Ziel
Cheaper and more powerful sensors, together with big data analytics, offer an unprecedented opportunity to track machine-tool performance and health condition. However, manufacturers only spend 15% of their total maintenance costs on predictive (vs reactive or preventative) maintenance.
The project will deploy and test a predictive cognitive maintenance decision-support system able to identify and localize damage, assess damage severity, predict damage evolution, assess remaining asset life, reduce the probability of false alarms, provide more accurate failure detection, issue notices to conduct preventive maintenance actions and ultimately increase in-service efficiency of machines by at least 10%.
The platform includes 4 modules: 1) a data acquisition module leveraging external sensors as well as sensors directly embedded in the machine tool components, 2) an artificial intelligence module combining physical models, statistical models and machine-learning algorithms able to track individual health condition and supporting a large range of assets and dynamic operating conditions, 3) a secure integration module connecting the platform to production planning and maintenance systems via a private cloud and providing additional safety, self-healing and self-learning capabilities and 4) a human interface module including production dashboards and augmented reality interfaces for facilitating maintenance tasks.
The consortium includes 3 end-user factories, 3 machine-tool suppliers, 1 leading component supplier, 4 innovative SMEs, 3 research organizations and 3 academic institutions. Together, we will validate the platform in a broad spectrum of real-life industrial scenarios (low volume, high volume and continuous manufacturing). We will also demonstrate the direct impact of the platform on maintainability, availability, work safety and costs in order to document the results in detailed business cases for widespread industry dissemination and exploitation.
Wissenschaftliches Gebiet
Not validated
Not validated
- natural sciencescomputer and information sciencesdata sciencebig data
- engineering and technologyelectrical engineering, electronic engineering, information engineeringelectronic engineeringsensors
- social scienceseconomics and businesseconomicsproduction economics
- natural sciencesmathematicsapplied mathematicsstatistics and probability
- natural sciencescomputer and information sciencesartificial intelligencemachine learning
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenUnterauftrag
H2020-FOF-2017
Finanzierungsplan
IA - Innovation actionKoordinator
35195 Vaxjo
Schweden
Auf der Karte ansehen
Beteiligte (16)
351 96 VAXJO
Auf der Karte ansehen
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).
111 42 ATHENS ATTIKIS
Auf der Karte ansehen
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).
20018 Donostia
Auf der Karte ansehen
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).
06000 Nice
Auf der Karte ansehen
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).
97816 Lohr
Auf der Karte ansehen
20570 Bergara
Auf der Karte ansehen
31830 LAKUNTZA
Auf der Karte ansehen
35745 HERBON
Auf der Karte ansehen
080 01 Haniska
Auf der Karte ansehen
43450 LA RIBA TARRAGONA
Auf der Karte ansehen
20400 TOLOSA
Auf der Karte ansehen
Die Organisation definierte sich zum Zeitpunkt der Unterzeichnung der Finanzhilfevereinbarung selbst als KMU (Kleine und mittlere Unternehmen).
20870 Elgoibar
Auf der Karte ansehen
75015 PARIS 15
Auf der Karte ansehen
15782 Santiago De Compostela
Auf der Karte ansehen
80333 Muenchen
Auf der Karte ansehen
09111 Chemnitz
Auf der Karte ansehen