Project

MULTISCALE - Transformer gebaseerd raamwerk voor het integreren en interpreteren van multimodale data op verschillende ruimte- en tijdschalen in mechatronische systemen

Acroniem
MULTISCALE
Code
180F6724
Looptijd
01-09-2025 → 31-08-2029
Financiering
Gewestelijke en gemeenschapsmiddelen: divers
Overige informatie
Onderzoeksdisciplines
  • Engineering and technology
    • Control engineering
    • Mechanical drive systems
    • Numerical modelling and design
    • Kinematics and dynamics
    • Physical system modelling
    • Sensing, estimation and actuating
    • Signals and systems
    • Signal processing not elsewhere classified
Trefwoorden
systeemidentificatie regeltechniek mechatronica hybride fysisch-gebaseerde data-gedreven modellen hybride AI transformers robotica machines onzekerheden multimodale sensor interpretatie
 
Projectomschrijving

MULTISCALE zal een geavanceerd raamwerk ontwikkelen voor het analyseren, samenvoegen en interpreteren van multischalige data, waarmee kritieke uitdagingen in industriële sectoren zoals productie worden aangepakt. Deze industrieën kampen vaak met productiviteitsverlies door moeilijkheden bij het synchroniseren en combineren van gegevens met verschillende frequenties en modaliteiten (bijv. tijdreeksen versus camerabeelden), wat effectieve onderhoudsmaatregelen belemmert en leidt tot ongeplande stilstand. Het project heeft als doel om bruikbare inzichten te bieden door data efficiënt te integreren over verschillende tijdschalen, en om te gaan met intermitterende of ontbrekende gegevens — essentieel voor het optimaliseren van mechatronische systemen en productieprocessen.

Het raamwerk is gebaseerd op het aandachtmechanisme van transformers, een architectuur die onafhankelijk is van de modaliteit en ideaal is voor het leren van langetermijnrelaties tussen sensorgegevens (bijv. seizoensinvloeden, degradatiedynamiek) in vergelijking met andere geavanceerde technieken. Dit maakt het uitermate geschikt voor het combineren van multischalige data. Om het volledige potentieel van het raamwerk in een industriële context te benutten, zullen we het uitbreiden met fysisch-gebaseerde modellen en deskundige inzichten. Deze aanpak stelt het raamwerk in staat om effectief te functioneren in omgevingen met weinig data, waarbij de noodzaak voor handmatige voorbewerking en feature engineering wordt verminderd, terwijl een hoge voorspellingsnauwkeurigheid behouden blijft.

Bovendien maken de op aandacht gebaseerde lagen van de transformer het mogelijk om de acties van het raamwerk te interpreteren en relaties tussen verschillende sensoren te visualiseren, wat leidt tot inzichten op meerdere schalen binnen het systeem. Via transfer learning-methoden zullen we onderzoeken hoe de overdraagbaarheid van vooraf getrainde transformers naar vergelijkbare systemen of onbekende bedrijfsomstandigheden vergemakkelijkt kan worden, wat het leerproces versnelt en de databehoefte verder vermindert. MULTISCALE zal het potentieel van transformers benutten voor industriële toepassingen door multirate-, multimodale en intermitterende data efficiënt samen te voegen en bruikbare inzichten te bieden, zoals het ontdekken van multischalige afhankelijkheden en het detecteren van afwijkend gedrag, om zo de systeemprestaties, efficiëntie en productkwaliteit te verbeteren.