The amount of goods produced and transported around the world each year increases and heavy-duty trucks are an important link in the logistic chain. To guarantee reliable delivery a high degree of availability is required, i.e., avoid standing by the road unable to continue the transport mission. Unplanned stops by the road do not only cost due to the delay in delivery, but can also lead to damaged cargo. Vehicle downtime can be reduced by replacing components based on statistics of previous failures. However, such an approach is both expensive due to the required frequent visits to a workshop and inefficient as many components from the vehicles in the fleet are still operational. A prognostic method, allowing for vehicle individualized maintenance plans, therefore poses a significant potential in the automotive field. The prognostic method estimates component degradation and remaining useful life based on recorded data and how the vehicle has been operated.

Lead-acid batteries is a part of the electrical power system in a heavy-duty truck, primarily responsible for powering the starter motor but also powering auxiliary units, e.g., cabin heating and kitchen equipment, which makes the battery a vital component for vehicle availability. Developing physical models of battery degradation is a difficult process which requires access to battery health sensing that is not available in the given study as well a detailed knowledge of battery chemistry.

An alternative approach, considered in this work, is data-driven methods based on large amounts of logged data describing vehicle operation conditions. In the use-case studied, recorded data is not closely related to battery health which makes battery prognostic challenging. Data is collected during infrequent and non-equidistant visits to a workshop and there are complex dependencies between variables in the data. The main aim of this work has been to develop a framework and methods for estimating lifetime of lead-acid batteries using data-driven methods for condition-based maintenance. The methodology is general and can be applicable for prognostics of other components.

A main contribution of the thesis is development of machine learning models for predictive maintenance, estimating conditional reliability functions, using Random Survival Forests (RSF) and recurrent neural networks (RNN). An important property of the data is that for a specific vehicle there may be multiple data readouts, but also one single data readout which makes predictive modeling challenging and dealing with this situation is discussed for both RSF and neural networks models. Data quality is important when building data-driven models, and here the data is imbalanced since there are few battery failures relative to the number of vehicles. Further, the data includes many uninformative variables and among those that are informative, there are complex dependencies and correlation. Methods for selecting which data features to use in the model in this situation is also a key contribution. When a point estimation of the conditional reliability functions is available, it is of interest to know how uncertain the estimate is as it allows to take quality of the prediction into account when deciding on maintenance actions. A theory for estimating the variance of the RSF predictor is another contribution in the thesis. To conclude, the results show that Long Short-Term Memory networks, which is a type of RNN, is the most suitable for the vehicle operational data and give the best performance among methods evaluated in the thesis.

Mängden gods som produceras och transporteras världen runt ökar och tunga fordon är en viktig del i logistikkedjan. För att garantera pålitliga leveranser krävs hög tillgänglighet hos fordonen genom att bland annat undvika oplanerade stopp längs vägen. Tid då fordonet ej är tillgängligt kan reduceras genom att byta ut komponenter baserat på statistik från tidigare fel. En sådan ansats kan dock vara dyr på grund av för täta besök på verkstäder samt att många komponenter fungerar avsevärt längre beroende på hur hårt komponenten använts. En prognostikmetod för individualiserade underhållsplaner har därför en stor potential i fordonsfältet. Prognostikmetoden uppskattar komponenters degradation och tillgänglig livstid baserat på registrerade data och hur fordonet har använts.

Blysyrabatterier är en del av det elektriska kraftsystemet i en lastbil, primärt ansvariga för att kraftsätta startmotor, men också för att ge kraft åt hjälpsystem som kabinvärme och köksutrustning, vilket betyder att batteriet är en viktig komponent för fordonets tillgänglighet. Att utveckla fysikaliska modeller för batteridegradation är svårt och kräver tillgång till mätdata direkt kopplat till batteriets hälsa, något som inte är tillgängligt i det här arbetet. En alternativ ansats, som utforskas här, är datadrivna metoder baserade på stora mängder inspelade data som beskriver hur fordonet använts. I studien är insamlad data ej direkt relaterad till batterihälsa vilket gör prognostikproblemet utmanande.

Ett huvudbidrag är utveckling av maskininlärningsmodeller för prediktivt underhåll baserad på Random Survival Forests (RSF) och Recurrent Neural Networks (RNN). En viktig egenskap hos insamlade data är att för specifika fordon så kan det finnas flera, eller endast enstaka, datautläsningar vilket också gör prediktiv modellering svårt. Metoder för att hantera detta för modeller baserade på RSF och neuronnät behandlas. Datakvalitet är viktigt vid utveckling av datadrivna modeller. Insamlade data är obalanserade eftersom det är få batterier som felar i relation till antalet fordon. Vidare, insamlade data inkluderar många oinformativa variabler och bland de informativa så finns komplexa beroenden och korrelationer. Metoder för att välja väl valda variabler att bygga modeller på för den här situationen är utmanande och ett huvudbidrag i arbetet. En central fråga är hur säker en punktskattning är och hur den osäkerheten kan vägas in när prediktiva underhållsplaner bestäms, speciellt när modellen baseras på så osäkra data och så ostrukturerade modeller som här. Ett viktigt bidrag är metodik för att estimera prediktionsvarians för RSF-modeller. Slutligen, ett huvudresultat för användarfallet är att LSTM-nät, ett typ av RNN, är den modellstruktur som ger bäst prestanda för prognostik av blysyrabatterier med det data som använts i avhandlingen.