Mobile Machine Maintenance Using AI-based Condition Monitoring

Abstract

Maintenance of any machinery or system is essential to ensure reliability, profitability, long useful life and safety of operations. The maintenance strategies that are mostly used in the field of mobile machinery are falling behind in deploying the latest advanced approaches. To enhance the maintenance further and detect when components are approaching failure, predictive methods are being developed. The aim of this work is to utilize machine learning (ML) -based models to predict health conditions of hydraulic components. ML-based models were selected because of their simple and easy usability.

The work introduces the challenges and special characteristics in the maintenance of mobile machinery and provides an overview of maintenance strategies in general. The methodology of implementing predictive maintenance using condition monitoring is presented, and three selected classification models, Decision Tree (DT), K Nearest Neighbors (KNN), and Stochastic Gradient Descent (SGD), are trained to classify health states of two hydraulic components, pump and accumulator. A publicly available experimentally obtained dataset of hydraulic component health conditions is used for the training. The data is pre-processed including re-sampling, feature extraction, and scaling. The classification results between the selected models and components are compared, and a feature selection method is used to decrease the amount of data needed for training.

DT and KNN performed well with fewer features. 15 most relevant features were identified for the classification of pump health states, and a validation accuracy of 100% was achieved with the DT and KNN models. For the hydraulic accumulator case, 10 most relevant features were used for the and in this case as well, the DT and KNN had a validation accuracy of 100%. The benefits of condition monitoring were recognized and demonstrated that if there is data available, the implementation for a simple application of health state classification can be done with little resources.

Jokaisen koneen tai järjestelmän ylläpito on välttämätöntä luotettavuuden, kannattavuuden, pitkän käyttöiän ja käytön turvallisuuden varmistamiseksi. Liikkuvien työkoneiden alalla eniten käytetyt huoltostrategiat ovat jäämässä jälkeen uusimpien ja edistyneempien lähestymistapojen käyttöönotossa. Ennakoivia menetelmiä ollaan kehittämässä, jotta ylläpitoa voitaisiin tehostaa entisestään ja havaita, milloin koneen komponentit lähestyvät vikatilaa. Tämän työn tavoitteena on hyödyntää koneoppimiseen pohjautuvia malleja hydraulisten komponenttien terveydentilan ennustamiseen. Koneoppimiseen pohjautuvat mallit valittiin niiden yksinkertaisuuden ja helpon käytettävyyden ansiosta.

Työssä esitellään liikkuvien työkoneiden kunnossapidon haasteita ja erityispiirteitä sekä annetaan yleinen kuvaus olemassa olevista huoltostrategioista. Menetelmät ennakoivan huollon toteuttamiseksi esitetään ja valitaan kolme luokittelumallia koulutettavaksi. Valitut mallit ovat Decision Tree (DT), K Nearest Neighbors (KNN) ja Stochastic Gradient Descent (SGD). Mallit koulutetaan luokittelemaan kahden komponentin, pumpun ja hydraulisen toimilaitteen vikatiloja. Mallien kouluttamiseen käytetään avoimesti saatavilla olevaa kokeellisesti mitattua aineistoa, joka sisältää mittauksia usean komponentin vikatiloihin liittyen. Käytettävät mittaukset esikäsitellään, johon sisältyy uudelleennäytteistys, tilastollisten ominaisuuksien laskeminen ja skaalaus. Valittujen mallien ja komponenttien välisiä luokittelutuloksia verrataan ja ominaisuuksien valintamenetelmää hyödynnetään vähentämään koulutuksessa tarvittavan aineiston määrää.

DT ja KNN ennustivat vikatilat hyvin, myös kun käytettävän aineiston määrää vähennettiin. Pumpun kunnon luokitusta varten tunnistettiin 15 merkittävintä aineistosta laskettua ominaisuutta ja DT- ja KNN-malleilla saavutettiin 100%:n validointitarkkuus. Hydraulisen toimilaitteen tapauksessa käytettiin koulutukseen 10 merkittävintä ominaisuutta ja tässäkin tapauksessa DT- ja KNN-mallien validointitarkkuus oli 100%.