Drinking water is one of our most important re- sources, so the ability to reliably monitor harmful contaminations in our water distribution network is vital. In order to minimize false alarms for water monitoring, while keeping a high sensitivity, a machine learning approach was evaluated in this project. Measurement data captured with a new kind of sensor, an electronic tongue, was provided by Linköping university. The solution was an artificial neural network, in the structure of an Autoencoder, which could learn the dynamic behaviour of natural deviations and with a false alarm rate of approximately one false alarm per week. This was done by evaluating the data and assembling an input structure to account for daily cyclic phenomena, which then was used to train the neural network. The solution could detect anomalies as small as 1.5% by comparing the input with the reconstructed vector, and raise an alarm. In conclusion, an Autoencoder is a viable method for detecting anomalies in water quality. / Drickvatten är en av våra mest värdefulla tillgångar, det är därför mycket viktigt att det finns sätt att pålitligt övervaka om dricksvattennätet blivit förorenat. För att kunna minimera antalet falsklarm och samtidigt ha hög känslighet mot dessa föroreningar undersöktes och implementerades en lösning med maskininlärningsalgoritmer. Mätdata tillhandahölls av Linköpings universitet och kom från en ny sensor kallad elektronisk tunga. Lösningen var ett artificiellt neuralt nätverk i form av en Autoencoder, som kunde lära sig det dynamiska beteende som ofarliga avvikelser utgjorde. Detta gav en lösning som i medel gav ett falsklarm per sju dagar. Detta gjordes genom att utvärdera rådata och konstruera en struktur på indata som tar hänsyn till dygnsbunda naturliga fenomen. Denna struktur användes sedan för att träna det neurala nätverket. Lösningen kunde upptäcka fel ner till 1.5% genom att jämföra indata med den rekonstruerade vektorn, och på så sätt ge ett alarm. / Kandidatexjobb i elektroteknik 2020, KTH, Stockholm