Predicting the need for vehicle compressor repairs using maintenance records and logged vehicle data

Predicting the need for vehicle compressor repairs — Prytz, Nowaczyk, Rögnvaldsson, Byttner (2015)

PDF: https://studium.alexium-core.de/01_arbeiten/01_zulassungsarbeit/B_literatur/pdfs/PNRB15.pdf

Rechtsstatus

Legal beschafft über ScienceDirect (Elsevier), Einzelkauf. Kann als Anlage der Zulassungsarbeit im Abgabeordner beigelegt werden.

Bibliographische Angaben

Journal-Paper in Engineering Applications of Artificial Intelligence, Band 41, S. 139–150, 2015. Elsevier. DOI: 10.1016/j.engappai.2015.02.009.

• Rune Prytz — Volvo Group Trucks Technology, Advanced Technology & Research, Göteborg, Schweden
• Sławomir Nowaczyk, Thorsteinn Rögnvaldsson, Stefan Byttner — Center for Applied Intelligent Systems Research, Halmstad University, Schweden

Beschaffung

• ScienceDirect-Einzelkauf, ca. 35 EUR
• Status: ☑ beschafft ☑ gelesen ☐ zitierte Stellen im PDF markiert

Methodik / Charakter der Quelle

Peer-reviewed Industriecase-Studie. Verwendet Random Forests als Klassifikations-Verfahren zur Vorhersage von Air-Compressor-Ausfällen in einer LKW/Bus-Flotte von Volvo. Datengrundlage: über 3 Jahre gesammelte On-Board-Betriebsdaten kombiniert mit Wartungshistorie aus den Volvo-Werkstätten.

Kernbeiträge:

• Random Forest als Haupt-Klassifikator, aus 100 Bäumen
• Zwei Feature-Selection-Verfahren verglichen: Wrapper (Beam Search) und Filter (Kolmogorov-Smirnov)
• Behandlung realer Datenqualitätsprobleme: fehlende Einträge, manuelle Eingabefehler, niedrige Fehler-Auflösung in Wartungslogs
• ROC-basierte Evaluation (Sensitivity/Specificity) und wirtschaftliche Kostenanalyse (Vergleich zwischen präventiven und akuten Reparaturkosten)

Kernaussagen

• Fragestellung (S. 141): binäre Klassifikation statt Regression der Restnutzungsdauer $X_t$: fällt der Kompressor vor dem nächsten planmäßigen Werkstatttermin aus? Formal $P(X_t<\Delta \mid Y_t)={\int }_0^{\Delta }f(x_t\mid Y_t)d{x}_t$ mit $\Delta =15$ Wochen.
• Datenlage (S. 140): zwei Quellen — Logged Vehicle Data (LVD, Bordrechner-Sensorwerte) und Vehicle Service Records (VSR, Werkstattprotokolle), verknüpft über Fahrzeug-ID + Termin.
• Datenqualität (S. 140): stark unbalancierte Klassen, verrauschte Labels, unsichere Datumsangaben, unregelmäßige Auslesezeitpunkte, Zusammenfassung mehrerer Ausfallursachen.
• Klassifikator (S. 142): Random Forest, 100 Bäume, 10-fache Kreuzvalidierung. Trainings-/Testsplit fahrzeugweise (nicht auslesungsweise), sonst systematische Überschätzung durch fahrzeugspezifische Muster (S. 143).
• Merkmalsraum (S. 143): ~1250 mögliche Merkmale, pro Fahrzeug ~500 verfügbar.
• Merkmalsauswahl (S. 143 f.): Beam-Search-Wrapper (Top-5-Kandidaten pro Iteration, Schrumpffaktor gegen Datensatz-Kollaps) vs. Kolmogorov-Smirnov-Filter (p-Wert pro Merkmal) vs. handverlesene Expertenauswahl (4 Parameter).
• Klassenbalance (S. 144 f.): SMOTE-Oversampling, beste Einstellung 900 % + k=20 Nachbarn (Sec. 5.5).
• Wirtschaftliche Metrik (S. 142): $Profit=TP\cdot ECUR-FP\cdot CPR-Investment$; überwindet Aussageschwäche von Accuracy bei unbalancierten Daten.
• Kernbefund 1 (S. 147 ff.): algorithmische Merkmalsauswahl schlägt Expertenauswahl in allen Konfigurationen.
• Kernbefund 2 (S. 149): Nutzungskontext-Merkmale (Usage) tragen mehr zur Vorhersage bei als Verschleißmerkmale (Wear).
• Ökonomischer Nutzen (S. 148): ~110 EUR pro Fahrzeug und Jahr Ersparnis; bei 10.000 Fahrzeugen Flotte niedriger einstelliger Millionenbereich Jahresnutzen.

nProfit-Werte je Merkmalsset (Tab. 1, S. 148)

Für PH = 15 Wochen mit den je Merkmalsset optimalen SMOTE-Einstellungen:

Merkmalsset	Samples	Features	SMOTE %	k	Prepr	Profit [M€]	nProfit [€/Fzg]
Wear	10.660	20	700	14	TL	1,59	86
Wear AN	10.520	20	1000	12	ENN	0,62	22
Usage	12.440	20	1000	16	TL	1,94	114
Usage AN	12.440	20	1000	20	CNN	1,60	110
Beam search 1	14.500	14	800	20	NCL	1,66	116
Beam search 2	14.500	15	800	16	TL	0,75	54
Expert	14.960	4	900	20	ENN	0,84	64

Werte-Datenbasis für Abb. 5.2 der Zulassungsarbeit.

Wörtliche Zitate (Reserve)

Bezug zur Zulassungsarbeit

Primärquelle für Kap. 5 (Predictive Maintenance als Anwendung). Konkrete Fallstudie, die Random Forests in einer realen industriellen Anwendung demonstriert. Anschluss an das PM-Beispiel aus Kap. 2.3 (Toy-Example → reale Studie).

Verwandte Quellen

• BFOS84 — CART als Basis-Klassifikator, aus dem Random Forests gebaut werden
• Bre96a — Bagging als konzeptueller Vorläufer der Random Forests
• Bre01 — Random-Forest-Definition und -Theorie (Grundlage des in dieser Studie verwendeten Verfahrens)