Den centrale innovation er adaptive analyser, der automatisk lærer en maskines sunde basislinje under normal drift, fortsætter med at tilpasse sig, når driftsforhold ændrer sig, og knytter et konfidensniveau til hver alarm. Ved at kombinere selvlæring med usikkerhedskvantificering forventes systemet at reducere falske alarmer og generende alarmer, understøtte målrettet vedligeholdelse og bidrage til længere levetid og højere oppetid. Løsningen er desuden designet til at understøtte robuste cybersikkerheds- og compliance-krav ved, at kun aggregerede eller forbehandlede data forlader stedet, i tråd med kravene i EU’s NIS2-direktiv (Direktiv (EU) 2022/2555 om netværks- og informationssikkerhed).
Projektet gennemføres i et samarbejde mellem forskning og industri og vil blive valideret i relevante driftsmiljøer. Leverancerne omfatter (i) en dokumenteret metode til driftssikker CBM baseret på elektriske signaler, (ii) valideringsprotokoller og nøgleindikatorer for alarmkvalitet og oppetid, (iii) en demonstreret edge-nær implementering, samt (iv) en klar plan for produktificering og udbredelse i industrielle løsninger. Samlet set forventes projektet at reducere hardwarebehov, datatrafik og energispild og dermed give både økonomiske og grønne gevinster.
