<p>Genom att fusionera (sammanföra) data från olika sensorer kan ett resultat uppnås som ger mer än de enskilda sensorerna var för sig. Här utreds vilka sensorer och sensorfusionsmetoder som kan vara aktuella att använda för Scanias adaptiva farthållare (ACC). Den adaptiva farthållaren anpassar det egna fordonets hastighet inte bara till en förinställd hastighet utan även till framförvarande fordons hastighet. Scanias ACC-system använder idag en radar för måldetektering.</p><p>Det finns ett antal algoritmer och arkitekturer som passar för sensorfusionssystem beroende på nivån hos sensordatan och användningsområdet. Minstakvadratmetoder kan användas då data ska matchas mot en fysisk modell, ofta med lågnivådata. När tillgänglig data är på den nivån att den används direkt för att fatta beslut kan sannolikhetsmetoder användas. Intelligent fusion består av kognitiva modeller som avser härma den mänskliga beslutsprocessen. Till detta passar data på hög nivå.</p><p>Två lösningar, för två olika sensoruppsättningar, har tagits fram. Båda lösningarna är uppbyggda av bayesiska nätverk. Det första nätverket fusionerar data från den befintliga radarenheten med data från en kamera som detekterar vägmarkeringar. Resultaten visar att filbyten kan upptäckas tidigare i och med fusionen. Det andra nätverket använder sig av två radarenheter, den ursprungliga samt en likadan enhet till, vilket resulterar i ett bredare synfält. Nätverket avgör vilka mål hos respektive radar som kan anses vara samma matchade mål. Informationen kan användas för att öka redundansen i systemet samt för att upptäcka mål tidigare än förut.</p> / <p>By fusing data from different sensors a result can be achieved that is worth more than the data from each sensor by itself. Which sensors and sensor fusion methods that could be used in Scania's adaptive cruise control system (ACC) is investigated. The ACC system adapts the vehicle's speed not only to a driver decided set speed but also to the speed of preceding vehicles. Scania's ACC system uses a radar for target detection.</p><p>There exists a number of algorithms and architectures fit for use in sensor fusion systems. Which one to use depends on the level of the data to be fused and on the field of application. Least square methods are used when matching data to a physical model, data to be used is often at a low level. When working with data at decision level, probability methods are favored. Another example is intelligent fusion, cognitive methods intending to mimic the human decision process. Suitable data is data at a high level.</p><p>Two solutions, for two different sensor sets, are proposed. Both solutions are made out of Bayesian networks. The first one fuses data from the existing radar unit with data from a camera which detects lane markings. The results show that lane changes can be detected earlier thanks to the fusion. The second network uses two radar sensors of the same kind as the first, resulting in a wider field of view. The network decides which ones of each radars targets that are the same matching targets. This information could be used to increase the redundancy of the system and to detect targets earlier.</p>

<p>Vid analys av fluider med akustisk spektroskopi finns ett behov av att finna multivariata metoder för att utifrån akustiska spektra prediktera storheter såsom viskositet och densitet. Användning av artificiella neurala nätverk och bayesiska nätverk för detta syfte utreds genom teoretiska och praktiska undersökningar. Förbehandling och uppdelning av data samt en handfull linjära och olinjära multivariata analysmetoder beskrivs och implementeras. Prediktionsfelen för de olika metoderna jämförs och PLS (Partial Least Squares) framstår som den starkaste kandidaten för att prediktera de sökta storheterna.</p> / <p>When analyzing fluids using acoustic spectrometry there is a need of finding multivariate methods for predicting properties such as viscosity and density from acoustic spectra. The utilization of artificial neural networks and Bayesian networks for this purpose is analyzed through theoretical and practical investigations. Preprocessing and division of data along with a handful of linear and non-linear multivariate methods of analysis are described and implemented. The errors of prediction for the different methods are compared and PLS (Partial Least Squares) appear to be the strongest candidate for predicting the sought-after properties.</p>

Vid analys av fluider med akustisk spektroskopi finns ett behov av att finna multivariata metoder för att utifrån akustiska spektra prediktera storheter såsom viskositet och densitet. Användning av artificiella neurala nätverk och bayesiska nätverk för detta syfte utreds genom teoretiska och praktiska undersökningar. Förbehandling och uppdelning av data samt en handfull linjära och olinjära multivariata analysmetoder beskrivs och implementeras. Prediktionsfelen för de olika metoderna jämförs och PLS (Partial Least Squares) framstår som den starkaste kandidaten för att prediktera de sökta storheterna. / When analyzing fluids using acoustic spectrometry there is a need of finding multivariate methods for predicting properties such as viscosity and density from acoustic spectra. The utilization of artificial neural networks and Bayesian networks for this purpose is analyzed through theoretical and practical investigations. Preprocessing and division of data along with a handful of linear and non-linear multivariate methods of analysis are described and implemented. The errors of prediction for the different methods are compared and PLS (Partial Least Squares) appear to be the strongest candidate for predicting the sought-after properties.

