Rapporten utforskar möjligheten till implementering av prediktivt underhåll genom maskininlärning för markfordon i svenska Försvarsmakten. Undersökningen syftade till att finna nya metoder att planera och bedriva underhåll av militära fordon. Detta baserades på en litteraturstudie där civila och militära tillämpningar av maskininlärning granskades. Därefter analyserades empirin utifrån Kent Anderssons teori om militär nytta.  Analysen visar att det ur en teknologisk synpunkt skulle vara möjligt att implementera maskininlärning för prediktiva analyser av underhåll i militära fordon. Däremot tillkommer många utmaningar kopplade till datainsamling, interoperabilitet, cybersäkerhet, krav på höga kompetenser och ett behov av avancerade algoritmer. Militär verksamhet präglas även av mycket osäkerhet och fordon nyttjas i väldigt varierande miljöer. Detta försvårar omständigheterna för en AI att förutspå framtida utfall.  För att prediktiva analyser skulle kunna nyttjas effektivt skulle Försvarsmakten behöva ändra sitt förhållningssätt till materielunderhåll. Vidare forskning är emellertid nödvändig för att undersöka en faktisk implementering, eller ett maskininlärningssystems fullständiga militära nytta. / This work explores the possibility of implementing predictive maintenance through machine learning for ground vehicles in the Swedish Armed Forces. The investigation aimed to find new methods for planning and carrying out maintenance of military vehicles. This was based on a literature review that reviewed civilian and military applications of machine learning. The empirical data was then analyzed based on Kent Andersson's theory of military utility.  The analysis shows that from a technological point of view it would be possible to implement machine learning for predictive analysis of maintenance in military vehicles. However, there are many challenges linked to data collection, interoperability, cyber security, requirements for high skills and a need for advanced algorithms. Military operations are also characterized by a lot of uncertainty and vehicles are used in very varied environments. This makes it difficult for an AI to predict future outcomes.  For predictive analyzes to become a reality, the Swedish Armed Forces would have to change their approach to maintenance. However, further research is necessary to investigate an actual implementation and the full military utility of a machine learning system.

Detta arbete undersöker integreringen av artificiell intelligens (AI) och maskininlärning (ML) teknologier i prediktivt underhåll (PdM) vid Glada Hudikhem. De primära målen är att utvärdera effektiviteten hos olika AI/ML-modeller för att förutsäga fel på hushållsapparater och att förbättra transparensen och tillförlitligheten i dessa förutsägelser genom förklarbar AI (XAI) teknik. Studien jämför olika grundläggande och djupa inlärningsmodeller och avslöjar att medan djupa modeller kräver mer beräkningsresurser och kan ta 98% mer tid att träna jämfört med grundläggande modeller, presterar de ungefär 1, 4% sämre i F-1 poäng. F-1-poäng är ett mått som kombinerar precision (andelen av sanna positiva bland förväntade positiva) och recall/återkallelse (andelen av sanna positiva bland faktiska positiva). Dessutom betonar studien vikten av XAI för att göra AI-drivna underhållsbeslut mer transparenta och pålitliga, vilket därmed adresserar den "svarta lådan" naturen hos traditionella AI-modeller. Resultaten tyder på att integrationen av AI och XAI i PdM kan förbättra underhållsarbetsflöden och minska driftkostnaderna, med rekommendationer för branschpartners att utforska AI/ML-lösningar som balanserar resurseffektivitet och prestanda. Studien diskuterar också de etiska och samhälleliga konsekvenserna av AI-antagande och prediktivt underhåll, med betoning av ansvarsfull implementering. Vidare beskriver potentialen för AI att automatisera rutinunderhållsuppgifter, vilket frigör mänskliga resurser för mer komplexa frågor och förbättrar den övergripande drifteffektiviteten. Genom en omfattande analys, ger det här arbetet ett ramverk för framtida forskning och praktiska tillämpningar inom AI-drivet prediktivt underhåll. / This thesis investigates the integration of artificial intelligence (AI) and machine learning (ML) technologies into predictive maintenance (PdM) operations at Glada Hudikhem. The primary objectives are to evaluate the effectiveness of different AI/ML models for predicting household appliance failures and to enhance the transparency and reliability of these predictions through explainable AI (XAI) techniques. The study compares various shallow and deep learning models, revealing that while deep models require more computational resources and can take 98% more time to train compared to shallow models, they score about 1.4% worse in F-1 scores. F-1 scores are a metric that combines precision (the fraction of true positives among predicted positives) and recall (the fraction of true positives among actual positives). Additionally, the research highlights the importance of XAI in making AI-driven maintenance decisions more transparent and trustworthy, thus addressing the "black box" nature of traditional AI models. The findings suggest that integrating AI and XAI into PdM can improve maintenance workflows and reduce operational costs, with recommendations for industry partners to explore AI/ML solutions that balance resource efficiency and performance. The study also discusses the ethical and societal implications of AI adoption in predictive maintenance, emphasizing the need for responsible implementation. Furthermore, it outlines the potential for AI to automate routine maintenance tasks, thereby freeing up human resources for more complex issues and enhancing overall operational efficiency. Through a rigorous discussion and in-depth analysis, this thesis offers a robust framework for future research and practical applications in the field of AI-driven predictive maintenance.

