Project

MODA: op modellen gebaseerde gegevensanalyses

Acroniem
MODA
Code
180L91A18
Looptijd
01-01-2018 → 30-09-2020
Financiering
Gewestelijke en gemeenschapsmiddelen: divers
Onderzoeksdisciplines
  • Engineering and technology
    • Electronics
Trefwoorden
data analyse
 
Projectomschrijving

Het doel van dit project is het ontwikkelen van methodes, tools en richtlijnen (het instrumentarium) om het bouwen van een 'digitale tweeling' van een cyber-fysisch systeem mogelijk te maken. De digitale tweeling modelleert hoe KPI’s zoals outputkwaliteit, energieefficiëntie, productie-efficiëntie of beschikbaarheid verband houden met de instellingen, context en procesmetingen. Dit instrumentarium zal worden ontwikkeld voor machines die thermische en/of mechanische processen uitvoeren en moet minstens de volgende mogelijkheden bieden:

  • Gegevensverwerking van minstens 1010 scalaire gegevenspunten bestaande uit: procesmetingen, productmetingen, metingen van functionele productprestaties, machine-instellingen en contextmetingen.
  • De fysieke modellering van een keten van 10 verbonden machines, inclusief
    • Subsystemen van subsystemen,
    • onderling verbonden 1D-modellen die elektromechanische en thermodynamische energiestromen en de thermo-mechanische materiële transformatie voorstellen,
    • de mogelijkheid om verborgen variabelen en parameters te introduceren,
    • De mogelijkheid om normale en abnormale werking te identificeren.
  • Ondersteuning bij beslissingen om
    • De prestaties van machines te verbeteren door minstens drie instellingen te definiëren bij een invloed van minstens twee contextvariabelen,
    • De optimale beslissingen te definiëren voor gebeurtenissen met een waarschijnlijkheid van minder dan 10-4 per tijdsstap van gegevens.

Met dit instrumentarium zal de industrie digitale tweelingen kunnen ontwikkelen die ondernemingen in staat stellen om de prestaties van hun machines te verbeteren door hun gegevens en kernknowhow als hefboom te gebruiken. Ze zullen de instellingen voor verschillende operationele contexten kunnen optimaliseren, correctieve acties voor drift, fouten en anomalieën kunnen definiëren, extrapolaties kunnen maken van de ene naar de andere machine en de waarneembaarheid van belangrijke product-, proces- en machineparameters kunnen verbeteren. Dit zal de globale operationele efficiëntie van de machines verhogen.