man skapar ett effektivt cirkulärt system för högtalarna där förutsättningarna finns redan vid desig…