Cyber-Physical System (CPS) or Digital-Twin approach are becoming popular in industry 4.0 revolution. CPS not only allow to view the online status of equipment, but also allow to predict the health of tool. Based on the real time sensor data, it aims to detect anomalies in the industrial operation and prefigure future failure, which lead it towards smart maintenance. CPS can contribute to sustainable environment as well as sustainable production, due to its real-time analysis on production. In this thesis, we analyzed the behavior of a tool of Ringvalsverk 4, at Ovako with its twin model (known as Digital-Twin) over a series of data. Initially, the data contained unwanted signals which is then cleaned in the data processing phase, and only before production signal is used to identify the tool’s model. Matlab’s system identification toolbox is used for identifying the system model, the identified model is also validated and analyzed in term of stability, which is then used in CPS. The Digital-Twin model is then used and its output being analyzed together with tool’s output to detect when its start deviate from normal behavior.

The recharge is the focus of data analysis of the different situations with the integration of the system and development of the two-stage 2/2 proportional cartridge valve for the steel industry machine. Using the statistical analysis technique to visualize the valve signal data behavior identify the accuracy of the machine data and apply the statistical feature extracting model using classification and clustering algorithms of real-time data analysis for the manufacturing. The fundamental principles of data analysis with a particular emphasis on its key function in the collection, cleansing, and analysis of substantial amounts of data to develop significant insights. Moreover, we explore the importance of data visualization in effectively presenting intricate research outcomes. We get the data accuracy of 76 percent for train and test set data in the statistical analysis feature indicating the best accuracy in the early stage. Our model gives high accuracy of the recommendation data automation system of the steel industry. Analysis of the valve data in multiple ways for the predictive maintenance of conditional monitoring of the tubes mail production machine. PdM is used for data processing of predictive manufacturing, behavior patterns of machines data, and correlation of statistical model for decision making for the maintenance activity avoiding downtime.  The data consists of different channels in the steel industry machine. Some automation process is used for the feature combination of the analysis of valve data in industry between each feature and signals. Using a dataset comprised of sensor data, operation logs, and maintenance records industrial control data of machines and use of this predictive model has the potential to yield significant cost savings for the steel industry through the prevention of unplanned maintenance, while also enhancing operational safety manufacturing of machine in the industry.

