TwinRotor

The TwinRotor project conducted between 2017 and 2019 aimed to create a digital twin of a rotor system. A proof of concept digital twin system was conceived during the project and a data driven machine learning model for the dynamic behaviour of the rotor was created. Further applications of similar data driven methods are virtual sensors utilizing collected data from a fleet of installed products, which can improve condition monitoring and predictive maintenance services.

Sisäänrakennetut anturit ja toimilaitteet yhdistettynä nykyaikaisiin verkosto-, pilvijärjestelmä- ja koneoppimisteknologioihin mahdollistavat valtavan teollisuustuotteiden käyttöä kuvastavan datamäärän keräämisen ja analysoimisen. Datamäärän räjähdysmäinen kasvu tarjoaa ilmiselviä mahdollisuuksia optimoida tuotteiden ja järjestelmien energiankulutus, raaka-aineiden käyttö ja laadunhallinta. Keräämällä dataa asennetuista tuotteista voidaan kehittää tilan seurantaa, ennakoivia huoltopalveluja ja muita arvoa lisääviä palveluja. 

TwinRotor-tutkimusprojektissa kehitämme rotaatioon perustuvien laitteiden toimintaa digitaalisen kaksosen avulla. Hyödynnämme teollisen internetin menetelmiä parantaaksemme tiedon kulkua laitteiston, simulaatioon perustuvien virtuaaliantureiden ja massadata-analyysien välillä. Näin saamme tietoa siitä, kuinka voimme kehittää rotaatioon perustuvien laitteiden rakennetta. Lisäksi pystymme lisäämään laitteiden toiminnallista tehokkuutta sekä parantamaan laitteilla valmistettujen tuotteiden laatua. Projektin laajempi tieteellinen tavoite on tutkia, kuinka koneoppimiseen yhdistettyjä teollisen internetin menetelmiä voidaan soveltaa erityisesti kehittyneessä konerakennustekniikassa.

Roottorijärjestelmän digitaalinen kaksonen -projektin rahoittaa Suomen Akatemia, ja se kestää vuoden 2019 loppuun saakka. Projekti toteutetaan yhteistyössä Lappeenrannan teknillisen yliopiston kanssa. 

Yhteydenotot:
Aalto-yliopiston teollisen internetin kampus
Professori Petri Kuosmanen
[email protected]