Προκειμένου να πραγματωθούν οι καινοτομίες και να επιλυθούν τα προβλήματα που τέθηκαν, οι στόχοι του ΣΥΣΣΩΡΕΥΤΗ είναι:

• Στόχος 1: Εγκατάσταση δικτύου αισθητήρων παραγωγής και ενσωμάτωση στη γραμμή παραγωγής. Με βάση τις προδιαγραφές και τους περιορισμούς της γραμμής παραγωγής θα επιλεγούν αισθητήρες που θα ενσωματωθούν στη γραμμή παραγωγής. Αυτοί θα περιλαμβάνουν οπτικές κάμερες για τη καταγραφή των μονωτικών περιβλημάτων, 3Δ σαρωτής για τον έλεγχο των διαστάσεων, 2 αισθητήρες ενεργειακής κατανάλωσης και 2 αισθητήρες δονήσεων. Θα αναπτυχθεί το απαραίτητο λογισμικό για τη λήψη δεδομένων και όπου αυτό απαιτείται τον συγχρονισμό της καταγραφής με το στάδιο παραγωγής. Για παράδειγμα η οπτική κάμερα που θα καταγράφει το κάτω τμήμα του μονωτικού περιβλήματος θα συγχρονιστεί με την κίνηση του μηχανικού άρπαγα που μετακινεί το αντίστοιχο στοιχείο μόλυβδου.
• Στόχος 2: Ανάπτυξη ενδιάμεσου λογισμικού (middleware) για την συλλογή δεδομένων και τη διαχείριση του δικτύου αισθητήρων. Για τη υλοποίηση ενός IoT δικτύου αισθητήρων εκτός της εγκατάστασης τους απαιτείται η υλοποίηση ενδιάμεσου λογισμικού που θα αναλάβει την διασύνδεση και έλεγχο τους από ένα ενιαίο περιβάλλον και θα ανακατευθύνει τα συλλεγόμενα δεδομένα στα κατάλληλα τεχνολογικά αρθρώματα (πχ νευρωνικά δίκτυα, οπτικές διεπαφές κλπ). Παράλληλα τα δεδομένα από τους αισθητήρες θα αποθηκεύονται σε μη σχεσιακή βάση δεδομένων
• Στόχος 3: Διερεύνηση και ανάπτυξη τεχνικών εις βάθους μάθησης για τον εντοπισμό κατασκευαστικών ατελειών και την αυτοματοποίηση των διαδικασιών ποιοτικού ελέγχου. Θα μελετηθούν και αναπτυχθούν συνελικτικά νευρωνικά δίκτυα που με βάση τα δεδομένα από τις κάμερες ή τον 3Δ σαρωτή θα κατηγοριοποιούν το κάθε στοιχείο ως ελαττωματικό ή κατάλληλο προς συναρμολόγηση. Έμφαση θα δοθεί στην αυτοματοποίηση της επανεκπαίδευσης ώστε να είναι εφικτή ή συνεχής αναβάθμιση των δικτύων αξιοποιώντας δεδομένα που συλλέγονται στη διάρκεια του έργου.
• Στόχος 4: Ανάλυση δεδομένων από αισθητήρες μηχανών με χρήση εις βάθους μάθησης για την πρόβλεψη μηχανολογικών βλαβών και την προληπτική συντήρηση τους. Για την εκτίμηση την κατάστασης του μηχανολογικού εξοπλισμού και την πρόγνωση πιθανών βλαβών θα χρησιμοποιηθούν αναδρομικά νευρωνικά δίκτυα για την επεξεργασία των δεδομένων από τους αισθητήρες παραγωγής. Για την εκπαίδευση των δικτύων θα αξιοποιηθούν παρελθοντικά δεδομένα από τη βάση δεδομένων που θα υλοποιηθεί και θα δοθεί έμφαση στις χρονικές περιόδους πριν από βλάβες ώστε να μπορέσουν να μοντελοποιηθούν πιθανές συσχετίσεις μεταξύ αισθητηριακών δεδομένων και βλαβών.
• Στόχος 5: Ανάπτυξη διεπαφών χρήστη για την οπτικοποίηση των αλγοριθμικών αποτελεσμάτων και υλοποίηση μηχανισμού ειδοποιήσεων. Για την τελική επικοινωνία με τον χρήστη θα υλοποιηθούν διαδικτυακές διεπαφές που θα οπτικοποιούν τα αποτελέσματα του ποιοτικού ελέγχου καθώς και κρίσιμες ειδοποιήσεις για πιθανές βλάβες. Επίσης, ο χρήστης θα μπορεί να εξετάσει τα πρωτογενή δεδομένα και να τα επισημειώσει. Τα επισημειωμένα δεδομένα θα χρησιμοποιούνται για την εκπαίδευση των αντίστοιχων μοντέλων εις βάθους μάθησης. Για το σκοπό αυτό θα εγκατασταθούν τερματικοί σταθμοί του συστήματος στο σημείο όπου γίνεται ο ποιοτικός έλεγχος.
• Στόχος 6: Επικύρωση του συστήματος και ενσωμάτωση στην γραμμή παραγωγής της Sunlight Group Συστήματα Αποθήκευσης Ενέργειας κατά την πιλοτική εφαρμογή του. Τελικός στόχος του έρχου είναι η ολοκλήρωση όλων των επιμέρους αρθρωμάτων και σε μία ενιαία πλατφόρμα που θα επικυρωθεί μέσω της πιλοτικής εφαρμογής της στη γραμμή παραγωγής της SUNLIGHT Group. Θα αξιολογηθεί το σύστημα ως προς ποσοτικούς δείκτες απόδοσης και αποδοχής από τους χρήστες ενώ θα αποτιμηθεί η βιομηχανική προοπτική του για την ενσωμάτωση του στις υπόλοιπες βιομηχανικές εγκαταστάσεις της SUNLIGHT Group.