AstraZeneca är ett medicinskt företag lokaliserat i Södertälje som har cirka 900 luftfilterboxar hos sin anläggning i Gärtuna. Dessa filterboxar kan vara opraktiska att hålla koll på eftersom de är utspridda uppe på vindarna, samt att det behövs bra framförhållning vid filterbyten eftersom vissa filter innehåller farliga ämnen. Filterboxar är utrustade med analoga tryckmätare vilket innebär att det kan bli omständigt för personalen att övervaka filtrets tryckfall. Målet med det här examensarbetet är att hitta en digital lösning som underlättar övervakningen av tryckfall över filter i realtid, samt informerar via sms eller mejl när det är dags att planera in filterbyte. Visionen är att det ska bli enklare att få en bild över luftfiltrets underhållsmässiga skick. Genom att jämföra olika produkter och delta i regelbundna möten med IT kunnig personal valdes en lämplig produkt. Projektet har arbetat metodiskt och strukturerat genom att följa projektmodellen projekt case där verktygen GANTT-schema, SWOT-analys, FMEA och maxiriskmetoden har använts. Projektet resulterade i användningen av digitala differentialtryckgivare som mäter tryckfallet över filter. Differentialtryckgivaren samlar data som sedan skickas via radiofrekvens till en Ethernet gateway som är trådad in till AstraZenecas segregerade nätverk så kallat FAB-net. Därefter förs datan från ethernet gatewayen till mjukvara. I mjukvaran kommer AstraZenecas filtergrupp kunna se över tryckfall hos de olika filtrena i filterboxarna. Detta kommer underlätta personalens arbete och eventuellt spara AstraZeneca tid och pengar. / AstraZeneca is a medical company located in Södertälje that has around 900 air filter boxes at its facility in Gärtuna. These filter boxes can be impractical to keep track of as they are scattered up in the attics and good foresight is needed for multiple filter changes as some filters contain harmful substances. Filter boxes are equipped with analog pressure gauges, which means that there is a lot of walking for the staff in order to monitor the filter's pressure drop. The goal of this thesis is to find a digital solution that can facilitate the monitoring of pressure drops across filters in real time and that also informs by text message or email when it is time to schedule a filter change. The vision is that it will be easier to get a digital image of the maintenance condition of the air filter. By comparing different products and participating in regular meetings with AstraZeneca's IT personnel, a suitable product was chosen. The project has worked methodically and structured by following the project model project case where tools such as GANTT chart, SWOT analysis, FMEA and maxirisk method have been used. The project resulted in the use of digital differential pressure sensors that measure the pressure drop across filters. The differential pressure sensor collects data which is then sent by radio frequency to an ethernet gateway which is wired into AstraZeneca's segregated network called FAB-net. The data is then transferred from the ethernet gateway to the software. AstraZeneca's filter group will be able to review the pressure drop of the various filters within the software, which will facilitate their way of working and potentially save AstraZeneca time and money.

In the manufacturing industry, predictive maintenance (PdM) stands out by leveraging data analytics and IoT technologies to predict machine failures, offering a significant advancement over traditional reactive and scheduled maintenance practices. The aim of this thesis was to examine how anomaly detection algorithms could be utilized to anticipate potential breakdowns in manufacturing operations, while also investigating the feasibility and potential benefits of integrating PdM strategies into a production line. The methodology of this projectconsisted of a literature review, application of machine learning (ML) algorithms, and conducting interviews. Firstly, the literature review provided a foundational basis to explore the benefits of PdM and its impact on production line productivity, thereby shaping the development of interview questions. Secondly, ML algorithms were employed to analyze data and predict equipment failures. The algorithms used in this project were: Isolation Forest (IF), Local Outlier Factor (LOF), Logistic Regression (LR), One-Class Support Vector Machine(OC-SVM) and Random Forest (RF). Lastly, interviews with production line personnel provided qualitative insights into the current maintenance practices and perceptions of PdM. The findings from this project underscore the efficacy of the IF model in identifying potential equipment failures, emphasizing its key role in improving future PdM strategies to enhance maintenance schedules and boost operational efficiency. Insights gained from both literature and interviews underscore the transformative potential of PdM in refining maintenance strategies, enhancing operational efficiency, and minimizing unplanned downtime. More broadly, the successful implementation of these technologies is expected to revolutionize manufacturing processes, driving towards more sustainable and efficient industrial operations. / I tillverkningsindustrin utmärker sig prediktivt underhåll (PdM) genom att använda dataanalys och IoT-teknologier för att förutse maskinfel, vilket erbjuder ett betydande framsteg jämfört med traditionella reaktiva och schemalagda underhållsstrategier. Syftet med denna avhandling var att undersöka hur algoritmer för avvikelsedetektering kunde användas för att förutse potentiella haverier i tillverkningsoperationer, samtidigt som genomförbarheten och de potentiella fördelarna med att integrera PdM-strategier i en produktionslinje undersöktes. Metodologin för detta projekt bestod av en litteraturöversikt, tillämpning av maskininlärningsalgoritmer (ML) och genomförande av intervjuer. Först och främst gav litteraturöversikten en grundläggande bas för att utforska fördelarna med PdM och dess inverkan på produktionslinjens produktivitet, vilket därmed påverkade utformningen av intervjufrågorna. För det andra användes ML-algoritmer för att analysera data och förutsäga utrustningsfel. Algoritmerna som användes i detta projekt var: Isolation Forest (IF), Local Outlier Factor (LOF), Logistic Regression (LR), One-Class Support Vector Machine (OCSVM) och Random Forest (RF). Slutligen gav intervjuer med produktionslinjepersonal kvalitativa insikter i de nuvarande underhållsstrategierna och uppfattningarna om PdM.Resultaten från detta projekt understryker effektiviteten hos IF-modellen för att identifiera potentiella utrustningsfel, vilket betonar dess centrala roll i att förbättra framtida PdM-strategier för att förbättra underhållsscheman och öka den operativa effektiviteten. Insikter vunna från både litteratur och intervjuer understryker PdM:s transformativa potential att finslipa underhållsstrategier, öka operativ effektivitet och minimera oplanerade driftstopp. Mer generellt förväntas den framgångsrika implementeringen av dessa teknologier revolutionera tillverkningsprocesser och driva mot mer hållbara och effektiva industriella operationer.

