Feldiagnos handlar om att med hjälp av observationer, till exempel sensorsignaler, och en modell av ett tekniskt system detektera avvikelser från ett förväntat nominellt beteende.
Syftet är att generera diagnoser, dvs bestämma ifall det har inträffat ett fel i systemet och i så fall identifiera vad det är för ett fel. Prognostik handlar om att, baserat på observationer och modeller, förutse hur lång tid det är kvar innan en påbörjad degradering av systemet kommer att resultera i tappad prestanda eller ett fel. Feldiagnos och prognostik är en viktig komponent för att konstruera tillförlitliga och säkra system. Det kan till exempel handla om att kunna;
• optimera användningen och samtidigt maximera livslängden hos viktiga komponenter, så som batterier,
• övervaka komplexa och automatiska processer och aktivera felsäker styrning för att undvika olyckor,
• utveckla av olika tjänster så som prediktiv planering av service och underhåll för att minimera risken för oplanerade stopp,
• vägleda en tekniker under felsökningen för att minimera tiden i verkstaden.
Avdelningen för fordonssystems bedriver verksamhet kring feldiagnos och prognostik inom både forskning och utbildning. Forskningsverksamheten har länge forskat kring olika teoretiska frågeställningar och metodutveckling för feldiagnos, i huvudsak inom modellbaserad diagnos av olinjära system och strukturella metoder, men också inom datadriven prognostik samt hybrid feldiagnos som kombinerar fysikaliska modeller med maskininlärning.
En stor del av forskningsverksamheten inom feldiagnos och prognostik bedrivs i samarbete med olika industriella partners och har handlar om flera olika typer av diagnostillämpningar, till exempel emissionsrelaterad fordonsdiagnos, motorer, batterier, gruvmaskiner, elmaskiner, och gasturbiner.
Fordonssystem har länge varit aktiva i forskningen inom feldiagnos både av linjära och olinjära system. Ett exempel är forskningen kring användningen av strukturella metoder för att effektivt kunna analysera komplexa dynamiska modeller för sensorplacering och datorstödd design av residualer för att detektera och isolera olika typer av fel. Forskningen kring strukturella metoder för analys och design av diagnossystem för olinjära system, till exempel modellerade med hjälp av ordinära differentialekvationer eller differential-algebraiska ekvationer, har bland annat sammanställts i en toolbox (Matlab/Python).
Vid avdelningen för fordonssystem bedrivs forskning kring datadriven feldiagnos och prognostik. Syftet är att uppskatta återstående livslängd hos ett system eller komponent men också hur stora osäkerheter som finns i skattningarna för att, till exempel, kunna planera när det är bäst att genomföra service och underhåll.
Syftet är att generera diagnoser, dvs bestämma ifall det har inträffat ett fel i systemet och i så fall identifiera vad det är för ett fel. Prognostik handlar om att, baserat på observationer och modeller, förutse hur lång tid det är kvar innan en påbörjad degradering av systemet kommer att resultera i tappad prestanda eller ett fel. Feldiagnos och prognostik är en viktig komponent för att konstruera tillförlitliga och säkra system. Det kan till exempel handla om att kunna;
• optimera användningen och samtidigt maximera livslängden hos viktiga komponenter, så som batterier,
• övervaka komplexa och automatiska processer och aktivera felsäker styrning för att undvika olyckor,
• utveckla av olika tjänster så som prediktiv planering av service och underhåll för att minimera risken för oplanerade stopp,
• vägleda en tekniker under felsökningen för att minimera tiden i verkstaden.
Avdelningen för fordonssystems bedriver verksamhet kring feldiagnos och prognostik inom både forskning och utbildning. Forskningsverksamheten har länge forskat kring olika teoretiska frågeställningar och metodutveckling för feldiagnos, i huvudsak inom modellbaserad diagnos av olinjära system och strukturella metoder, men också inom datadriven prognostik samt hybrid feldiagnos som kombinerar fysikaliska modeller med maskininlärning.
En stor del av forskningsverksamheten inom feldiagnos och prognostik bedrivs i samarbete med olika industriella partners och har handlar om flera olika typer av diagnostillämpningar, till exempel emissionsrelaterad fordonsdiagnos, motorer, batterier, gruvmaskiner, elmaskiner, och gasturbiner.
Modellbaserad diagnos av komplexa system
Principerna för modellbaserad diagnos handlar om att med hjälp av en matematisk modell av systemet som ska övervakas beräkna residualer för att kunna dra slutsatser om olika feldiagnoser. För att kunna ta tillförlitliga beslut om vilka fel som har inträffat, samt minimera risken för falsklarm och missade detektioner, är det också viktigt att kunna hantera modellosäkerheter och olika typer av störningar. Möjligheten att konstruera residualer beror på vad för redundans som finns i systemet, i form av tillgängliga sensorsignaler tillsammans med en modell av systemet. En viktig fråga är då vad för typ av residualer som kan konstrueras, dvs vilken detekterbarhet och isolerbarhetsprestanda som kan uppnås.Fordonssystem har länge varit aktiva i forskningen inom feldiagnos både av linjära och olinjära system. Ett exempel är forskningen kring användningen av strukturella metoder för att effektivt kunna analysera komplexa dynamiska modeller för sensorplacering och datorstödd design av residualer för att detektera och isolera olika typer av fel. Forskningen kring strukturella metoder för analys och design av diagnossystem för olinjära system, till exempel modellerade med hjälp av ordinära differentialekvationer eller differential-algebraiska ekvationer, har bland annat sammanställts i en toolbox (Matlab/Python).
Maskininlärning för diagnos och prognostik
Datadriven feldiagnos handlar om att bygga modeller från historiska data, till exempel sensordata från olika felscenarier, för att kunna prediktera och klassificera när ett fel inträffar. Datadriven diagnos kompliceras av att det kan vara svårt att samla in representativa data från relevanta felscenarier och därför är val av datadriven modell samt analys av data viktigt för att kunna beräkna tillförlitliga diagnoser och för att kunna prediktera återstående livslängd.Vid avdelningen för fordonssystem bedrivs forskning kring datadriven feldiagnos och prognostik. Syftet är att uppskatta återstående livslängd hos ett system eller komponent men också hur stora osäkerheter som finns i skattningarna för att, till exempel, kunna planera när det är bäst att genomföra service och underhåll.
