Exploration of forklift truck maintenance data and traction motor data outlier detection

Abstract

Vehicle manufacturers are ever more interested in the data they can collect from their products. However, manufacturers may have existing data sources whose potential has not been harnessed. Therefore, the exploration of already available data can produce new applications for the data.

This thesis studies maintenance data collected from forklift trucks and evaluates the causes of outliers in traction motor data. The thesis explores the maintenance data and identifies the main parameter types. Issues related to the collected data are also addressed. The experimental part of the thesis tests four outlier detection methods. Outputs of the methods are compared, and the potential causes of the outliers are proposed based on domain expert validation.

The exploration identified that inconsistent naming schemes and duplicates are the main concerns regarding the collected data. The experimental part showed that the main reasons for outliers in traction motor data were related to the vehicle's operational environment, configurations, and potential failures or data corruption. The results are encouraging since the ability to detect failures provides valuable information about the vehicle fleet. However, further validation of outliers is needed to determine the exact root causes of the outliers.

Ajoneuvovalmistajat ovat yhä enemmän kiinnostuneita datasta, jota he voivat tuotteistaan kerätä. Ajoneuvovalmistajilla voi kuitenkin olla jo olemassa olevia datalähteitä, joita ei ole vielä hyödynnetty. Täten olemassa olevia datalähteitä tutkimalla voidaan havaita uusia sovelluskohteita datalle.

Tässä diplomityössä tutkitaan trukeista kerättyä huoltodataa ja ajomoottoridatassa olevien anomalioiden syitä. Työssä perehdytään ensin datan sisältöön ja selvitetään datan yleisimmät ongelmat. Anomalioiden tunnistukseen käytetään neljää eri tunnistusmenetelmää, joiden tuottamia tuloksia vertaillaan. Ajomoottoridatan anomalioiden syitä arvioidaan asiantuntijalausuntoja hyödyntäen.

Dataan perehtyminen osoitti, että isoimpia haasteita datan käytössä aiheuttavat epäjohdonmukaiset nimeämiskäytännöt ja duplikaatit. Ajomoottoridatan anomalioiden syyt voitiin jakaa seuraaviin tekijöihin: käyttöympäristö, ajoneuvon asetukset ja vikaantumiset tai datan korruptoituminen. Anomalioiden tunnistuksen tulokset ovat lupaavia, sillä esimerkiksi vikojen havaitseminen olisi hyödyllistä ajoneuvokannan hallinnan näkökulmasta. Tulokset ovat kuitenkin alustavia ja anomalioiden juurisyitä tulee tutkia vielä tarkemmin.