Analysis of the capabilities of IoT-data in predicting axle oil quality

Abstract

Tämän opinnäytetyön tarkoituksena oli tutkia akseleiden öljynlaadun ja kerätyn IoT-ajodatan eli ajoneuvoista kerätyn ajotiedon välistä yhteyttä, jotta tulevaisuudessa öljynlaatua voitaisiin ennustaa ajodatan perusteella. Perusolettamuksena oli se, että operaattorin eli kuljettajan vääränlainen ajotapa saattaa aiheuttaa teollisuusajoneuvojen akseleille ylimääräistä kuormitusta, mikä johtaa akseleiden ennenaikaiseen rikkoontumiseen. Pohjimmiltaan ennenaikaisten rikkoontumisten oletetaan johtuvan akseleiden ylikuumenemisesta. Akseleiden ylikuumenemisen oletetaan tapahtuvan, kun ajoneuvolla jarrutetaan, etenkin tilanteissa, joissa ajoneuvon sisäinen hidastin tai moottorijarru eivät avusta jarruja hidastamaan ajoneuvon liikenopeutta. Tällöin kaikki jarrutuksesta syntyvä kuormitus on puhtaasti jarrulevyillä, jotka työskennellessään kuumentavat koko akselin. IoT-datasta mallinnettiin 4 erilaista jarrutustilaa, ja näiden jarrutustilojen korrelaatiota öljynlaatuun verrattiin sekä visuaalisin että matemaattisin menetelmin. Teoreettinen tausta kattoi yleisen data-analyysi prosessin, erilaiset data-analyysi tyypit sekä niiden hyödyntämisen digitaalisissa kaksosissa sekä tiedolla johtamisessa päätöksenteossa. Opinnäytetyön toiminnallinen osuus tehtiin samassa järjestyksessä kuin teoriaosuuessa esitettiin. Työn toiminnallisessa osuudessa selvisi, että vaikka ajoneuvodata korreloi öljynlaadun kanssa visuaalisin menetelmin tarkasteltuna, ei yhteys ole statistisesti pätevä. Statistinen pätevyys perustui datalle suoritettuihin hypoteesitesteihin. Opinnäytetyön tarkoitus oli selvittää, voidaanko yksinkertaisilla ajotiedoilla rakentaa sellainen malli, joka mahdollistaisi öljynlaadun ennustamisen teollisuusajoneuvoissa, mieluusti jopa reaaliajassa. Tässä tapauksessa mallinnettu IoT-data ei kuitenkaan näyttänyt korreloivan riittävän hyvin akseleiden öljynlaadun kanssa, ja siksi opinnäytetyö sisälsi myös analyysin juurisyyn selvittämiseen. Opinnäytetyön lopussa esitettiin useampi jatkotoimenpide, jotta tulevaisuudessa IoT-data saataisiin mallinnettua paremmin, ja öljynlaatu pystyttäisiin mahdollisesti ennustamaan.

This thesis studied the relationship between examined axle oil quality and IoT drive data, with the goal of being able to predict oil quality purely based on IoT-data in the future. It is expected that operator’s behavior may cause excess amount of strain on industrial vehicles, and therefore cause premature breakdowns. The suspected reason for the premature axle breakdowns is due to axle overheating. Axle overheating is expected to occur during braking, especially on high gear on which the vehicle’s internal retarder or motor brake does not aid the vehicle to slow down, so all the speed reduction is generated by the brak-ing pads directly, which heat up the whole axle. IoT collected data was modeled into 4 different braking scenarios, and their correlation with oil quality data was examined both with visual methods and with statistical testing. The theoretical background covered the general data-analysis process, different kinds of data-analysis types and their usability in digital twins and data driven decision making. The theory part dictates the order of the different sub-analyses performed during the thesis process. The analytical part clarified that even though the IoT-data correlated well with oil quality when examined with visual methods, the connection is not statistically significant. Statistical significance was based on hypothesis tests used on the data. The goal of the study was to find out whether the most basic driving parameters can be used to build and efficient model which in the future could predict the oil quality inside the vehicle, preferably in real-time. In this case the modeled IoT-data does not seem to correlate well enough with the oil quality samples, the reasons for this are analyzed and as many development proposals as possible are pre-sented in order to make the model more valuable in the future.