Identifiering av elektriska och komponentrelaterade felmönster i elektriska styrsystem med maskininlärning : Analys av återkommande fel i styrsystem med hjälp av maskininlärning

Sammanfattning

Detta examensarbete undersöker hur man kan använda sig av maskininlärning för att upptäcka mönster i retur- och felkodsdata från elektriska styrsystem. Arbetet gjordes tillsammans med Inmotion Technologies (ZAPI Group).Idag hanteras returer av dessa system manuellt utan någon större återanvändning av historisk feldata. Ett system har utvecklats i Python som jämför nya returärenden med tidigare fall för att hitta liknande fel och loggningsmönster. Systemet tillämpades på ACH-plattformen (högspänningsbaserade drivsystem för el- och hybridfordon). Analysen identifierade mikrosprickor i flerlagerkeramiska kondensatorer(MLCC) som ett återkommande komponentrelaterat fel, där samband mellan elektriska symptom och sekundära följdfel kunde bekräftas mot historiska returärenden. Resultaten visar att metoden möjliggjorde omvandlingen av ostrukturerad data till återanvändbar information, vilket kan minska ledtider inom returhanteringen och möjliggöra mer avancerad felsökning även för mindre erfarna tekniker.