Rapporten utforskar möjligheten till implementering av prediktivt underhåll genom maskininlärning för markfordon i svenska Försvarsmakten. Undersökningen syftade till att finna nya metoder att planera och bedriva underhåll av militära fordon. Detta baserades på en litteraturstudie där civila och militära tillämpningar av maskininlärning granskades. Därefter analyserades empirin utifrån Kent Anderssons teori om militär nytta. Analysen visar att det ur en teknologisk synpunkt skulle vara möjligt att implementera maskininlärning för prediktiva analyser av underhåll i militära fordon. Däremot tillkommer många utmaningar kopplade till datainsamling, interoperabilitet, cybersäkerhet, krav på höga kompetenser och ett behov av avancerade algoritmer. Militär verksamhet präglas även av mycket osäkerhet och fordon nyttjas i väldigt varierande miljöer. Detta försvårar omständigheterna för en AI att förutspå framtida utfall. För att prediktiva analyser skulle kunna nyttjas effektivt skulle Försvarsmakten behöva ändra sitt förhållningssätt till materielunderhåll. Vidare forskning är emellertid nödvändig för att undersöka en faktisk implementering, eller ett maskininlärningssystems fullständiga militära nytta. / This work explores the possibility of implementing predictive maintenance through machine learning for ground vehicles in the Swedish Armed Forces. The investigation aimed to find new methods for planning and carrying out maintenance of military vehicles. This was based on a literature review that reviewed civilian and military applications of machine learning. The empirical data was then analyzed based on Kent Andersson's theory of military utility. The analysis shows that from a technological point of view it would be possible to implement machine learning for predictive analysis of maintenance in military vehicles. However, there are many challenges linked to data collection, interoperability, cyber security, requirements for high skills and a need for advanced algorithms. Military operations are also characterized by a lot of uncertainty and vehicles are used in very varied environments. This makes it difficult for an AI to predict future outcomes. For predictive analyzes to become a reality, the Swedish Armed Forces would have to change their approach to maintenance. However, further research is necessary to investigate an actual implementation and the full military utility of a machine learning system.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:fhs-12437 |
| Date | January 2024 |
| Creators | Ellmén, Niclas |
| Publisher | Försvarshögskolan |
| Source Sets | DiVA Archive at Upsalla University |
| Language | Swedish |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0025 seconds