The project objective is to investigate the possibility to apply and implement real time anomaly detection on temporal multivariate signals on-board the vehicle with knowledge sharing for fault detection. Within the truck industry, severe faults are rare and very expensive to reproduce on test labs. This makes it difficult to go with traditional classification methods for fault detection. Anomaly detection is identification of rare observations that differ significantly from the majority of the data set. In this case, normal functional operations of the vehicle would be the majority of the data set, which makes this a perfect approach for fault detection. Learning and knowledge sharing between vehicles are important as one vehicle might not expand the whole space of possible operations. A new encounter might look suspicious for one vehicle but it might be a daily routine for another vehicle, hence the collective experience sharing is an important aspect of anomaly detection. In this project, several different anomaly detection methods on recorded time series data were investigated. These recorded data include normal driving of a vehicle and faulty drives with purposely injected fault.

Den övergripande frågan som projektet LOBSTR försöker besvara är om det är möjligt att tillämpa anomalidetektionsmetoder på temporala multivariata signaler för feldetektering på fordonets styrenhet. Anomalidetektion är identifiering av sällsynta händelser som inte passar in med resterande data, vilket oftast sker genom ett avståndsmått mellan datapunkterna. I detta fall, ska metoden lära sig fordonets “normala” beteende och upptäcka när något är “konstigt” med fordonet, dvs. en anomali. Då fordonets styrenheter har begränsad prestanda och kapacitet, måste metoderna vara lättviktiga samt kunna dela med sig kunskaperna fordonet lärt sig med andra fordon, så kallad federerad inlärning (eng. federated learning). Innan projektet, hade vi samlat in massa tidsseriedata från lastbilen i normala körförhållanden samt en del körningar där vi medvetet hade något fel i fordonet (t.ex. läckage i lufttrycksystemet). All detta data kan användas för att träna metoderna för det normala beteendet och verifiera på de felinjicerade körningarna.