Military systems are often part of critical operations where unplanned downtime should be avoided at all costs. Using modern machine learning algorithms it could be possible to predict when, where, and at what time a fault is likely to occur which enables time for ordering replacement parts and scheduling maintenance. This thesis is a proof of concept study for anomaly detection in monitoring data, i.e., sensor data from a ground based radar system as an initial experiment to showcase predictive maintenance. The data in this thesis was generated by a Giraffe 4A during normal operation, i.e., no anomalous data with known failures was provided. The problem setting is originally an unsupervised machine learning problem since the data is unlabeled. Speculative binary labels are introduced (start-up state and steady state) to approximate a classification accuracy. The system is functioning correctly in both phases but the monitoring data looks differently. By showing that the two phases can be distinguished, it is possible to assume that anomalous data during break down can be detected as well.  Three different machine learning classifiers, i.e., two unsupervised classifiers, K-means clustering and isolation forest and one supervised classifier, logistic regression are evaluated on their ability to detect the start-up phase each time the system is turned on. The classifiers are evaluated graphically and based on their accuracy score. All three classifiers recognize a start up phase for at least four out of seven subsystems. By only analyzing their accuracy score it appears that logistic regression outperforms the other models. The collected results manifests the possibility to distinguish between start-up and steady state both in a supervised and unsupervised setting. To select the most suitable classifier, further experiments on larger data sets are necessary. / Militära system är ofta en del av kritiska operationer där oplanerade driftstopp bör undvikas till varje pris. Med hjälp av moderna maskininlärningsalgoritmer kan det vara möjligt att förutsäga när och var ett fel kommer att inträffa. Detta möjliggör tid för beställning av reservdelar och schemaläggning av underhåll. Denna uppsats är en konceptstudie för detektion av anomalier i övervakningsdata från ett markbaserat radarsystem som ett initialt experiment för att studera prediktivt underhåll. Datat som används i detta arbete kommer från en Saab Giraffe 4A radar under normal operativ drift, dvs. ingen avvikande data med kända brister tillhandahölls. Problemställningen är ursprungligen ett oövervakat maskininlärningsproblem eftersom datat saknar etiketter. Spekulativa binära etiketter introduceras (uppstart och stabil fas) för att uppskatta klassificeringsnoggrannhet. Systemet fungerar korrekt i båda faserna men övervakningsdatat ser annorlunda ut. Genom att visa att de två faserna kan urskiljas, kan man anta att avvikande data också går att detektera när fel uppstår.  Tre olika klassificeringsmetoder dvs. två oövervakade maskininlärningmodeller, K-means klustring och isolation forest samt en övervakad modell, logistisk regression utvärderas utifrån deras förmåga att upptäcka uppstartfasen varje gång systemet slås på. Metoderna utvärderas grafiskt och baserat på deras träffsäkerhet. Alla tre metoderna känner igen en startfas för minst fyra av sju delsystem. Genom att endast analysera deras noggrannhetspoäng, överträffar logistisk regression de andra modellerna. De insamlade resultaten demonstrerar möjligheten att skilja mellan uppstartfas och stabil fas, både i en övervakad och oövervakad miljö. För att välja den bästa metoden är det nödvändigt med ytterligare experiment på större datamängder.