This thesis proposes a deep learning anomaly detection pipeline to detect possible anomalies during the operation of a fleet of batteries and presents its development and evaluation. The pipeline employs sensors that connect to each battery in the fleet to remotely collect real-time measurements of their operating characteristics, such as voltage, current, and temperature. The deep learning based time-series anomaly detection model was developed using Variational Autoencoder (VAE) architecture that utilizes either Long Short-Term Memory (LSTM) or, its cousin, Gated Recurrent Unit (GRU) as the encoder and the decoder networks (LSTMVAE and GRUVAE). Both variants were evaluated against three well-known conventional anomaly detection algorithms Isolation Nearest Neighbour (iNNE), Isolation Forest (iForest), and kth Nearest Neighbour (k-NN) algorithms. All five models were trained using two variations in the training dataset (full-year dataset and partial recent dataset), producing a total of 10 different model variants. The models were trained using the unsupervised method and the results were evaluated using a test dataset consisting of a few known anomaly days in the past operation of the customer’s battery fleet. The results demonstrated that k-NN and GRUVAE performed close to each other, outperforming the rest of the models with a notable margin. LSTMVAE and iForest performed moderately, while the iNNE and iForest variant trained with the full dataset, performed the worst in the evaluation. A general observation also reveals that limiting the training dataset to only a recent period produces better results nearly consistently across all models. / Detta examensarbete föreslår en pipeline för djupinlärning av avvikelser för att upptäcka möjliga anomalier under driften av en flotta av batterier och presenterar dess utveckling och utvärdering. Rörledningen använder sensorer som ansluter till varje batteri i flottan för att på distans samla in realtidsmätningar av deras driftsegenskaper, såsom spänning, ström och temperatur. Den djupinlärningsbaserade tidsserieanomalidetekteringsmodellen utvecklades med VAE-arkitektur som använder antingen LSTM eller, dess kusin, GRU som kodare och avkodarnätverk (LSTMVAE och GRU) VAE). Båda varianterna utvärderades mot tre välkända konventionella anomalidetekteringsalgoritmer -iNNE, iForest och k-NN algoritmer. Alla fem modellerna tränades med hjälp av två varianter av träningsdatauppsättningen (helårsdatauppsättning och delvis färsk datauppsättning), vilket producerade totalt 10 olika modellvarianter. Modellerna tränades med den oövervakade metoden och resultaten utvärderades med hjälp av en testdatauppsättning bestående av några kända anomalidagar under tidigare drift av kundens batteriflotta. Resultaten visade att k-NN och GRUVAE presterade nära varandra och överträffade resten av modellerna med en anmärkningsvärd marginal. LSTMVAE och iForest presterade måttligt, medan varianten iNNE och iForest tränade med hela datasetet presterade sämst i utvärderingen. En allmän observation avslöjar också att en begränsning av träningsdatauppsättningen till endast en ny period ger bättre resultat nästan konsekvent över alla modeller.

