Gå till eugreenalliance
Sök

Muhammad Hassan

Doktorand i elektroteknik

E-post: muhammad.hassan@hig.se
Telefon: 026-64 85 00 (växel)

Mitt forskningsämne är "Reliable Predictive Maintenance for Real-Time decision support", och forskningsplanen är att implementera prediktiva underhållsstrategier på verkliga industriella processer under PRUNUS-projektet (Predictive Maintenance from a system perspective).

Prediktivt underhåll

Industriellt underhåll hjälper till att fortsätta driva processen, som består av olika maskiner, verktyg och komponenter. Det finns olika sätt, men de två dominerande är korrektiv och förebyggande underhåll. På ett korrektiv sätt utförs aktiviteter när oväntade fel inträffar i driftsprocessen och behöver omedelbara åtgärder för att starta processen. Förebyggande underhåll används ofta, där planerade aktiviteter utförs för att hålla processen funktionell, men det kostar högt och minskar maskinens tillgäng­lighet på grund av periodiskt underhåll. Prediktivt underhåll framträder som en möjlig lösning, det syftar till att förutsäga underhållsbehov genom kontinuerlig analys av processen. Detta kan bidra till att minimera underhållskostnaderna, förhindra oväntade fel och utöka maskin tillgänglighet.

Datainsamling och digitala tvillingar

Forskningen är baserad på Big Data som samlats in från industriella processer. Utveckling av Digital Twin-modeller och nya metoder tillsammans med signalanalys och processkunskap. Dessa kommer att ske off-line och först verifieras mot historiska data för att säkerställa en realistisk återspegling av industriella maskiner och verktyg. När den tvilling modellen / metoden lyckas kommer den att köras parallellt med realtids­processen. Senare kommer den utvecklade metoden att spendera ytterligare för global optimering av system när det gäller underhåll.

Senaste publikationerna

Publicerad av: Camilla Haglund Sidansvarig: Gunilla Mårtensson Sidan uppdaterades: 2022-04-01
Högskolan i Gävle
www.hig.se
Box 801 76 GÄVLE
026-64 85 00 (växel)