For manufacturing enterprises, the potential of collecting large amounts of data from production processes has enabled the usage of machine learning for prediction-based monitoring and maintenance of machines. Yet common maintenance strategies still include reactive handling of machine failures or schedule-based maintenance conducted by experienced personnel. Both of which are time-consuming and costly for manufacturing enterprises. The incorporation of anomaly detection for production processes alleviates several problems connected to these resource-intensive maintenance strategies. Anomaly detection enables real-time maintenance alarms derived from the occurrence of anomalies and thereby a foundation for proactive maintenance during manufacturing. However, to realize this, one needs to investigate the correlation between machine failure and anomalies in the data. For the machine learning models, it is also of essence to handle the imbalance between failure and normal working condition data. In this work, we investigate the potential of anomaly detection to predict future tool failures of an active CNC-machine based on multivariate time series data collected through the standardized data collection protocol MTConnect. Two semi-supervised anomaly detection methods, DeepAnT and ROCKET OCSVM, were tested. Training and evaluation of the two models were conducted on three production part processes and the difference in anomaly distribution previous to failure and in the normal machine working condition was investigated. The results showed that both models, for all the investigated tool failures belonging to the three production part processes, found an abundance of anomalies preceding failure when compared to the normal working condition of the machines. For certain tool failures, the anomalies were found as far back as seven production cycles before failure, while other anomalies were mainly uncovered close to the failure. Furthermore, it was shown that both models performed optimally with 100 production cycles before tool failures excluded from training, indicating that more anomalies further back connected to failure or possible long-term degradation of machine tools could exist. Lastly, ROCKET OCSVM with RBF kernel showed greater reliability compared to the DeepAnT method in separating the normal working condition data of the CNC machine against the pre-failure data based on anomaly distribution. In conclusion, anomaly detection shows promising results in indicating future machine failure and could serve as a foundation for proactive maintenance strategies of machines. By incorporating proactive strategies, machine downtime, operator maintenance time, and resources and expenses resulting from machine failure could be reduced. / För produktionsföretag har potentialen att samla in stora mängder data från produktionsprocesser möjliggjort användningen av prediktionsbaserad övervakning och underhåll av maskiner genom maskininlärning. Ändå så utgörs fortfarande vanliga underhållsstrategier av reaktiv hantering av maskinfel eller schema baserat underhåll som utförs av erfaren personal. Båda dessa är tidskrävande och kostsamma för tillverkningsföretag. Införandet av anomali detektering för produktionsprocesser lindrar flera problem kopplade till dessa resursintensiva underhållsstrategier. Det möjliggör underhålls-larm i realtid härledda från förekomsten av anomalier, vilket skapar en grund för proaktivt underhåll under tillverkningen. Men för att möjliggöra detta måste man undersöka sambandet mellan maskinfel och anomalier i data utifrån definierade insamlingsmetod. Det är också viktigt att hantera obalansen mellan fel och normal arbetstillstånd data för maskininlärningsmodellerna. I det här arbetet undersöker vi potentialen för delvis övervakad anomali detektering för att förutsäga framtida verktyg fel hos en aktiv CNC-maskin baserat på multivariat tidsseriedata som samlats in genom det standardiserade datainsamling protokollet MT Connect. Två anomali detekterings metoder som endast tränats på normala arbetsförhållanden för maskiner testades, DeepAnT och ROCKET OCSVM. Träning och utvärdering av de två modellerna genomfördes på tre produktionsdelprocesser och skillnaden i anomali fördelning före fel och i det normala maskinens arbetstillstånd undersöktes. Resultaten visade att båda modellerna, för alla undersökta verktygsfel som hör till de tre produktionsdelprocesserna, fann ett överflöd av anomalier före fel i jämförelse med maskinernas normala arbetstillstånd. För vissa verktygsfel hittades anomalierna så långt tillbaka som sju produktionscykler före fel, medan andra anomalier huvudsakligen upptäcktes nära felet. Vidare visades det att båda modellerna presterar optimalt med 100 produktionscykler före verktygsfel uteslutna från träningen, vilket tyder på att fler anomalier tidigare än de åtta produktions cyklarna undersökta innan fel eller eventuell långvarig försämring av verktygsmaskiner kan förekomma. Slutligen visade ROCKET OCSVM med RBF som kärnfunktion större tillförlitlighet i jämförelse med DeepAnT metoden gällande att separera CNC-maskinens normala arbetstillstånd data från pre-failure-data baserat på anomali fördelning. Sammanfattningsvis visar avvikelse detektering lovande resultat för att indikera framtida maskinfel och kan fungera som en grund för proaktivt underhåll av maskiner. Genom att införskaffa proaktiva strategier kan maskinernas stilleståndstid, operatörens underhållstid samt resurser och kostnader till följd av maskinfel minskas.

