Omdat bedrijven hun machineparken steeds meer en beter controleren, verwerken ze steeds meer data in de egde of cloud. Jammer genoeg is dit proces duur en inefficiënt. In een vorig project (INCADD) toonden we al aan dat datareductie voor één apparaat mogelijk is via een intelligent edge-cloudraamwerk. Dit trekken we nu door naar het volledige machinepark. We bereiken verdere datareductie en flexibel onderhoud door de data op fleetniveau te verwerken door randapparaten van elkaar te laten leren.
Project doelstelling
Via dit project implementeren we het 'leren tussen randapparaten' met behulp van zelfondersteunde modellen voor machine learning. Met deze aanpak kunnen apparaten hun werking en conditie zelf op een slimme manier monitoren. Het uiteindelijke doel is om voorspellend onderhoud van het machinepark mogelijk te maken. Hierbij minimaliseren we de data-uitwisseling tussen de randapparaten en de cloud. Zo verbeteren we de efficiëntie, snelheid en 'latency' zonder dat we daarvoor grote hoeveelheden data naar de cloud moeten sturen.
Wil je ook graag deelnemen aan dit project?
INFLEET_IRVA is een industrieel onderzoeksproject. We zijn op zoek naar bedrijven die deel willen uitmaken van de gebruikersgroep en met ons willen samenwerken om het project te valoriseren.
Interesse? Vul dan onderstaand formulier in en we contacteren je zo snel mogelijk.
