Prediktivní údržba automobilů na základě zašumněných historických dat z autoservisů

Abstract

Prediktivní údržba automobilů se primárně zaměřuje na předpovídání poruch konkrétních součástí vozidla pomocí dat ze senzorů. Tato diplomová práce zkoumá možnosti využití historických dat z autoservisů pro prediktivní údržbu vozidel. Široké spektrum těchto dat umožňuje předpovídat poruchy napříč různými částmi vozidla. Práce představuje tři modelovací přístupy pro prediktivní údržbu: odhad životnosti jednotlivých komponent pomocí regresních modelů, klasifikaci budoucích oprav v různých časových horizontech a využití doporučovacích systémů pro předpověď pravděpodobných úkonů při další opravě. Ve všech případech dosahují navržené modely lepších výsledků než základní referenční metody, čímž prokazují potenciál využití reálných servisních dat pro účely prediktivní údržby. Tento přístup může vést k optimalizaci nákladů a snížení provozních výpadků jak pro firmy, tak pro řidiče.

Predictive maintenance of cars is primarily focused on forecasting failures of specific components using internal sensor data. This thesis explores the feasibility of using historical repair shop data for predictive maintenance of vehicles. The broad scope of the repair data allows us to predict failures of various components across the entire vehicle. We present three modeling approaches for predictive maintenance. First, we use regression to forecast the remaining useful life of different car components. Second, we apply classification to predict future repairs over varying prediction horizons. Third, we model the data as a next-basket recommendation task, predicting a set of likely repair items. In all three approaches, we achieve consistent improvements over baseline models. Our results demonstrate the potential of using real-world repair data for predictive maintenance, optimizing cost-effectiveness, and minimizing inconvenience and waste for both businesses and drivers.