Modern Heavy Duty Vehicles consist of a multitude of components and operate in various conditions. As there is value in goods transported, there is an incentive to avoid unplanned breakdowns. For this, condition based maintenance can be applied.\newline This thesis presents a study comparing the applicability of the data-driven Consensus SelfOrganizing Models (COSMO) method and the model-driven patent series introduced by Fogelstrom, applied on the air processing system for leakage detection on Scania Heavy Duty Vehicles. The comparison of the two methods is done using the Area Under Curve value given by the Receiver Operating Characteristics curves for features in order to reach a verdict.\newline For this purpose, three criteria were investigated. First, the effects of the hyper-parameters were explored to conclude a necessary vehicle fleet size and time period required for COSMO to function. The second experiment regarded whether environmental factors impact the predictability of the method, and finally the effect on the predictability for the case of nonidentical vehicles was determined.\newline The results indicate that the number of representations ought to be at least 60, rather with a larger set of vehicles in the fleet than with a larger window size, and that the vehicles should be close to identical on a component level and be in use in comparable ambient conditions.\newline In cases where the vehicle fleet is heterogeneous, a physical model of each system is preferable as this produces more stable results compared to the COSMO method. / Moderna tunga fordon består av ett stort antal komponenter och används i många olika miljöer. Då värdet för tunga fordon ofta består i hur mycket gods som transporteras uppstår ett incitament till att förebygga oplanerade stopp. Detta görs med fördel med hjälp av tillståndsbaserat underhåll. Denna avhandling undersöker användbarheten av den data-drivna metoden Consensus SelfOrganizing Models (COSMO) kontra en modellbaserad patentserie för att upptäcka läckage på luftsystem i tunga fordon. Metoderna ställs mot varandra med hjälp av Area Under Curve-värdet som kommer från Receiver Operating Characteristics-kurvor från beskrivande signaler. Detta gjordes genom att utvärdera tre kriterier. Dels hur hyperparametrar influerar COSMOmetoden för att avgöra en rimlig storlek på fordonsflottan, dels huruvida omgivningsförhållanden påverkar resultatet och slutligen till vilken grad metoden påverkas av att fordonsflottan inte är identisk. Slutsatsen är att COSMO-metoden med fördel kan användas sålänge antalet representationer överstiger 60 och att fordonen inom flottan är likvärdiga och har använts inom liknande omgivningsförhållanden. Om fordonsflottan är heterogen så föredras en fysisk modell av systemet då detta ger ett mer stabilt resultat jämfört med COSMO-metoden.

Construction equipment manufacturers want to reduce the downtime of their equipment by moving from the typical reactive maintenance to a predictive maintenance approach. They would like to define a method to predict the failure of the construction equipment ahead of time by leveraging the real- world data that is being logged by their vehicles. This data is logged as general event data and specific sensor data belonging to different components of the vehicle. For the scope of this study, the focus is on articulated hauler vehicles with engine as the specific component under observation. In the study, extensive time and resources are spent on preparing both the real- world data sources and coming up with methods such that both data sources are ready for predictive maintenance and can also be merged together. The prepared data is used to build respective remaining useful life machine learning models which classify whether there will be a failure in the next x days. These models are built using data from two different approaches namely, lead data shift and resampling approach respectively. Three different experiments are carried out for both of these approaches using three different combinations of data namely event log only, engine sensor log only, event and sensor log combined. All these experiments have an increasing look ahead window size of how far into the future we would like to predict the failure. The results of these experiments are evaluated in relation to which is the best approach, data combination, and window size to foresee engine failures. The model performance is primarily distinguished by the F- Score and Area under Precision- Recall Curve. / Tillverkare av anläggningsutrustning vill minska stilleståndstiden för sin utrustning genom att övergå från det typiska reaktiva underhållet till ett förebyggande underhåll. De vill definiera en metod för att förutse fel på byggutrustningen i förväg genom att utnyttja de verkliga data som loggas av fordonen. Dessa data loggas som allmänna händelsedata och specifika sensordata som tillhör olika komponenter i fordonet. I den här studien ligger fokus på ledade dragfordon med motorn som den specifika komponent som observeras. I studien läggs mycket tid och resurser på att förbereda båda datakällorna i den verkliga världen och att ta fram metoder så att båda datakällorna är redo för förebyggande underhåll och kan slås samman. De förberedda uppgifterna används för att bygga maskininlärnings modeller för återstående livslängd som klassificerar om det kommer att ske ett fel inom de närmaste x dagarna. Modellerna byggs upp med hjälp av data från två olika metoder, nämligen lead data shift och resampling approach. Tre olika experiment utförs för båda dessa metoder med tre olika kombinationer av data, nämligen endast händelselogg, endast motorsensorlogg och kombinerad händelselogg och sensorlogg. Alla dessa experiment har en ökande fönsterstorlek för hur långt in i framtiden vi vill förutsäga felet. Resultaten av dessa experiment utvärderas med avseende på vilket tillvägagångssätt, vilken datakombination och vilken fönsterstorlek som är bäst för att förutse motorhaverier. Modellens prestanda bedöms i första hand med hjälp av F- poäng och arean under Precision- Recall- kurvan.