Genom att fusionera (sammanföra) data från olika sensorer kan ett resultat uppnås som ger mer än de enskilda sensorerna var för sig. Här utreds vilka sensorer och sensorfusionsmetoder som kan vara aktuella att använda för Scanias adaptiva farthållare (ACC). Den adaptiva farthållaren anpassar det egna fordonets hastighet inte bara till en förinställd hastighet utan även till framförvarande fordons hastighet. Scanias ACC-system använder idag en radar för måldetektering. Det finns ett antal algoritmer och arkitekturer som passar för sensorfusionssystem beroende på nivån hos sensordatan och användningsområdet. Minstakvadratmetoder kan användas då data ska matchas mot en fysisk modell, ofta med lågnivådata. När tillgänglig data är på den nivån att den används direkt för att fatta beslut kan sannolikhetsmetoder användas. Intelligent fusion består av kognitiva modeller som avser härma den mänskliga beslutsprocessen. Till detta passar data på hög nivå. Två lösningar, för två olika sensoruppsättningar, har tagits fram. Båda lösningarna är uppbyggda av bayesiska nätverk. Det första nätverket fusionerar data från den befintliga radarenheten med data från en kamera som detekterar vägmarkeringar. Resultaten visar att filbyten kan upptäckas tidigare i och med fusionen. Det andra nätverket använder sig av två radarenheter, den ursprungliga samt en likadan enhet till, vilket resulterar i ett bredare synfält. Nätverket avgör vilka mål hos respektive radar som kan anses vara samma matchade mål. Informationen kan användas för att öka redundansen i systemet samt för att upptäcka mål tidigare än förut. / By fusing data from different sensors a result can be achieved that is worth more than the data from each sensor by itself. Which sensors and sensor fusion methods that could be used in Scania's adaptive cruise control system (ACC) is investigated. The ACC system adapts the vehicle's speed not only to a driver decided set speed but also to the speed of preceding vehicles. Scania's ACC system uses a radar for target detection. There exists a number of algorithms and architectures fit for use in sensor fusion systems. Which one to use depends on the level of the data to be fused and on the field of application. Least square methods are used when matching data to a physical model, data to be used is often at a low level. When working with data at decision level, probability methods are favored. Another example is intelligent fusion, cognitive methods intending to mimic the human decision process. Suitable data is data at a high level. Two solutions, for two different sensor sets, are proposed. Both solutions are made out of Bayesian networks. The first one fuses data from the existing radar unit with data from a camera which detects lane markings. The results show that lane changes can be detected earlier thanks to the fusion. The second network uses two radar sensors of the same kind as the first, resulting in a wider field of view. The network decides which ones of each radars targets that are the same matching targets. This information could be used to increase the redundancy of the system and to detect targets earlier.

