Predictive maintenance based on sensor data

Föreställ dig en maskin som transporterar gods. På denna maskin placeras en sensor. Detta examensarbete undersöker möjligheten i att använda maskininlärning som metod för prediktivt underhåll baserat på data från sådana sensorer. Metodiken delas in i två delar. I den första delen skapas en binär klassificerare tränat på sensorvärden från normal maskinfunktion. Därefter är det möjligt att klassificera nya sensorvärden som normala eller som anomala värden. Tre olika klassificerare implementeras. Den andra delen är tillägnad testning av klassificerarna i relation till prediktivt underhåll genom simulering av maskinfel. Samtliga klassificerare uppvisar resultat som troliggör att klassificerarna kan användas för prediktivt underhåll baserat på det givna sensordatat.Imagine a machine for cargo transportation. On this machine, there is a sensor. This thesis examines the possibility of using machine learning as a method for predictive maintenance based on data from such sensors. The methodology is split into two parts. In the first part a binary classifier is trained on sensor data from normal machine function. Subsequently it is possible to classify new sensor data as normal or as anomalous. Three different classifiers are implemented. The second part is dedicated to test the classifiers in relation to predictive maintenance by simulating machine fault. All classifiers exhibits results which are in favor of its use in predictive maintenance based on the given sensor data