With the fast evolution of the Industry 4.0, the increased use of sensors and the rapid development of the Internet of Things (IoT), and the adoption of artificial intelligence methods, smart factories can automate their processes to vastly improve their efficiency and production quality. However, even the most well cared-for machines develop faults eventually. Given that Prognostics and Health Management (PHM) is an indispensable aspect for proper machine performance, Predictive Maintenance (PdM) is an emerging topic within maintenance methodologies whose aim is to predict failure prior to occurrence with the goal of scheduling maintenance only when needed. As data can be collected faster than ever before, deep learning is an effective tool that can leverage big data for data-driven fault diagnosis methodologies. This thesis explores two different fault diagnosis methodologies associated with predictive maintenance: an anomaly detection using an Autoencoder Neural Network, and a fault classifier using a Convolutional Neural Network (CNN). The system under analysis is a 3phase AC induction motor commonly used in industry. Results show great performance and indicate the viability for the implementation of both methods in production applications. / Med den snabba utvecklingen av industri 4.0, den ökade användningen av sensorer och den snabba utvecklingen av Internet of Things samt införandet av metoder för artificiell intelligens kan smarta fabriker automatisera sina processer för att avsevärt förbättra effektiviteten och produktionskvaliteten. Även de mest välskötta maskinerna utvecklar dock fel så småningom. PHM är en oumbärlig aspekt för korrekt maskinunderhåll. PdM är ett nytt ämne inom underhållsmetodik som syftar till att förutsäga fel innan de inträffar, med målet att planera underhållet endast när det behövs. Eftersom data kan samlas in snabbare än någonsin tidigare är djupinlärning ett effektivt verktyg som kan utnyttja stora datamängder för datadrivna metoder för feldiagnostik. I den här uppsatsen undersöks två olika metoder för feldiagnostik i samband med förebyggande underhåll: en anomalidetektion med hjälp av ett neuralt nätverk med autoencoder och en felklassificering med hjälp av ett CNN. Det system som analyseras är en induktionsmotor med 3fas växelström som ofta används inom industrin. Resultaten visar på goda resultat och visar att det är möjligt att genomföra båda metoderna i produktionstillämpningar.

Background – Infrastructure connects a society through both physical and social structures. For a long time, there has been underinvestment in physical infrastructure, resulting in a significant infrastructure debt. Managing this debt and challenges of aging infrastructure with limited resources, requires well-defined management strategies. Asset management, which involves realizing value from assets through coordinated actions, can help minimize risks and manage costs. Although digital technologies have the potential to improve infrastructure management, they are not yet fully utilized. There is a lack of understanding of which information can be digitized and which tools are useful. Purpose – The study's purpose was to investigate the benefits of a transition to digital and predictive asset management and maintenance methods for complex road tunnels. And also, what it means for a management organization. Method – Asset management and maintenance strategies were analyzed within a management organization for complex road tunnels, conducted as a case study. Twelve respondents were interviewed to answer the study's purpose, supplemented by a document analysis. The case for the study consisted of complex road tunnels such as Norra Länken, Södra Länken, and Förbifart Stockholm. To analyze the results, an analysis model based on ITO (Individual, Technology, and Organization) was used as it was considered suitable for the case and the organization on which the study was conducted. Results/Conclusions – The management organization currently follows a traditional model for asset management with strategic, tactical, and operational levels. Today's methods and maintenance strategies are both time-consuming and labor-intensive but also give rise to human errors and hinder efficient resource allocation. By using digital maintenance methods and predictive maintenance, opportunities are offered to streamline the maintenance process for complex road tunnels. However, this requires extensive change within an organization, both in terms of technical systems and culture. It turns out that several inhibiting factors complicate this type of change; such as budget restrictions, long contracts, and resistance to change. To overcome these barriers, it is important to work in small steps and conduct test and pilot projects while the organization should find a balance between creating a sense of urgency and giving themselves time to learn and adapt to the change. / Bakgrund – Infrastrukturen knyter samman ett samhälle genom både fysiska och sociala strukturer. Under en lång tid har det underinvesterats i den fysiska infrastrukturen vilket resulterat i en betydande