Grant Map EU

Przedmiotem projektu jest opracowanie technologii, które umożliwią samouczenie się systemów monitorowania i diagnostyki maszyn. Na podstawie analizy zapotrzebowania rynku stwierdzono, iż obecnie istnieje wyraźne zapotrzebowanie na samouczenie się systemów w obszarze detekcji anomalii oraz w procesie konfiguracji systemu, gdyż te dwie czynności w ramach obsługi systemów monitorowania i diagnostyki maszyn są wyjątkowo pracochłonne i kosztowne, przez co często stanowią barierę dla wdrożenia. Z drugiej strony, brak wystarczającej uwagi w analizie danych lub w konfiguracji systemu, np. podczas ustawiania progów alarmowych, często obniża efektywność systemu, znacznie poniżej oczekiwań. W projekcie zostanie zbadana rzeczywista przydatność różnych metod znanych ogólnie jako "Data Science" ze szczególnym uwzględnieniem metod uczenia maszynowego. Opracowane algorytmy zostaną następnie zaadoptowane do implementacji w środowiskach wbudowanych, a w przypadku urządzeń bezprzewodowych, dodatkowo zoptymalizowane pod względem zużycia energii. Jednym z najbardziej pracochłonnych zadań będzie badanie efektywności wykonywania poszczególnych etapów samouczenia na kolejnych poziomach systemu, tj. zasadności wykonywania kolejnych zadań systemu na przetworniku, na bramie sieciowej, na jednostce akwizycji oraz w jednostce centralnej, np. w chmurze. Moduły samouczące w systemach monitorowania są obecnie najbardziej pożądane przez duże koncerny energetyczne i petrochemiczne ze względu na potrzebę oceny stanu technicznego setek, bądź nawet tysięcy podzespołów przy jednoczesnym wymaganiu minimalnego nakładu pracy na skonfigurowanie oraz obsługę systemu. Dzięki wieloletniemu doświadczeniu w zakresie projektowania i wdrażania systemów monitorowania i diagnostyki maszyn w kraju i za granicą, Lider posiada rozległą wie