Assessment of machine health and prediction of future failures are critical for maintenance decisions. Many of the existing methods use unsupervised techniques to construct health indicators by measuring the disparity between the current state and either the healthy or the faulty states of the system. This approach can work well, but if the resulting health indicators are insufficient there is no easy way to steer the algorithm towards better ones. In this thesis a new method for health indicator construction is investigated that aims to solve this issue. It is based on measuring distance after transforming the sensor data into a new space using a feed-forward neural network. The feed-forward neural network is trained using a multi-objective optimization algorithm, NSGA-II, to optimize criteria that are desired in a health indicator. Thereafter the constructed health indicator is passed into a gated recurrent unit for remaining useful life prediction. The approach is compared to benchmarks on the NASA Turbofan Engine Degradation Simulation dataset and in regard to the size of the neural networks, the model performs relatively well, but does not outperform the results reported by a few of the more recent methods. The method is also investigated on a simulated dataset based on elevator weights with two independent failures. The method is able to construct a single health indicator with a desirable shape for both failures, although the latter estimates of time until failure are overestimated for the more rare failure type. On both datasets the health indicator construction method is compared with a baseline without transformation function and does in both cases outperform it in terms of the resulting remaining useful life prediction error using the gated recurrent unit. Overall, the method is shown to be flexible in generating health indicators with different characteristics and because of its properties it is adaptive to different remaining useful life prediction methods. / Estimering av maskinhälsa och prognos av framtida fel är kritiska steg för underhållsbeslut. Många av de befintliga metoderna använder icke-väglett (unsupervised) lärande för att konstruera hälsoindikatorer som beskriver maskinens tillstånd över tid. Detta sker genom att mäta olikheter mellan det nuvarande tillståndet och antingen de friska eller fallerande tillstånden i systemet. Det här tillvägagångssättet kan fungera väl, men om de resulterande hälsoindikatorerna är otillräckliga så finns det inget enkelt sätt att styra algoritmen mot bättre. I det här examensarbetet undersöks en ny metod för konstruktion av hälsoindikatorer som försöker lösa det här problemet. Den är baserad på avståndsmätning efter att ha transformerat indatat till ett nytt vektorrum genom ett feed-forward neuralt nätverk. Nätverket är tränat genom en multi-objektiv optimeringsalgoritm, NSGA-II, för att optimera kriterier som är önskvärda hos en hälsoindikator. Därefter används den konstruerade hälsoindikatorn som indata till en gated recurrent unit (ett neuralt nätverk som hanterar sekventiell data) för att förutspå återstående livslängd hos systemet i fråga. Metoden jämförs med andra metoder på ett dataset från NASA som simulerar degradering hos turbofan-motorer. Med avseende på storleken på de använda neurala nätverken så är resultatet relativt bra, men överträffar inte resultaten rapporterade från några av de senaste metoderna. Metoden testas även på ett simulerat dataset baserat på elevatorer som fraktar säd med två oberoende fel. Metoden lyckas skapa en hälsoindikator som har en önskvärd form för båda felen. Dock så överskattar den senare modellen, som använde hälsoindikatorn, återstående livslängd vid estimering av det mer ovanliga felet. På båda dataseten jämförs metoden för hälsoindikatorkonstruktion med en basmetod utan transformering, d.v.s. avståndet mäts direkt från grund-datat. I båda fallen överträffar den föreslagna metoden basmetoden i termer av förutsägelsefel av återstående livslängd genom gated recurrent unit- nätverket. På det stora hela så visar sig metoden vara flexibel i skapandet av hälsoindikatorer med olika attribut och p.g.a. metodens egenskaper är den adaptiv för olika typer av metoder som förutspår återstående livslängd.