infrastrukturskuld. För att hantera denna skuld och utmaningar med en åldrande infrastruktur med begränsade resurser, krävs väldefinierade förvaltningsstrategier. Tillgångsförvaltning, som innebär att realisera värde från tillgångar genom koordinerade åtgärder, kan bidra till att minimera risker och hantera kostnader. Även om digitala tekniker har potential att förbättra förvaltningen av infrastruktur, används de ännu inte fullt ut. Det finns en bristande förståelse för vilken information som kan digitaliseras och vilka verktyg som är användbara. Syfte – Studiens syfte var därav att undersöka vad en övergång till digitala så väl som prediktiva tillgångsförvaltnings- och underhållsmetoder för komplexa vägtunnlar har för fördelar. Samt även vad det innebär för en förvaltningsorganisation. Metod – Tillgångsförvaltnings- och underhållsstrategierna analyserades hos en förvaltningsorganisation för komplexa vägtunnlar och detta utfördes som en fallstudie. Tolv respondenter intervjuades för att kunna besvara studiens syfte och dessa intervjuer kompletterades med dokumentanalyser. Fallet för studien utgjordes av verkliga komplexa vägtunnlar såsom Norra Länken, Södra Länken och Förbifart Stockholm. För att analysera resultatet användes en analysmodell baserad på ITO (Individ, Teknologi och Organisation) då denna modell ansågs passande för fallet och organisationen som studien utfördes på. Resultat/Slutsatser – Förvaltningsorganisationen följer idag en traditionell modell för tillgångsförvaltning med strategiska, taktiska och operativa nivåer. Dagens metoder och underhållsstrategier är både tidskrävande och arbetsintensiva, men ger även upphov till mänskliga misstag och hindrar en effektiv resursallokering. Genom användandet av digitala underhållsmetoder och prediktivt underhåll erbjuds möjligheter för att effektivisera underhållsprocessen för komplexa vägtunnlar. Dock kräver detta en omfattande förändring inom en organisation, både sett till tekniska system och kultur. Studien visar på att flertalet hindrande faktorer försvårar för denna typ av förändring; såsom budgetrestriktioner, långa kontrakt och motstånd mot förändring. För att övervinna dessa hinder är det viktigt att jobba i små steg och utföra test- och pilotprojekt samtidigt som organisationen bör hitta en balans mellan att skapa en känsla av brådska men också ge sig själva tiden för att lära sig och anpassa sig till förändringen.

The phenomenon of digitization is transforming industries worldwide by introducing new valueproducing opportunities. In the railway industry, market liberalization has resulted in increased competition. To remain profitable in this new market environment, rail operators need to transform and acquire new digital capabilities and tools. By digitizing information-intensive processes with an information system, railway companies can reduce loss of operation time and reduce total maintenance costs. At the same time, the limited research exploring information systems in maintenance management has made it challenging for companies wanting to digitize. Significant attention has been devoted to the separate topics, however research overlapping the two areas of study has been inadequate. The thesis aims to contribute with knowledge to bridge this gap in literature by investigating the opportunities a maintenance organization potentially can capture with an information system and the success factors needed to succeed. By conducting the thesis in collaboration with the Swedish railway maintenance company MTR Tech AB the potential uses of an information system have been identified and assessed. Findings indicate that there are three main business opportunities to obtain from an information system: support of the troubleshooting process, better planning of reactive maintenance and enabling the performance of condition-based maintenance. At the same time, the profitability of an information system was found to be directly linked to its degree of utilization. Our findings have therefore allowed us to conclude that the business opportunity to pursue is the one that is most likely to be carried out fully and successfully in the prevailing circumstances. Lastly, the findings conclude that the success factors needed to capture the desired business opportunities are a dedicated project group, clear communication and information sharing, as well as adequate personnel. / Digitalisering har påverkat och transformerat företag över hela världen genom att erbjuda nya värdeproducerande möjligheter. För att bibehålla konkurrenskraft i en föränderlig omvärld måste järnvägsoperatörer transformera sina företag och förvärva nya digitala lösningar och verktyg kopplade till järnvägsteknologier. Genom att digitalisera informationsintensiva processer med hjälp av informationssystem, blir det möjligt för järnvägsföretag att minska förlust av drifttid samt minska den totala underhållskostnaden. Samtidigt har den begränsade forskningen gällande användning av informationssystem i underhållsorganisationer försvårat digitaliseringsförsöken. Litteratur och tidigare studier har behandlat de två ämnena separat, dock har överlappande forskning