This thesis examines the possibilities of a more efficient condition-based maintenance in the railway sector by using trend analysis with temperature data from hot box detectors. The study shows that the use of trend analysis directly on hot box measurements could induce misleading predictions due to certain detector characteristics. Because of this, multiple linear regression models were used to estimate the temperature of bearings based on several known parameters for each detector. A second type of linear model was then used to predict future values of the difference between the estimated temperature and the measured temperature. Results from this study show a large variation in the predicted values. The variations of the predictions depend on the amount of measurements included in the model, the time difference between the measurements, the uncertainty of each measurement, the mean value of the measurements included, and the weight function of the model. Large prediction variations resulted in predicted values where it was difficult to separate scenarios that could be considered "normal" from scenarios where a hot box warning would be desirable. For the prediction model to be able to reduce the risk for false alarms without increasing the risk of overlooking actual faults the model needs to be improved or combined with other models.

Företagen LKAB och SJ är statligt ägda aktiebolag som har målsättningen att bedriva en säker och lönsam verksamhet. Båda företagens verksamheter är starkt förknippade med tågtransporter av olika slag, där LKAB transporterar malm mellan gruvorna i malmfälten och deras malmhamnar på kusten, och SJ som bedriver persontrafik med cirka 1200 dagliga avgångar från deras 284 olika stationer. En av de viktigaste förutsättningarna för bolagens existens är förmågan att utöva järnvägstransporter med rälsgående fordon på ett lönsamt och effektivt sätt. För att uppnå detta krävs ett driftsäkert och tillförlitligt järnvägssystem, vilket är starkt förknippat med förmågan att underhålla rullande material. Syftet med studien var att undersöka möjligheterna att förbättra det förebyggande underhållet av rälsgående fordon och på så sätt bidra till minskade underhållskostnader och ökad livslängd på hjul, axlar och räls. Målet var att undersöka ifall mätning av laterala och vertikala krafter kunde användas för att identifiera skador och slitage hos hjul i ett tidigt skede, på så vis ges möjlighet att övergå till att optimera det tillståndsbaserat underhåll.   Metoden för arbetet gick ut på att identifiera individer i form av vagnar eller lok från de båda aktörerna som visade avvikande mätvärden vid passage genom mätsystemet StratoForce i Sävast. Uppmätta krafter från aktuella passager analyserades grafiskt för att ge en överskådlig bild av fordonens försämring över tid. Beroende på vilka krafter som var avvikande kunde ett antagande om hjulens slitage eller eventuell skadetyp göras. Det fortsatta arbetet gick ut på att göra en okulär avsyning av individen för att om möjligt hitta korrelationer mellan uppmätta krafter och fysiska skador eller slitage på hjulen. Vid enstaka tillfällen användes även optiska och mekaniska mätverktyg vid avsyning.   Behovet av mätsystem för tillståndsövervakning är stort, detta är något samtliga parter är överens om. Resultatet av utvärderingen visar att det finns korrelationer mellan analyserade krafter och skicket på avsynade hjul, exempelvis hade höga vertikala vibrationer en tydlig koppling till ytskador. Vår bedömning är att mätsystemet i kombination med kvalitativ analys redan i dag kan användas för tillståndsövervakning av rullande material på järnvägen. Begränsningarna ligger i att knyta krafternas storlek till skadornas omfattning, något som till största delen beror på brister i mätutrustningens placering.

No description available.

This project highlights various methods used to detect the elongated elemental particle neutrino. It is especially focused on the IceCube observatory, which uses Cherenkov light to detect these particles. Neutrino is an importnant building block in astrophysics and particle physics research as this particle can travel from great distances in time and space without interacting with matter. This means that high-energy neutrinos that are detected can orginate from strong explosions from outer space, even from explosions billion years ago, like Big Bang. This means that these particles carry a huge amount of information about the universe. The project also contains an experiment whose purpose is to demonstrate that with simple materials it is possible to detect particles that are not otherwise visible to the naked eye.