Predictive maintenance plays a crucial role in preventing unexpected equipment failures and maintaining assets in good operating conditions in various systems. One such scenario where predictive maintenance has been widely used is in battery management systems for electronic vehicles based on lithium batteries, where the risk of failure can be reduced by predicting the remaining useful life of the lithium battery. This project developed a DL model based on Long Short-Term Memory networks which was able to generalize new and various kinds of battery. The model was implemented on a low-cost, low-power using embedded artifcial intelligence, which enables local model execution, reducing costs, time, and risks associated with transferring data to the cloud. To further optimize the model and reduce its memory usage, quantization was applied before porting it to an embedded system based on the STM32 MCU. The results show that the model migration was successful, with low memory cost and no signifcant degradation in accuracy. Finally, the memory usage of the prediction model was also analyzed. / Predictiv underhåll har en avgörande roll för att förebygga oväntade utrustningsfel och bibehålla tillgångar i god driftsvillkor i olika system. Ett scenario där predictivt underhåll har använts mycket är i batterihanteringssystem för elfordon baserade på litiumbatterier, där risken för fel kan reduceras genom att förutsäga den återstående användbarhetsperioden för litiumbatteriet. I det här projektet utvecklades djupinlärningsprediktiva modeller med hjälp av Keras sekventiella modell för att representera en ferlagersneural nätverk och en Lång Korttidsminne modell för tidserieprediktion. Dessa modeller implementerades på en lågkostnad, låglägesmikrokontroller med inbyggd artifcial intelligence, vilket möjliggör lokal modellkörning, vilket reducerar kostnader, tid och risker med att överföra data till molnet. För att ytterligare optimera modellen och minska dess minnesfotavtryck tillämpades kvantisering innan den portades till en inbyggd system baserat på STM32 mikrokontroller. Resultaten visar att modellmigrationen var framgångsrik, med låg minneskostnad och ingen signifkant försämring av precisionen. Slutligen analyserades även minnesanvändningen av prediktionsmodellen.

The growing demand for sustainable technology has led to an increased application of power electronics. As these devices are often exposed to harsh conditions, their reliability is a primary concern for both manufacturers and users. Addressing these reliability challenges involves a set of activities known as Prognostics and Health Management (PHM). In PHM, predicting the Remaining Useful Life (RUL) is crucial. This prediction relies on identifying failure precursors, which signify the presence of degradation. These precursors are then used to construct a degradation model that enables the prediction of the remaining time that the device can work before failure. The project focuses on examining a MOSFET aging dataset from the NASA PCoE dataset depository and a diode aging dataset from Fraunhofer ENAS. The prediction of the remaining useful life of devices using failure precursors has been done by applying recurrent neural network (RNN) methods. However, the prediction results from a single feature is significantly deviated from the actual values. To improve the prediction, the age of the device was proposed as an additional feature. RNNs with a similar number of weights and RNNs with the same hyperparameters are implemented and their performance is evaluated by the accuracy of prediction. The results show that all the RNN models implemented manage to capture the characteristics of the aging data. Despite its simpler structure, the vanilla RNN manages to produce a comparable result with the GRU and LSTM by simpler mechanism and less number of weights. The results also reveal that the characteristics of the data have a significant impact on the final results. / Den växande efterfrågan på hållbar teknik har lett till en ökad tillämpning av kraftelektronik. Eftersom dessa enheter ofta utsätts för tuffa förhållanden är deras tillförlitlighet ett primärt bekymmer för både tillverkare och användare. Att ta itu med dessa tillförlitlighetsutmaningar innebär en uppsättning aktiviteter som kallas Prognostics and Health Management (PHM). I PHM är det avgörande att förutsäga det återstående användbara livet (RUL). Denna förutsägelse bygger på identifiering av felprekursorer, som anger förekomsten av nedbrytning. Dessa prekursorer används sedan för att konstruera en nedbrytningsmodell som möjliggör förutsägelse av den återstående tiden som enheten kan fungera innan fel. Projektet fokuserar på att undersöka en MOSFET-åldringsdataset från NASA PCoE-datauppsättningen och en diodåldringsdataset från Fraunhofer ENAS. Förutsägelsen av den återstående livslängden för enheter som använder felprekursorer har gjorts genom att använda metoder för återkommande neurala nätverk (RNN). Förutsägelseresultatet från en enskild funktion avviker dock avsevärt från de faktiska värdena. För att förbättra förutsägelsen föreslogs enhetens ålder som en extra funktion. RNN med ett liknande antal vikter och RNN med samma hyperparametrar implementeras och deras prestanda utvärderas av förutsägelsens noggrannhet. Resultaten visar att alla implementerade RNN-modeller lyckas fånga egenskaperna hos åldrande data. Trots sin enklare struktur lyckas vanilj RNN producera ett jämförbart resultat med GRU och LSTM genom enklare mekanism och färre antal vikter. Resultaten visar också att uppgifternas egenskaper har en betydande inverkan på de slutliga resultaten.