This thesis is about symptom-based troubleshooting of heavy vehicles. The existing troubleshooting system at Scania is adapted to handle errors based on electronic fault codes. This means that some faults, such as mechanical faults when sensors are missing, are difficult to troubleshoot. In the thesis, a method is developed that will be a part of a symptom-based troubleshooting system which can handle all types of errors. The main objectives of the thesis are both to develop a method that can link customer symptoms with system reactions and also to develop formats for both customer symptoms and FMEA for the developed method. In the thesis, a literature study was first conducted in which troubleshooting methods and principles for the formalization of customer data were identified. The identified troubleshooting methods were Bayesian Network, Case-Based-Reasoning and Fault tree analysis. A case study was then conducted which was based on several documents for troubleshooting in gas engines and gas tanks. In the case study, data from the literature study and the empirically collected data were used to develop the final concept of the method. The case study included, among other things, semi-structured interviews to map out the existing troubleshooting process, and a workshop to choose the final concept. In order to meet the objectives of the thesis two research questions and one question linked to the case study were formulated: Research Questions: • RQ1: How is the troubleshooting process affected by the methods that can be used to link customer symptoms with system reactions in heavy vehicles? • RQ2: How can customer data and FMEA be formalized in order to be useful in the troubleshooting process of heavy vehicles? Case Study: • What kind of data is missing from Scania’s existing documentation to link customer symptoms with system reactions? The thesis resulted in a method based on two troubleshooting methods Bayesian network and Case-Based-Reasoning. The method links customer symptoms with system reactions by excluding human considerations and instead relying on previously documented cases and probabilities. A requirement for using this method is a cooperation between customer support, mechanics and development engineers. The formalization of customer symptoms in the developed method is based on what good data is for mechanics in troubleshooting contexts and what customers are capable of communicating; deviation – the customer’s description of the vehicle’s unexpected condition, position – where the customer considers the deviation to be present, context – what happened before, during and after the deviation was discovered. The conclusions that can be drawn is that it is not necessary to link customer symptoms with system reactions since the developed method allows the customer symptoms to be linked directly to the corrective actions needed. In addition, it was noted that the existing documentation at Scania on customer symptoms and system reactions is insufficient. However, this is not problematic as it was shown that FMEA is redundant for the method developed. In order for customer data to be useful, the formalization should include deviation, position and context. Further conclusions are that the role of the customer support becomes less critical when data driven troubleshooting methods are used, and that the accuracy of the developed method will improve over time as more data will be collected. / Detta arbete behandlar symptombaserad felsökning av tunga fordon. Scanias befintliga felsökningssystem är anpassat för att hantera fel som grundas i elektroniska felkoder. Detta innebär att vissa typer av fel, såsom mekaniska fel när sensorer saknas, är svåra att felsöka. I detta arbete utvecklas en metod som ska ingå i ett symptombaserat felsökningssystem eftersom ett sådant system kan hantera alla typer av fel. Målen med arbetet är att utveckla en metod som kan sammankoppla kundsymptom med systemreaktioner, och utveckla format för kundsymptom och FMEA för den framtagna metoden. I arbetet utfördes först en litteraturstudie där felsökningsmetoder och principer för formaliseringen av kunddata identifierades. Felsökningsmetoderna som identifierades var Bayesiska nätvkerk, Case-Based-Reasoning och Felträdsanalys. Därefter utfördes en fallstudie som grundades på underlag om felsökning inom gasmotorer och gastankar. I fallstudien användes data från litteraturstudien och den empiriskt insamlade data för att utveckla det slutgiltiga konceptet. I fallstudien utfördes bland annat semistrukturerade intervjuer för att kartlägga den befintliga felsökningsprocessen, och en workshop för att kunna välja det slutgiltiga konceptet. För att kunna uppfylla arbetets mål formulerades två forskningsfrågor och en frågeställning kopplad till fallstudien: Forskningsfrågor: • F1: Hur påverkas felsökningsprocessen utifrån de metoder som kan användas för att sammankoppla kundsymptom med systemreaktioner inom tunga fordon? • F2: Hur kan kunddata och FMEA formaliseras för att vara användbara inom felsökningsprocessen av tunga fordon? Fallstudie: • Vilken data saknas i Scanias befintliga dokumentation för att kunna sammankoppla kundsymptom med systemreaktioner? Arbetet resulterade i en metod som baseras på de två felsökningsmetoderna Bayesiska nätverk och Case-Based-Reasoning. Metoden sammankopplar kundsymptom med systemreaktioner genom att exkludera mänskligt avvägande och istället förlita sig på tidigare dokumenterade fall och sannolikhet. En förutsättning för att metoden ska kunna användas är ett samarbete mellan kundmottagare, mekaniker och utvecklingsingenjörer. Formaliseringen av kundsymptom i den framtagna metoden bygger på vad bra data är för mekaniker i felsökningssammanhang och vad kunderna är kapabla att förmedla; avvikelse – kundens beskrivning av fordonets oväntade tillstånd, position – var anser kunden att avvikelsen förekommer, kontext – vad hände innan, under och efter att avvikelsen upptäcktes. Slutsatserna som kan dras utifrån arbetet är att det inte är nödvändigt att sammankoppla kundsymptom med systemreaktioner, utan kundsymptom kan sammankopplas direkt med åtgärder med den framtagna metoden. Dessutom noterades det att den befintliga dokumentationen hos Scania angående kundsymptom och systemreaktioner är bristfällig. Detta är inte problematiskt då det påvisades att FMEA inte är nödvändig för att metoden ska fungera. För att kunddata ska vara användbart bör formaliseringen ske med avvikelse, position och kontext. Ytterligare slutsatser är att kundmottagarrollen blir mindre kritisk när datadrivna felsökningsmetoder används, och att den framtagna metodens träffsäkerhet kommer att förbättras över tid allt eftersom mer data har samlats in.