Predictive maintenance is an area that has vast practical importance to the current industrial sector. It revolutionalises maintenance practices from a reactive to a proactive approach. Utilising machine learning models on the data collected from sensors installed on machines, predictive

maintenance enables the timely detection of anomalies. This approach minimises unplanned downtime, enhances equipment reliability, and optimises resource utilisation. Predictive maintenance also reduces maintenance costs and prolongs the lifespan of machinery.

This thesis focuses on fault detection and health monitoring of rotating machinery, specifically bearings, based on vibration signals. Two machine learning models that are commonly used for fault detection in bearings --- Autoencoder (AE) and Long Short-Term Memory (LSTM) are compared to explore their theoretical advantages and drawbacks. Both models are applied to a novel dataset featuring bearing vibration data from Leine Linde AB. The models are then evaluated on this new dataset and are compared against a sliding average threshold as well as against each other.

Both Autoencoder and Long Short-Term Memory models were tailored to suit the characteristics of the dataset. The models reconstruct the vibration signal and then a one-class Support Vector Machine (SVM) is applied to detect anomalies. The results show the AE model outperforms the LSTM model in anomaly detection. The LSTM model performs marginally better at reconstructing the vibration data.

Prediktivt underhåll är ett område som har stor praktisk betydelse för den nuvarande industrisektorn. Det revolutionerar underhållspraxis från ett reaktivt till ett proaktivt tillvägagångssätt. Genom att använda maskininlärningsmodeller på data som samlats in från sensorer installerade på maskiner, möjliggör förutsägande underhåll att avvikelser kan upptäckas i tid. Detta tillvägagångssätt minimerar oplanerad stilleståndstid, förbättrar utrustningens tillförlitlighet och optimerar resursutnyttjandet. Förutsägande underhåll minskar också underhållskostnaderna och förlänger maskinernas livslängd.

Detta examensarbete fokuserar på feldetektering och hälsoövervakning av roterande maskineri, speciellt lager, baserat på vibrationssignaler. Två maskininlärningsmodeller som vanligtvis används för feldetektering i lager --- Autoencoder (AE) och Long Short-Term Memory (LSTM) jämförs för att utforska deras teoretiska fördelar och nackdelar. Båda modellerna tillämpas på en ny datamängd med bärande vibrationsdata från Leine Linde AB. Modellerna utvärderas sedan på denna nya datamängd och jämförs mot en glidande medeltröskel såväl som mot varandra.

Både Autoencoder- och Long Short-Term Memory-modellerna skräddarsyddes för att passa datauppsättningens egenskaper. Modellerna rekonstruerar vibrationssignalen och sedan appliceras en enklass Support Vector Machine (SVM) för att upptäcka anomalier. Resultaten visar att AE-modellen överträffar LSTM-modellen vid anomalidetektering. LSTM-modellen presterar marginellt bättre på att rekonstruera vibrationsdata.