This thesis demonstrates the successful development of a software sensor for Siemens Energy's SGT-700 gas turbines using machine learning algorithms. Our goal was to enhance the robustness of measurements and redundancies, enabling early detection of sensor or turbine malfunctions and contributing to predictive maintenance methodologies. The research is based on a real-world case study, implementing the Cross Industry Standard Process for Data Mining (CRISP DM) methodology in an industrial setting. The thesis details the process from dataset preparation and data exploration to algorithm development and evaluation, providing a comprehensive view of the development process. This work is a step towards integrating machine learning into gas turbine systems. The data preparation process highlights the challenges that arise in the industrial application of data-driven methodologies due to inevitable data quality issues. It provides insight into potential future improvements, such as the constraint programming approach used for dataset construction in this thesis, which remains a valuable tool for future research. The range of algorithms proposed for the software sensor's development spans from basic to more complex methods, including shallow networks, ensemble methods and recurrent neural networks. Our findings explore the limitations and potential of the proposed algorithms, providing valuable insights into the practical application of machine learning in gas turbines. This includes assessing the reliability of these solutions, their role in monitoring machine health over time, and the importance of clean, usable data in driving accurate and satisfactory estimates of different variables in gas turbines. The research underscores that, while replacing a physical sensor with a software sensor is not yet feasible, integrating these solutions into gas turbine systems for health monitoring is indeed possible. This work lays the groundwork for future advancements and discoveries in the field. / Denna avhandling dokumenterar den framgångsrika utvecklingen av en mjukvarusensor för Siemens Energy's SGT-700 gasturbiner med hjälp av maskininlärningsalgoritmer. Vårt mål var att öka mätkvaliten samt införa redundans, vilket möjliggör tidig upptäckt av sensor- eller turbinfel och bidrar till utvecklingen av prediktiv underhållsmetodik. Forskningen baseras på en verklig fallstudie, implementerad enligt Cross Industry Standard Process for Data Mining-metodiken i en industriell miljö. Avhandligen beskriver processen från datamängdsförberedelse och datautforskning till utveckling och utvärdering av algoritmer, vilket ger en heltäckande bild av utvecklingsprocessen. Detta arbete är ett steg mot att integrera maskininlärning i gasturbinssystem. Dataförberedelsesprocessen belyser de utmaningar som uppstår vid industriell tillämpning av datadrivna metoder på grund av oundvikliga datakvalitetsproblem. Det ger insikt i potentiella framtida förbättringar, såsom den begränsningsprogrammeringsansats som används för datamängdskonstruktion i denna avhandling, vilket förblir ett värdefullt verktyg för framtida forskning. Utvecklingen av mjukvarusensorn sträcker sig från grundläggande till mer komplexa metoder, inklusive ytliga nätverk, ensemblemetoder och återkommande neurala nätverk. Våra resultat utforskar begränsningarna och potentialen hos de föreslagna algoritmerna och ger värdefulla insikter i den praktiska tillämpningen av maskininlärning i gasturbiner. Detta inkluderar att bedöma tillförlitligheten hos dessa lösningar, deras roll i övervakning av maskinhälsa över tid och vikten av ren, användbar data för att generera korrekta och tillfredsställande uppskattningar av olika variabler i gasturbiner. Forskningen understryker att, medan det ännu inte är genomförbart att ersätta en fysisk sensor med en mjukvarusensor, är det verkligen möjligt att integrera dessa lösningar i gasturbinssystem för tillståndsövervakning. Detta arbete lägger grunden för vidare studier och upptäckter inom området. / Esta tesis demuestra el exitoso desarrollo de un sensor basado en software para las turbinas de gas SGT-700 de Siemens Energy utilizando algoritmos de aprendizaje automático. Esto con el objetivo de contribuir a las metodologías de mantenimiento predictivo. La investigación se basa en un estudio industrial que implementa la metodología de Proceso Estándar de la Industria para la Minería de Datos, cuyo acrónimo en inglés CRISP-DM. La tesis detalla el proceso desde la preparación del 'dataset', la exploración de datos hasta el desarrollo y evaluación de algoritmos, proporcionando una visión holistica del proceso de desarrollo. Este trabajo representa un paso hacia la integración del aprendizaje automático en turbinas de gas. Nuestros hallazgos exploran las limitaciones y el potencial de los algoritmos propuestos, proporcionando un analisis sobre la aplicación práctica del aprendizaje automático en turbinas de gas. Esto incluye evaluar la confiabilidad de estas soluciones, su papel en la monitorización de la salud de la máquina a lo largo del tiempo, y la importancia de los datos limpios y utilizables para impulsar estimaciones precisas y satisfactorias de diferentes variables en las turbinas de gas. La investigación sugiere que, aunque reemplazar un sensor físico con un sensor basado en aprendizaje automatico aún no es factible, sí es posible integrar estas soluciones en los sistemas de turbinas de gas para monitorear del estado de la maquina.