Mid Sweden University

Underhåll har alltid varit viktigt för industriella företag, med nya teknologier som prediktivt underhåll på väg fram. Insamlad sensordata och annan data används för att förbättra underhållet och för att minska kostnader och öka konkurrenskraften för företaget. Små och medelstora företag (SME) är viktiga för ekonomin, med 99 % av alla företag i Europa betraktade som SMEs idag. Det är viktigt att små och medelstora företag också inkluderas i implementeringen av prediktivt underhåll på grund av deras stora antal och betydelse för ekonomin. Syftet med denna avhandling har varit att undersöka utmaningar i implementering för SME som vill använda prediktivt underhåll. Problemet har varit att identifiera utmaningar och möjliga alternativ för mindre företag genom att utvärdera och jämföra flera maskininlärningsalgoritmer. Problemet som undersökts i avhandlingen har varit att identifiera en maskininlärningsalgoritm som optimerar både prestanda och resursanvändning. Genom att göra prediktivt underhåll mer tillgängligt för SME kan de också dra nytta av minskade driftskostnader, förlängd livslängd på sin utrustning och förbli konkurrenskraftiga i framtiden. Fem maskininlärningsmodeller tränades och testades. Algoritmen som presterade bäst var XGBoost, med Random Forest som en nära utmanare. Om resurserna är mycket begränsade presterar Decision Trees bäst av de enklare modellerna.

Maintenance has always been an important aspect for industrial companies, with new technologies allowing for predictive maintenance to be an option. Collected sensor data, and other data, can in this case be used to improve maintenance to reduce costs and increase competitiveness for the company. Small and medium-sized enterprises (SMEs) are important to the economy with 99% of all businesses in Europe being considered an SME. It’s important for small and mediumsized companies to also be included in the implementations of predictive maintenance due to their great number and importance to the economy. The aim of this thesis has been to investigate implementation challenges for SMEs that want to use predictive maintenance. The problem has been to identify challenges and possible options for smaller companies by evaluating and comparing several machine learning algorithms. The problem investigated in this thesis is identifying a machine learning algorithm that optimizes both performance and resource use. By making predictive maintenance more approachable for SMEs, they can also benefit from a reduction in operational costs, extended lifespan of their equipment and remain competitive in the future. Five machine learning models underwent training and testing. The algorithm that performed best was XGBoost, with Random Forest being a close contender. However, if resources are very limited, Decision Trees perform best out of the simpler models.