Data-driven predictive maintenance has gained significant attention in recent years, with the goal of reducing unplanned downtime and maintenance costs in the transportation industry. This thesis was developed in collaboration with Scania, a prominent player in the sector, to research ways of combining different sources of operational data to improve predictions of component faults in commercial vehicles. 

In particular, following a growing industry-wide interest for high-frequency data directly streamed from commercial vehicles, the thesis addresses the problem of using them in predictive models.

The purpose of this work is to present a framework combining commonly used low-frequency data in the form of aggregated read-outs, with these streaming signals. In order to test such approach, experiments were conducted on actual operational data linked to the NOx sensor, a critical component in the vehicle's exhaust system.

The study featured the development of separate predictive models for the two data types and the focus was on both their compatibility and their predictive performances. 

For low-frequency aggregated data, a framework for fault prediction over time windows of variable lengths was developed. Both binary classification and survival analysis were considered for this purpose.

At the same time, real-time streaming signals were treated using Gaussian Hidden Markov Models (GHMM) and Long Short-Term Memory Recurrent Neural Networks (LSTM) for task of anomaly detection. In this case, the relation between fault and anomaly also had to be characterised, and this was done on the base of observed results.

Experiments on a test vehicle suggested that low frequency data showed early signs of a failure, while anomalous patterns in the signals were clearly visible in proximity of the breakdown event. Based on this, the combined approach featured running multiple time-window models on a same low frequency data read-out while an anomaly detection model runs in the background in an on-line fashion. 

While the results are preliminary, mainly due to the limited access to the new streaming data, the framework proposed is promising. With further refinement and generalisation to more vehicles, this approach could be instrumental in developing a robust maintenance decision policy for various truck components.

Datadrivet prediktivt underhåll har fått stor uppmärksamhet de senaste åren, med målet att minska oförutsedda driftstopp och underhållskostnader inom transportindustrin. Detta examensarbete har utvecklats i samarbete med Scania, en framstående aktör inom sektorn, för att undersöka sätt att kombinera olika källor av driftdata för att förbättra förutsägelser av komponentfel i kommersiella fordon.

I samband med ett växande bransch-intresse för högfrekvent direkt strömmande data från kommersiella fordon, behandlar denna uppsats problemet med att använda den i prediktiva modeller.

Syftet med detta arbete är att presentera ett ramverk som kombinerar vanligt använd lågfrekvent data i form av aggregerade avläsningar med dessa strömmande signaler. För att testa en sådan metod genomfördes experiment med faktiska driftsdata kopplade till NOx-sensorn, en kritisk komponent i fordonets avgassystem.

Studien presenterade utvecklingen av separata prediktiva modeller för de två datatyperna med fokus på både deras kompatibilitet samt prediktiva prestanda.

För lågfrekvent aggregerad data utvecklades ett ramverk för felaktiga prediktioner över tidsfönster av varierande längd. Både binär klassificering och överlevnadsanalys övervägdes för detta ändamål.

Samtidigt behandlades strömmande signaler i realtid med Gaussian Hidden Markov Models (GHMM) och Long Short-Term Memory Recurrent Neural Networks (LSTM) för uppgiften att upptäcka avvikelser. För detta ändamål måste även förhållandet mellan fel och avvikelse karakteriseras, vilket gjordes baserat på observerade resultat.

Experiment på ett testfordon antydde att lågfrekvent data visade tidiga tecken på fel, medan avvikande mönster i signalerna var tydligt synliga nära händelsen med haveri. Baserat på detta innebar den kombinerade metoden att köra flera tidsfönster-modeller på samma lågfrekventa dataavläsning medan en modell för avvikelse-detektering körs i bakgrunden på ett online-sätt.

Trots att resultaten är preliminära, främst på grund av den begränsade tillgången till den nya strömningsdatan, är det föreslagna ramverket lovande. Med ytterligare förfining och generalisering till fler fordon kan detta tillvägagångssätt vara instrumentellt för att utveckla en robust beslutspolicy för underhåll av olika lastbilskomponenter.