varit otillräcklig. Denna studie syftar till att bidra med kunskap för att överbrygga gapet i litteraturen genom att undersöka de vinningar en underhållsorganisation kan erhålla med hjälp av ett informationssystem och de framgångsfaktorer som krävs för att uppnå dem. Genom att utföra denna studie i samarbete med det svenska underhållsbolaget MTR Tech AB har de potentiella användningsområdena av ett informationssystem identifierats. De tre huvudsakliga affärsmöjligheterna som kan erhållas från ett informationssystem är: stödjande av felsökningsprocessen, bättre planering av avhjälpande underhåll, samt möjliggörandet av tillståndsbaserat underhåll. Samtidigt har det visat sig att lönsamheten av ett informationssystem är direkt kopplat till dess utnyttjandegrad. Vi har således dragit slutsatsen att den affärsmöjlighet som bör eftersträvas är den som med största sannolikhet kommer att genomföras framgångsrikt under rådande omständigheter. Slutligen visar våra resultat att de framgångsfaktorer som krävs för att uppnå affärsmöjligheterna är en dedikerad projektgrupp, tydlig kommunikation och informationsdelning, samt lämplig personal.

Följande examensarbete har genomförts inom Högskoleingenjörsutbildningen i Maskinteknik, Industriell Ekonomi och Produktion vid Kungliga Tekniska Högskolan, Institutionen för Hållbar Produktionsutveckling. Studien har utförts på uppdrag av Alfa Laval Lund AB, vid enheten Business Unit GPHE, under vårterminen 2019. Målet med detta arbete har varit att utföra en kartläggning av intressenter i det digitala ekosystemet, identifiera kundbehov och aktörer på marknaden inom området prediktivt underhåll och uppkopplade produkter samt att definiera möjliga affärsmodeller. Alfa Lavals förväntningar av projektet har varit att resultatet skall understödja uppfyllelse av kundernas behov samt att bolaget skall erhålla en överblick av det digitala ekosystem som idag växer fram. Under genomförandet har metoder såsom research av intressenter samt intervjuer varit centrala. Efterforskningar av bolag har skett med avsikten att utforma en kartläggningsmodell. Intervjuer med aktörer och slutkund har varit till stöd för att undersöka i vilka fall uppkoppling skapar kundvärde samt för att få en helhetssyn kring andra spelares strategier inom digitaliseringen. Litteraturstudier har omfattat information beträffande Internet of Things, Connectivity, Industri 4.0, prediktivt underhåll samt affärsmodellering. Resultatet har visat att de mest förekommande kundbehoven är statusmonitorering av utrustning, prediktivt underhåll och högre produktivitet med flera, vilka alla har anknytning till att kunden vill minska sina kostnader. För det digitala ekosystemet kan det konstateras att det aktuella läget är ganska splittrat samt att det ständigt dyker upp nya lösningar och spelare som försöker positionera sig på marknaden. Studien visar likaledes att uppkopplingen till internet bidrar till uppkomst av nya erbjudanden i form av tjänster, varför det förekommer ett ökat behov av att implementera nya serviceinriktade affärsmodeller med nya intäktsströmmar baserade på prenumerationer. / This thesis degree project has been submitted for the degree program in Mechanical Engineering, Industrial Business Administration and Manufacturing, at KTH Royal Institute of Technology, Department of Sustainable Production Development. The study has been carried out on behalf of Alfa Laval AB, Business Unit GPHE, during the spring term 2019. The goal of this thesis has been to perform a survey of interests in the digital ecosystem, identify customer needs and market players in the field of predictive maintenance and connected products, along with suggesting on possible business models. Alfa Laval’s expectations have been to receive anover view of the currently emerging digital ecosystem and that the project should support the fulfillment of customer needs. Interviews and research of stakeholders have been central methods during the implementation. In the project an investigation was made of different companies to design a mapping model. The study included in-person interviews with market players and end customers to support the survey on cases in which connectivity creates customer value and also to get an overview of strategies used by different market players in digitization. The literature studies have covered topics regarding Internet of Things, Connectivity, Industry 4.0, predictive maintenance and business modelling. The result has shown that the most common customer needs are asset status monitoring, predictive maintenance, higher productivity and others, all of which are related to the customer’s desire of achieving cost reduction. For the digital ecosystem, it can be stated that the current situation is fragmented and that there is a constant emergence of new solutions with quick implementations and new players trying to position themselves in the market. The study also shows that connectivity contributes to the development of new types of services, thus causing an increased need of implementation of new service-oriented business models with new revenue streams based on subscriptions.

