The operation of rolling stock poses distinct challenges and requirements relating to safety and reliability. Trains are intended to remain in operation across various changing factors accompanied by the large distances travelled, the variability of the weather conditions as well as the prolonged use of the trains. These factors bring with them degradation of the on-board equipment. The Train Control and Monitoring Systems record log entries, tracking the state of the train’s components. This data, paired with meteorological observations of the nearest weather stations, enable this works investigation with regards to predictive maintenance. This work builds on a foundation of unsupervised anomaly detection. It describes the combination of the data in different ways and uses deep learning models to compare the resulting anomaly score of eachlog entry. A limited set of data points with known labels is used to evaluate the models. The main metric chosen for evaluation is recall, with the aim of minimizing false negatives for safety and reliability reasons. The best models achieve 87% recall, which was an improvement compared to a baseline case. However, larger amounts of data and modelling beyond the scope of this thesis is required for application in a real world setting. Nonetheless, this thesis provides a methodology and knowledge of predictive maintenance cast as an anomaly detection problem with deliberation and comparison between two novel feature sets.

Tågdrift introducerar särskilda utmaningar och krav kopplade till säkerhet och tillförlitlighet. Tåg är avsedda att fungera under olika föränderliga faktorer, som följer av de stora avstånd som färdas, samt variationer i väderförhållanden och långvarig användning. Dessa faktorer medför belastning av utrustningen ombord på tågen. Kontrollsystem i tågindustrin genomför loggföring som ger möjlighet att spåra tillståndet av tågets komponenter. Denna data, kombinerad med meteorologiska observationer från närmaste väderstation, möjliggör det här arbetets undersökning avseende prediktivt underhåll. Detta arbete bygger på en grund av avvikelseidentifiering med hjälp av djupinlärning. Det beskriver olika kombinationer av data och använder djupinlärningsmodeller för att jämföra en resulterande avvikelsepoäng för varje loggföring. En begränsad uppsättning datapunkter med känd märkning används för att utvärdera modellerna. Den huvudsakliga bedömningsgrunden för utvärderingen är så kallad recall, med målsättningen att minimera falska negativa i säkerhet och tillförlitlighetssyfte. De bästa modellerna uppnår 87% recall, vilket var en förbättring gentemot en baslinje. Det krävs dock större mängder data samt modellering bortom omfattningen av detta arbete för att metoden ska tas i bruk. Detta arbete tillhandahåller en metodik och kunskap kring prediktivt underhåll utformat som ett avvikelseidentifieringsproblem inklusive övervägande och jämförelse mellan två alternativa dataset.