Hovedfokus for dette projekt var tilstandsovervågning (CM) af aksialstempelpumper (APP’er), som i modsætning til andre maskintyper har fået langt mindre opmærksomhed både inden for forskning og i industrien. Ikke desto mindre anvendes APP’er i vid udstrækning i adskillige kritiske industrielle anvendelser og udgør en betydelig investering. De barske driftsforhold og tunge belastninger gør disse systemer meget sårbare over for skader. Derfor kan udviklingen af meget følsomme og responsive CM-algoritmer potentielt medføre betydelige besparelser i drift og vedligeholdelse.
Maskinlæringsbaserede (ML) CM-metoder tilbyder lovende muligheder for skadesdiagnose; deres ydeevne afhænger dog af, om der er tilstrækkelige træningsdata til rådighed. Hovedformålet med dette projekt er at udvikle højpræcise finite element-modeller (FEM'er) til at skabe såkaldte »digitale tvillinger« af APP'er. Disse digitale tvillinger anvendes som generatorer af syntetiske data til forskellige skadescenarier og understøtter dermed træning og validering af ML-baserede CM-algoritmer.
Projektet er finansieret af Innovationsfonden Danmark.
Maskinlæringsbaserede (ML) CM-metoder tilbyder lovende muligheder for skadesdiagnose; deres ydeevne afhænger dog af, om der er tilstrækkelige træningsdata til rådighed. Hovedformålet med dette projekt er at udvikle højpræcise finite element-modeller (FEM'er) til at skabe såkaldte »digitale tvillinger« af APP'er. Disse digitale tvillinger anvendes som generatorer af syntetiske data til forskellige skadescenarier og understøtter dermed træning og validering af ML-baserede CM-algoritmer.
Projektet er finansieret af Innovationsfonden Danmark.