While there are existing methods of gamma ray-track reconstruction in specialized detectors such as AGATA, including backtracking and clustering, it is naturally of interest to diversify the portfolio of available tools to provide us viable alternatives. In this study some possibilities found in the field of machine learning were investigated, more specifically within the field of graph neural networks. In this project there was attempt to reconstruct gamma tracks in a germanium solid using data simulated in Geant4. The data consists of photon energies below the pair production limit and so we are limited to the processes of photoelectric absorption and Compton scattering. The author turned to the field of graph networks to utilize its edge and node structure for data of such variable input size as found in this task. A graph neural network (GNN) was implemented and trained on a variety of gamma multiplicities and energies and was subsequently tested in terms of various accuracy parameters and generated energy spectra. In the end the best result involved an edge classifier trained on a large dataset containing a 10^6 tracks bundled together into separate events to be resolved. The network was capable of recalling up to 95 percent of the connective edges for the selected threshold in the infinite resolution case with a peak-to-total ratio of 68 percent for a set of packed data with a model trained on simulated data including realistic uncertainties in both position and energy. / Trots att det existerar en mängd metoder för rekonstruktion av spår i specialiserade detektorer som AGATA är det av naturligt intresse att diversifiera och undersöka nya verktyg för uppgiften. I denna studie undersöktes några möjligheter inom maskininlärning, närmare bestämt inom området neurala grafnätverk.  Under projektets gång simulerades data av fotoner i en ihålig, sfärisk geometri av germanium i Geant4. Den simulerade datan är begränsad till energier under parproduktion så datan består av reaktioner genom den fotoelektriska effekten och comptonspridning. Den variabla storleken på denna data och dess spridning i detektorns geometri lämpar sig för ett grafformat med nod och länkstruktur. Ett neuralt grafnätverk (GNN) implementerades och tränades på data med gamma av variabel multiplicitet och energi och evaluerades på ett urval prestandaparametrar och dess förmåga att generera ett användbart spektra. Slutresultatet involverade en länkklassificerings modell tränat på data med 10^6 spår sammanslagna till händelser. Nätverket återkallade 95 procent av positiva länkar för ett val av tröskelvärde i fallet med oändlig upplösning med ett peak-to-total på 68 procent för packad data behandlad med osäkerhet i energi och position motsvarande fallet med begränsad upplösning.

During the past years photon-counting detectors (PCDs) have emerged as an alternative to conventional energy-integrating detectors and may significantly improve the standard of care for computed tomography (CT). There are two main alternatives for the material of the detector: cadmium telluride (CdTe) and silicon (Si). The settings of the X-ray tube and the applied filters need to be evaluated and optimized for the new detector technology. In this report, Monte Carlo simulations are used to determine how image quality is affected by different X-ray tube voltages and filter thicknesses. The image quality indicators that were chosen to evaluate are detective quantum efficiency (DQE) for material quantification and both DQE and dose-normalized signal-difference-to-noise ratio (SDNR) for detection tasks. Overall, silicon-based detectors performed better than cadmium-based detectors for quantification imaging tasks for all object thicknesses, while cadmium-based detectors were superior for detection imaging tasks in larger patients. For both silicon- and cadmium-based detectors, the dose-normalized image quality was largely independent of filter thickness, while the X-ray tube voltage had a more distinct impact on the result, where low voltages were optimal. / Under de senaste åren har fotonräknande detektorer blivit aktuellt som ett alternativ till konventionella energiintegrerande detektorer och kommer troligen förbättra datortomografibilder avsevärt. För de nya detektorerna finns det två huvudsakliga materialalternativ: kadmiumtellurid (CdTe) och kisel (Si). Inställningarna för röntgenröret och det pålagda filtret behöver utvärderas och optimeras för den nya detektorteknologin. I denna rapport användes Monte Carlo-simuleringar för att bestämma hur bildkvaliteten påverkades av rörspänningen och filtertjockleken. Bildkvaliteten bestämdes sedan utifrån tre indikatorer, detective quantum efficiency (DQE) för materialbestämning samt både DQE och dosnormaliserad signal-difference-to-noise ratio (SDNR) för detektionsuppgifter.    Den kiselbaserade detektorn presterade bättre än den kadmiumbaserade för materialbestämning för alla patientstorlekar medan den kadmiumbaserade presterade bättre på detektionsuppgifterna för större patienter. Vidare var den dosnormaliserade bildkvaliteten för både kisel- och kadmiumdetektorer svagt beroende av filtertjocklek medan båda påverkades starkt av rörspänningen, där låga spänningar var att föredra.