Battery Predictive Maintenance & Replacement Optimization

Signalbehandling og prediksjon2026Predictive MaintenanceForecastingDecision Support

Prediktivt vedlikehold for batteridrevne IoT-sensorer: en sannsynlighetsbasert prognose for gjenværende levetid, koblet til en kostnadsbevisst plan for batteribytte med ruter og arbeidstid.

Utfordringen

En flåte av batteridrevne sensorer i mange bygninger må vedlikeholdes. Hvilke batterier bør byttes, og når? Bytter man for tidlig, går gjenværende levetid og arbeidstid tapt; bytter man for sent, faller sensoren ut og krever en kostbar ekstra utrykning. Planen må i tillegg gå opp med reisetid, arbeidsdager og kapasitet. Grunnlaget var spennings- og temperaturmålinger fra sensorer i drift i norske bygg.

Løsningen

Gjenværende levetid modelleres som en fordeling, ikke som ett tall. En stokastisk degraderingsmodell (en Wiener-prosess med lært drift og volatilitet) gir sannsynligheten for at et batteri når levetidsgrensen innenfor planleggingsvinduet. Sannsynlighetene går inn i en kostnadsmodell for tidlig bytte, sent bytte og utsettelse, og et optimeringslag bestemmer hvilke batterier som skal byttes, hvilken dag og i hvilken rekkefølge.

Hvordan det ble bygget

Prosjektet ble gjennomført i et team på to. Jeg implementerte den stokastiske levetids- og degraderingsmodellen og laget for planlegging, ressursfordeling og optimering. Modellen bruker både døgnverdier og variasjon innad i døgnet (blant annet hvordan spenningen reagerer på temperatursyklusen, en indikator for indre motstand), med temperaturkompensering og sesongeffekter, og kjente sensurtider brukes eksplisitt. Planleggingen fordeler bytter på dager innenfor kapasitetsgrensene med CP-SAT og optimerer rutene (eksakt for små dager, heuristikk for større), med en rask simulering som kontrolleres mot referanseevalueringen. Valideringen er gruppert per bygning for å unngå lekkasje, og alt kjører på CPU innenfor en fast tidsgrense.

Resultat

Løsningen kobler prognose og vedlikeholdsplan ende til ende. I validering gruppert per bygning ga den sannsynlighetsbaserte modellen lavere samlet vedlikeholdskostnad enn både tidligere modellversjoner og en strategi uten bytter. Den viktigste lærdommen var at modellklassen betydde mindre enn features som fanger variasjon innad i døgnet.

Kontekst

Valideringsscenarioene overlapper i tid, så små forskjeller er ikke meningsfulle. Lokal validering samsvarte heller ikke alltid med evaluering på bygg modellen ikke hadde sett, så enkelte beslutninger ble begrunnet i kostnadsforholdet mellom tidlig og sent bytte fremfor lokal score.

Teknologi og metoder

PythonNumPypandasSciPyscikit-learnOR-Tools (CP-SAT)Wiener-prosess / first-passage-modelleringOverlevelsesanalyse med sensureringRuteoptimering (Held-Karp, 2-opt)Gruppert kryssvalidering