Prediction of engine failures in the automotive industry using machine learning techniques

Abstract

[ES] Una de las principales amenazas en la industria automotriz es la creciente tasa de fallos vinculados a la fabricación, que se traduce en constantes paradas de montaje no planificadas. A pesar de la fiabilidad de los motores diésel y de gasolina, hay ciertas cuestiones relativas al funcionamiento y la fabricación de los mismos que justifican la necesidad de supervisar los componentes y subsistemas críticos del motor para identificar si se sitúa dentro de unos rangos de seguridad determinados y así poder mantener la calidad y abastecimiento del sector automovilístico.

El uso de algoritmos que integran inteligencia artificial y aprendizaje automático puede aportar más información sobre los distintos fallos que se producen y automatizar la evaluación del rendimiento de las pruebas que se realizan en función de unos parámetros internos ajustados para cada motor, acelerando drásticamente de esta forma los procesos industriales implicados.

En este trabajo, se estudia un modelo basado en técnicas tradicionales de aprendizaje automático para la extracción de atributos provenientes de un gran volumen de resultados de pruebas en caliente (hot-test) de motores, y la posterior detección de anomalías en los mismos, generando un sistema eficiente y automatizado de detección de fallos, lo que hasta el momento implica varias horas de investigación o incluso días si se hiciese manualmente por personas.

En la medida de lo posible, se evalúan los posibles riesgos en función de la probabilidad de que se produzca una anomalía. Por último, se presenta una línea de conducta recomendada y el estudio concluye con una revisión.

[EN] One of the main threats to the automotive industry is the growing manufacturing failure rate, resulting in constant unplanned stops. Despite diesel and petrol engines' known reliability, there are some operational and manufacturing issues that justify monitoring critical engine components and subsystems to identify whether the engine falls within a safety threshold and maintain the overall quality and readiness for petrol-powered vehicles.

The use of complex algorithms entailing Artificial Intelligence (or AI) and Machine Learning (or ML) could provide more insights about the obtained failures and automate the test performance evaluation based on the engine's internal adjusted testing parameters while dramatically speeding up the industrial processes involved.

In this study, a model based on traditional ML techniques will be tested on the extraction of features and subsequent detection of engine anomalies with the overall goal of extracting a large volume of data from engines hot-test results efficiently and transform the information into a comprehensible structure for further utilization, which could easily take several hours or days if manually done by humans.

Where possible, risks are evaluated based on the probability that a failure event may occur. In the end, a recommended course of action is given and the study concludes with a review.