Transportsektorn är en av världens största producenter av växthusgas därav är dess avkarbonisering essentiell för att uppnå Parisavtalets mål för CO2-emissioner. Ett viktigt steg för att uppnå dessa mål utförs genom elektrifiering. Litium-jon-batterier (eng. litium-ion batteries, ’LIB’) har blivit väldigt populära energilagringssystem för batteridrivna elektriska fordon (eng. battery electric vehicles, ’BEV’) men tenderar att åldras, precis som alla andra batterier. Därav krävs forskning kring batteriföråldring på grund av nedbrytningsprocessernas inverkan på prissättningen, prestationerna och miljöpåverkan av BEV. Olika modeller används för att beskriva batteriernas åldrande. Datadrivna modeller som förutspår batteriers livstid ökar i popularitet vars noggrannhet och prestationer till stor del beror på indatats kvalitet. Formatet för tidsinhämtade data kräver enorma mängder lagringsutrymme, hög processkapacitet och längre processer; något ’reducerad’ eller ’aggregerad’ data delvis åtgärdar. Denna avhandling fokuserar på att utveckla en metodik för användning av dynamiska fordonsdata i ’aggregerad’ form. Tidsloggade data inhämtade från kallklimatstesting av Scanias BEV-prototyp användes varav interaktionseffekterna mellan diverse fordonsparametrar samt deras effekt på batteriåldring utifrån en batteriåldringsmodell analyserades. Olika tillvägagångssätt för strukturering av dynamiska fordonsdata i modellen undersöktes också. Tolv aggregeringsscenarion designades och testades. Dessutom valdes tre scenarion för uppskattningar och jämförelser av återstående användbar livslängd (eng. remaining-useful-life, ’RUL’) tillsammans med resultat från tidsinhämtade data. Slutligen drogs slutsatser om: parameterinteraktioner, struktur av dynamiska fordonsdata och RUL. Flera framtida utvecklingsområden har också föreslagits bland annat: tester av andra aggregeringstekniker, utöka modellen till tjänstefordon samt kategorisera användningsbeteenden av fordon för att förbättra RUL-uppskattningar. / The transport sector is one of the world’s largest greenhouse gas producing sector and it’s decarbonisation is imperative to achieve the CO2 emission targets set by the Paris Agreement. One important step towards achieving these targets is through electrification of the sector. Lithium-ion batteries (LIBs) have become very popular energy storage systems for battery electric vehicles (BEVs). However, LIBs like all other batteries, tend to age. Hence, the study of the battery ageing phenomena is very essential since the degradation in battery characteristics hugely determines the cost, performance and the environmental impact of BEVs. Different modelling approaches are used to represent battery ageing behaviour. Data-driven models for predicting the lifetime of batteries are becoming popular. However, the accuracy and performance of data-driven models largely depends upon the quality of data being used as the input. Time-sampled format of logging data results in huge data files requiring enormous amounts of storage space, high processing power requirements and longer processing times. Instead, using data in a ’reduced’ or ‘aggregated’ form can help in addressing these issues. This thesis work focuses on developing a methodology for using dynamic vehicle data in an ‘aggregated’ form. Time-sampled data from a Scania prototype BEV truck, recorded during cold climate test, was used. The interaction effects between various vehicle parameters and their effect on battery ageing in a battery ageing model were analyzed. Different approaches to structuring dynamic vehicle data for use in the model were also studied. Twelve aggregation scenarios were designed and tested. Furthermore, three scenarios were selected for making remaining-useful-life (RUL) estimations and compared alongside time-sampled data results. Finally, conclusions about parameter interactions, structuring of dynamic vehicle data and RUL estimations were drawn. Several next steps for future work have also been suggested such as testing other aggregation techniques, extending the model to vehicle fleets and categorizing vehicle usage behaviours to make better RUL estimations.