Industrial robots are a key component for several industrial applications. Like all mechanical tools, they do not last forever. The solution to extend the life of the machine is to perform maintenance on the degraded components. The optimal approach is called predictive maintenance, which aims to forecast the best moment for performing maintenance on the robot. This minimizes maintenance costs as well as prevents mechanical failure that can lead to unplanned production stops. There already exist methods to perform predictive maintenance on industrial robots, but these methods require additional sensors. This research aims to predict the anomalies by only using data from the sensors that already are used to control the robot. A machine learning approach is proposed for implementing predictive maintenance of industrial robots, using the torque profiles as input data. The algorithms selected are tested on simulated data created using wear and temperature models. The torque profiles from the simulator are used to extract a health index for each joint, which in turn are used to detect anomalous states of the robot. The health index has a fast exponential growth trend which is difficult to predict in advance. A Gaussian process regressor, an Exponentron, and hybrid algorithms are applied for the prediction of the time series of the health state to implement the predictive maintenance. The predictions are evaluated considering the accuracy of the time series prediction and the precision of anomaly forecasting. The investigated methods are shown to be able to predict the development of the wear and to detect the anomalies in advance. The results reveal that the hybrid approach obtained by combining predictions from different algorithms outperforms the other solutions. Eventually, the analysis of the results shows that the algorithms are sensitive to the quality of the data and do not perform well when the data present a low sampling rate or missing samples. / Industrirobotar är en nyckelkomponent för flera industriella applikationer. Likt alla mekaniska verktyg håller de inte för alltid. Lösningen för att förlänga maskinens livslängd är att utföra underhåll på de slitna komponenterna. Det optimala tillvägagångssättet kallas prediktivt underhåll, vilket innebär att förutsäga den bästa tidpunkten för att utföra underhåll på roboten. Detta minimerar både kostnaderna för underhåll samt förebygger mekaniska fel som kan leda till oplanerade produktionsstopp. Det finns redan metoder för att utföra prediktivt underhåll på industriella robotar, men dessa metoder kräver ytterligare sensorer. Denna forskning syftar till att förutsäga avvikelserna genom att endast använda data från de sensorer som redan används för att reglera roboten. En maskininlärningsmetod föreslås för implementering av prediktivt underhåll av industriella robotar, med hjälp av vridmomentprofiler som indata. Metoderna testas på simulerad data som skapats med hjälp av slitage- och temperaturmodeller. Vridmomenten används för att extrahera ett hälsoindex för varje axel, vilket i sin tur används för att upptäcka anomalier hos roboten. Hälsoindexet har en snabb exponentiell tillväxttrend som är svår att förutsäga i förväg. En Gaussisk processregressor, en Exponentron och hybridalgoritmer används för prediktion av tidsserien för hälsoindexet för att implementera det prediktiva underhållet. Förutsägelserna utvärderas baserat på träffsäkerheten av förutsägelsen för tidsserien samt precisionen för förutsagda avvikelser. De undersökta metoderna visar sig kunna förutsäga utvecklingen av slitage och upptäcka avvikelser i förväg. Resultaten uppvisar att hybridmetoden som erhålls genom att kombinera prediktioner från olika algoritmer överträffar de andra lösningarna. I analysen av prestandan visas att algoritmerna är känsliga för kvaliteten av datat och att de inte fungerar bra när datat har låg samplingsfrekvens eller då datapunkter saknas.

