TOKYO den 10 december 2025 – Mitsubishi Electric Corporation (TOKYO: 6503) meddelade idag att man har utvecklat en fysikinbäddad AI¹ som med hög noggrannhet, med hjälp av minimala träningsdata, kan beräkna utrustnings slitage. Tekniken är ett utfall av satsningen på neurofysisk AI² inom företagets AI-program Maisart^®3, med tonvikt på tillförlitlighet och säkerhet i den fysiska världen. Grundat på Mitsubishi Electrics stora kunnande inom utveckling av utrustningar utnyttjas för optimering av produktionsanläggningens resurser för bibehållen produktivitet och kvalitet samt minskade underhållskostnader.

I den japanska tillverkningssektorn används i allt högre grad sofistikerad produktionsutrustning i en tid då landets åldrande och krympande befolkning gör att det finns allt färre erfarna underhållstekniker i landet. Samtidigt ökar efterfrågan på lösningar för förebyggande underhåll som kan förutsäga utrustningars slitage för att det ska kunna åtgärdas i rätt tid, då fortsatt användning av defekt utrustning kan leda till haveri eller kvalitetsbrister. I konventionellt förebyggande underhåll replikeras ofta utrustningars funktion med matematiska modeller eller simuleringar för beräkning av slitage. Med detta angreppssätt krävs dock att specialister på de fysiska systemen utformar mekanismer för detektering av slitage, vilket betyder omfattande arbetskostnader. För att angripa detta problem börjar man nu beräkna slitage genom träning av AI-modeller med operativa data. För detta krävs i de flesta fall stora datamängder för att täcka alla tänkbara driftsmönster, variationer mellan enheter och installationsmiljöer, samt omskolning när förhållanden förändras, vilket hindrar den praktiska implementeringen av AI för att beräkna utrustningens slitage.

Som svar på detta har man vid Mitsubishi Electrics IT-forskningscenter i Kamakura i den japanska prefekturen Kanagawa och Mitsubishi Electric Research Laboratories, Inc. i Cambridge, Massachusetts i USA utvecklat en AI som är ”förtränad” med teoretiska samband för enheters fysiska funktion, varigenom AI kan lära sig enhetens förväntade beteende och egenskaper i förväg. Genom att en liten mängd mätdata som representerar variationen mellan komponent- och miljöförhållanden därefter tillhandahålls, kan AI göra en noggrann beräkning av slitaget. När en fysikmodell bäddades in i AI låstes viktningen⁴ mellan modell och mätdata med de tidigare metoderna, vilket gjorde det svårt att optimera olika komponenter eller miljöer. Med den nya tekniken kan AI justera dessa parametrar dynamiskt, vilket ger beräkningar med högre noggrannhet och högre användbarhet.

Följaktligen kan denna nya teknik förhindra större utrustningsfel och minska behovet av reservdelsbyten vid tillverkningsanläggningar, vilket bidrar till minskade underhållskostnader samtidigt som produktiviteten och produktkvaliteten bibehålls.