AI-Driven Predictive Maintenance with Real-Time Contextual Data Fusion for Connected Vehicles: A Multi-Dataset Evaluation

Titel: AI-gedreven voorspellend onderhoud met real-time contextuele datafusie voor connected voertuigen: Een multi-dataset evaluatie

Auteurs: Kushal Khemani en Dr. Anjum Nazir Qureshi
Publicatiedatum: 7 maart 2026 (arXiv)

1. Het Probleem

Traditionele systemen voor voorspellend onderhoud (Predictive Maintenance - PdM) bij voertuigen vertrouwen bijna uitsluitend op interne diagnostische signalen (zoals motortemperatuur, trillingen en foutcodes via OBD-II). Deze systemen hebben twee fundamentele tekortkomingen:

1. Gebrek aan context: Ze negeren externe factoren die componenten slijtage versnellen, zoals wegkwaliteit, weersomstandigheden, verkeersdichtheid en rijgedrag.
2. Onrealistische validatie: Bestaande systemen worden vaak getest op synthetische data met deterministische labels, wat leidt tot kunstmatig hoge nauwkeurigheidspercentages die niet generaliseren naar de echte wereld.

Er is een urgent behoefte aan een architectuur die interne sensordata combineert met externe contextuele data (via V2X-communicatie) en die geverifieerd is op realistische, onzekere data.

2. Methodologie

De auteurs stellen een proof-of-concept raamwerk voor dat vijf lagen omvat: sensoraquisitie, contextuele data-inname, randverwerking (Edge), cloud-synchronisatie en service-integratie.

• Datafusie-Architectuur:
  • Interne Data: OBD-II signalen (motortemperatuur, brandstof, accu, remmen, etc.) en IMU-data (voor wegkwaliteit).
  • Contextuele Data (V2X): Verkregen via DSRC/C-V2X en APIs (weggevaar, verkeersdichtheid, weer, omgevingstemperatuur).
  • Feature Engineering: De data wordt opgesplitst in vier groepen:
    1. Interne mechanische staat.
    2. Rijgedrag (bijv. hard remmen, acceleratievariatie).
    3. Omgeving/V2X.
    4. Gestructureerde interactie-features (fysisch gemotiveerde combinaties, zoals thermische belasting van de motor).
• Edge Computing: De inferentie vindt plaats op het voertuig (Edge) op een NVIDIA Jetson Orin Nano met TFLite INT8-gekwantiseerde modellen om latentie te minimaliseren (<1 seconde).
• Machine Learning Modellen: Er worden vier classifiers geëvalueerd: Logistic Regression, Random Forest, XGBoost en LightGBM. LightGBM wordt als de beste presteerder geïdentificeerd.
• Validatie Strategie (Drie lagen):
  1. Fysisch geïnformeerde synthetische dataset: Een dataset van 2.000 observaties met probabilistische labels en toegevoegde ruis, ontworpen om de bijdrage van contextuele data te isoleren.
  2. AI4I 2020 Benchmark: Een reële industriële dataset (10.000 monsters, 5 faalmodi) om te testen of de pijplijn generaliseert naar echte, onevenwichtige data.
  3. Ruisgevoeligheidsanalyse: Empirische test van modelprestaties bij toenemende sensorruis ($\sigma$).

3. Belangrijkste Bijdragen

1. Contextuele Fusie Architectuur: Een nieuw raamwerk dat V2X-omgevingsdata integreert met voertuigdiagnostiek voor randverwerking.
2. Causaal Bewijs voor Context: Een ablatiestudie die aantoont dat het verwijderen van V2X-features leidt tot een meetbare daling in prestaties, wat bewijst dat context essentieel is.
3. Robuuste Validatie: Gebruik van de AI4I 2020 dataset met strikte cross-validatie (SMOTE alleen binnen trainingsfolds) en bootstrapped betrouwbaarheidsintervallen.
4. Empirische Ruisanalyse: Vervanging van speculatieve schattingen door gemeten degradatiecurves bij toenemende sensorruis.
5. Interpretbaarheid: SHAP-analyse die bevestigt dat contextuele en interactie-features tot de top-predictoren behoren.

4. Resultaten

• Ablatiestudie (Synthetische Data):

  • Het volledige model (met alle context) bereikte een macro F1-score van 0,855.
  • Het verwijderen van de V2X/Omgevings-features verlaagde de F1-score met 0,026 (naar 0,829).
  • Het werken met alleen interne data (zonder context) resulteerde in een F1 van 0,807 (een verlies van 0,049 punten ten opzichte van het volledige model).
  • Dit bevestigt dat contextuele data een meetbare, causale bijdrage levert.

• AI4I 2020 Benchmark (Real-world Data):

  • LightGBM presteerde het beste met een macro F1 van 0,814 en een AUC-ROC van 0,973.
  • Dit is conservatiever dan eerdere rapporten in de literatuur, wat wijst op een realistischere evaluatie door strikte validatieprotocollen.
  • De analyse toont aan dat "Random Failure" (willekeurige storingen) moeilijk voorspelbaar blijft (F1 ~0,497), terwijl thermische en mechanische storingen goed voorspeld worden.

• Ruisgevoeligheid:

  • Bij lage tot matige ruis ($\sigma \leq 0,5$) blijft de F1-score boven de 0,88.
  • Bij hoge ruis ($\sigma = 2,0$) daalt de score naar 0,74.
  • Dit biedt een onderbouwde basis voor het instellen van waarschuwingsdrempels in de praktijk.

• SHAP-analyse:

  • Vier van de top 15 predictoren waren contextuele of interactie-features (o.a. regen, verkeers-impact op de weg, remstress-index).
  • De richting van de effecten (bijv. regen verhoogt het risico) komt overeen met fysieke verwachtingen.

• Latentie:

  • Edge-inferentie wordt geschat op <1,0 seconde, vergeleken met 3,5 seconden voor cloud-only verwerking, gebaseerd op gemodelleerde LTE-benchmarks.

5. Betekenis en Conclusie

Dit paper biedt een rigoureuze, reproduceerbare proof-of-concept voor contextbewust voorspellend onderhoud. De belangrijkste inzichten zijn:

• Context is cruciaal: Het negeren van externe factoren zoals weer en verkeersdichtheid leidt systematisch tot onnauwkeurige voorspellingen van de resterende levensduur van componenten.
• Realistische evaluatie: Door gebruik te maken van synthetische data met probabilistische labels en een industriële benchmark, vermijdt het paper de valkuil van kunstmatig hoge nauwkeurigheid.
• Edge Computing: Het verplaatsen van inferentie naar het voertuig is technisch haalbaar en essentieel voor real-time reactievermogen.

Beperkingen en Toekomst:
Het paper erkent dat de huidige resultaten gebaseerd zijn op gesimuleerde data en een industriële benchmark (AI4I), niet op echte auto-onderdelen. De volgende noodzakelijke stap is een veldtest op instrumenteerde voertuigen om "ground-truth" faaldata te verzamelen en de modellen te valideren in de echte wereld. De auteurs hebben alle code en de synthetische dataset openbaar gemaakt om verder onderzoek te faciliteren.