Distribuert maskinlæring på PLS-nivå

Offentlig prosjektsammendrag

Bakgrunnen for prosjektet er å redusere nedetid og havari i sentrale komponenter i f.eks. vannkraftanlegg, vindturbiner og drivlinjer på skip. Felles for eksemplene er at dette er kritisk infrastruktur som gjerne er i en avsidesliggende lokasjon med dårlig, eller ingen tilgang til nettverk for kommunikasjon av store datamengder. Sensorer for overvåking av komponentenes tilstand har liten kapasitet til lagring og prosessering av data og tunge modeller for å beregne prediktivt vedlikehold krever enten betydelig lokal regnekraft, eller overføring av store datamengder til sky, eller en sentral server. Distribuert maskinlæring er et konsept for å utnytte den samlede regnekraften til lokale sensorer, såkalte EDGE-enheter, til å trene og kjøre tunge maskinlæringsmodeller på store datamengder lokalt. Kun kritiske parametre for status og avvik kommuniseres til sentrale kontrollsystemer. Det foregår for tiden mye forskning på området og Step Solutions deltar i et treårig europeisk initiativ med 50 partnere støttet av Horizon 2020 for å styrke europeisk industri i konkurranse med amerikansk og kinesisk dominans på området. Som en del av DAIS – Distributed Artificial Intelligent Systems skal vi sammen med de to norske partnerne Jotne EPM og Expert Analytics utforske spesielt metoder og modeller for ikke-invasive sensorer med høyfrekvente data, som lyd og vibrasjoner. Metodene, modellene og kunnskapen skal brukes til å utvikle nye produkter for prediktivt vedlikehold i industrien, samt bidra til økt kunnskapsdeling og internasjonalt samarbeid med resten av partnerne i DAIS.