The construction equipment industry has been slow to increase its level of servitization, compared to other related sectors such as the car and flight industries. The fundamental problem is the endless variants of machines and business settings that their customers operate in. Hence, scaling up standardized solutions has been a struggle in the industry. Moreover, the manufacturers are often disconnected from the end customers, where value-added resellersoften act as the middlemen selling machines and offering the services connected to them. They generally have better customer relationships than manufacturers, which implies a better situation for servitization. Companies in the construction equipment industry are pushed more toward data-driven decision-making. One such case is utilizing log data from the machines to predict the remaining useful life. A technology referred to as predictive maintenance. Henceforth, the value-added resellers could potentially increase their level of servitization with service offerings that derive from this technology. This thesis explores the role predictive maintenance has in advancing the level of servitization in the construction equipment industry. This thesis was conducted through a single-case study of a value-added reseller in the construction equipment industry, with a practical model-building part inspired by the methodology of action research. Findings indicate that predictive maintenance implies benefits for servitization purposes by gaining insights about how and when construction equipment fails. However, there are barriers to implementing a predictive maintenance model; both technical and organizational. This thesis suggests systematically evaluating capabilities related to the identified barriers and investing accordingly. Predictive maintenance is an essential tool for providing advanced service agreements in the form of Productivity-as-a-Service. In the end, it comes down to what risk the value-added resellers are willing to take; (1) the risk of incumbency, allowing competitors to implement predictive maintenance and gain market shares or (2) the risk of investing excessively and failing to overcome the challenges related to the implementation of predictive maintenance. This thesis contributes to findings regarding the intersection between servitization and predictive maintenance in the construction equipment industry. More specifically, through the lens of a value-added reseller. From a sustainability perspective, implications may affect companies to reduce waste related to construction equipment maintenance and strengthening economic sustainability through recurring revenues. / Branschen för anläggningsmaskiner har varit långsam med att öka sin nivå av tjänstefiering, jämfört med andra relaterade sektorer som bil- och flygindustrin. Det grundläggande problemet är de många varianterna av maskiner och arbetsmiljöer som deras kunder verkar i. Därför har det varit en utmaning inom branschen att skala upp standardiserade lösningar. Dessutom är tillverkarna ofta bortkopplade från slutkunderna, där värdeskapande återförsäljare agerar rollen som mellanhand för att sälja maskiner och erbjuda relaterade tjänster. De har generellt sett bättre kundrelationer än tillverkarna, vilket innebär andra förutsättningar för tjänstefiering. Företag inom branschen för anläggningsmaskiner drivs alltmer mot datadrivna beslut. Ett sådant fall är att använda data från anläggningsmaskinerna för att förutspå den återstående livslängden. En teknologi som kallas prediktivt underhåll. Till följd av detta kan värdeskapande återförsäljare potentiellt öka sin nivå av tjänstefiering med tjänsteerbjudanden som härrör från denna teknik. Detta examensarbete undersöker vilken roll prediktivt underhåll har för att förbättra nivån av tjänstefiering inom branschen för anläggningsmaskiner. Studien genomfördes som en fallstudie av en värdeskapande återförsäljare inom branschen för anläggningsmaskiner, samt en del inspirerad av aktionsforskning innehållandes att utveckla en modell för prediktivt underhåll. Resultaten tyder på att prediktivt underhåll har tydliga fördelar för tjänstefiering genom att bidra med insikter om hur och när anläggningsmaskiner går sönder. Däremot finns hinder för att implementera en modell för prediktivt underhåll; varav många relaterar till organisatorisk tröghet. Detta examensarbete föreslår att man systematiskt utvärderar förmågor relaterade till de identifierade hindren och investerar därefter. Prediktivt underhåll är ett viktigt verktyg för att tillhandahålla avancerade serviceavtal i form av ”Productivity-as-a-Service”. I slutändan handlar det om vilken risk värdeskapande återförsäljare är villiga att ta; (1) risken att inte investera i tekniken och bli irrelevant när nya aktörer eller konkurrenter avancerar eller (2) risken att investera mycket, men att ändå inte lyckas komma över utmaningarna med att implementera prediktivt underhåll. Denna uppsats bidrar till insikter om skärningspunkten mellan tjänstefiering och prediktivt underhåll inom branschen för anläggningsmaskiner. Mer specifikt genom värdeskapande återförsäljares lins. Ur ett hållbarhetsperspektiv kan dessa implikationer påverka företag att minska avfall relaterat till underhåll av anläggningsmaskiner samt stärka dess ekonomiska hållbarhet genom återkommande intäkter.