Abstract: Syfte och mål: Undersöka hur fordons status kan förutsägas genom insamling och analys av data i befintliga system samt data i fordon under drift. Undersöka hur uptime-tjänster och affärsmodeller kan utvecklas genom genom bättre kunskap kring fordons hälsostatus och faktiskt utnyttjande. Undersöka om fordonsunderhåll kan påverka trafiksystemets hållbarhet när det gäller flöde, skador och miljö.
Förväntade effekter och resultat: Projektet förväntas visa att insamling och analys av data från många källor av både strukturerad och ostrukturerad data kan bidra till bättre kunskap om kunder, fordonsanvändning samt att förutsäga fordonsstatus. Den ökade kunskapen förväntas kunna användas till att utveckla och anpassa tjänster och affärsmodeller. Projektet förväntas även visa på hur dessa anpassningar kan göras. Projektet förväntas också visa att positiva effekter på trafiksystemet kan uppnås tack vare förbättrat fordonsunderhåll.
Planerat upplägg och genomförande:
Projektet sträcker sig över 24 månader och konsortiet består av 5 partners inom olika expertområden inom maskininlärning, dataanalys, algoritmer, telematik, affärsmodeller etc. Nio arbetspaket delar in projektet i bl.a. projektledning, teknikutveckling, affärsutveckling och demonstration. Projektet sysselsätter också en industridoktorand på deltid under projektets 24 månader.Abstract: Objective and Goal: Investigate how vehicle status can be predicted by the collection and analysis of off-board data from existing systems and on-board data collected from the vehicle during operation. Investigate how uptime services and business models can be developed through better knowledge about vehicle health status and actual utilization. Investigate whether vehicle maintenance can affect the transport system sustainability in terms of flow, injuries and environmental impact. Result and Expected Effects: The project is expected to show that the collection and analysis of data from many sources, both structured and unstructured data, can contribute to a better understanding of customers, vehicle utilization and prediction of vehicle status. The increased knowledge is expected to be used to develop and customize services and business models and the project is expected to show how these adaptations can be implemented. Another expected result is to show that; by improving the vehicle maintenance, positive effects can be obtained on the traffic system. Approach and Implementation. The project spans over 24 months and the consortium consists of five partners in various areas of expertise such as machine learning, data analysis, algorithms, telematics, business models etc. Nine work packages divide the project in project management, technology development, business development and demonstration. The project also employs an industrial PhD student part-time over the project´s 24 months.