Att hitta instrument för att efterlikna den mänskliga näsan har under en längre tid varit ett område som intresserar forskare. Dessa instrument kan potentiellt vara ett användbart verktyg för att uppnå FN:s uppsatta globala mål för att nå en hållbar utveckling, Agenda 2030. Projektet är en experimentell kvantitativ studie och syftet är att undersöka möjligheten att ta fram ett fristående mätsystem för detektering och identifiering av sur mjölk och ruttet kött i ett kylskåp. Ett trådlöst mätsystem med en serie gassensorer är framtaget tillsammans med ett gränssnitt för fjärrstyrning. Mätningar utfördes på kända mätobjekt under två veckor. Därefter utfördes mätningar på okända mätobjekt under lika lång tid. Resultatet från studien visade att det framtagna mätsystemet kan detektera och identifiera sur mjölk och ruttet kött utan extern programvara. Mätsystemet en tillförlitlighet på 89% när det gäller att klassificera okända mätobjekt. Denna studie visar att mätsystemet kan detektera och identifiera sur mjölk och ruttet kött via fjärrstyrning. / To find devices mimicking the human nose have under some time been an area of interest for researchers. These devices can potentially be a useful tool to achieve UN: s global goals for sustainable development, Agenda 2030. This project is an experimental quantitative study with the aim to investigate the possibility to create a stand-alone measuring system for detecting and identifying spoiled milk and rotten meat in a fridge. A wireless measuring system with an array of gas sensors was developed together with interface for remote control. Measurements was made from known measuring objects for two weeks. Thereafter measurements of unknown measuring objects were also done for two weeks. The result of the study showed that the developed measuring system can be remotely controlled to detect and identify spoiled milk and rotten meat without external software. The measuring system has an accuracy of 89% when it comes to classify unknown measurement objects. This study shows that the measuring system can detect and identify spoiled milk and rotten meat via remote control.

I dagsläget finns det ingen standardiserad metod för att mäta en enhets tillstånd medhjälp av dofter. Vid tillståndsövervakning av rullningslager är vibrationsmätning denmest dominanta metoden. I samband med vibrationsmätning används i vissa falltemperaturövervakning för att få en bättre insikt på rullningslagrets tillstånd. I det härarbetet undersöks de om en elektronisk näsa kan avgöra ett rullningslagers tillstånd.Innan några mätningar påbörjas monterades en elektronisk näsa ihop i ett hölje sombestår av ett kretskort, metalloxid-sensorer och en fläkt för att styra dofter med ettkonstant flöde mot sensorerna. Den elektroniska näsan styrs av en Arduino Nanomikrokontroller. Utöver e-näsan sättes en enhet ihop tillhörande två temperaturgivareoch en luftfuktighetsgivare som styrs av en Arduino UNO. Enhetens syfte är att kunnakontrollera de rådande förhållandena vid mätningar och för att leta någon form avkorrelation mot e-näsan vid eventuella utslag. Förstörande prover av kullager utfördesför att se om e-näsan reagerar innan ett lagerhaveri. Testerna gjordes i en öppen samtsluten miljö och tre stycken olika oljor används för att smörja lagret. Detta för att seom e-näsan reagerar olika beroende på vilken olja som används. En undersökningutförs ifall den elektroniska näsan kan separera på de tre oljorna som används ilagertesterna. För att utvärdera mätresultaten används Excel och Minitab, därprincipalkomponentanalyser genomförs på all mätdata. Efter att alla lagerprover harverkställts utfördes en uppföljning av rullningslagrena för att studera deras tillstånd,detta genom ett optiskt mikroskop.Det framgår i rapporten att med hjälp av analysmetoden PCA syns det att denelektroniska näsan kunde skilja på hydraulolja, motorolja och växellådsolja. Utslag iPCA för de olika mätserierna blev inte identiska men det blev tydligaklusterindelningar hos samtliga mätserier. Genomförd studie visade att med delagerhaveri samt temperaturer går det inte att avgöra ett kullagers tillstånd med hjälpav en elektronisk näsa. Eftersom att de specifika gas-sensorerna som användes till enäsaninte gav någon form av utslag vid mätningarna. Den elektroniska näsanreagerade däremot vid totalhaveri av kullager, vilket är för sent i ett förebyggandeunderhållsperspektiv. Detta medförde att den elektroniska näsan inte kan användas förtillståndsövervakning av det specifika kullagret som användes vid denna studie. / At present, there is no standardized method of measuring a device's condition with thehelp of odors. In condition monitoring of rolling bearings, vibration measurement isthe most dominant method. In case of vibration measurement, temperature monitoringis used in some cases to get a better insight into the condition of the bearing. In thiswork, it is investigated whether an electronic nose can determine the condition of arolling bearing.Before any measurements began, an electronic nose is assembled in a housingconsisting of a circuit board, metal oxide sensors and a fan for stearing odors with aconstant flow towards the sensors. The electronic nose is controlled by an ArduinoNano which is a microcontroller. In addition to the e-nose, a unit is connected to twotemperature sensors and a humidity sensor controlled by an Arduino UNO. The unit'spurpose is to monitor the status and to look for any kind of correlation with the e-nosein case of any possible findings. Destructive specimens of ball bearings are performedto see if the e-nose responds prior to a bearing failure. Tests are conducted in an openand closed environment and three different oils are used to lubricate the bearings.This to see if the e-nose acts differently depending on the oil that is used. Aninvestigation is conducted if the electronic nose can separate the three different typesof oils that is used in the destructive bearing tests. To evaluate the measurementresults, Excel and Minitab are used, where principal component analysis is performedon all measurement data. After all bearing tests have been performed, a follow-up ofthe rolling bearings condition is performed, this through an optical microscope.The report shows that using the PCA analysis method, it appears that the electronicnose could distinguish between hydraulic oil, engine oil and gear oil. In the PCA forthe different measurement series the results did not become identical, but clusterdivisions became clear in all measurement series. Completed study showed that withthese bearing failures and temperatures, it is not possible to determine the condition ofthis ball bearer using an electronic nose. Because the specific gas sensors used for thee-nose did not give any kind of impact during the measurements. On the other hand,the electronic nose responded to a total failure of a ball bearing, which is too late in apreventative maintenance perspective. Therefore, the electronic nose cannot be usedfor condition monitoring of the specific ball bearing used in this study.

The main goal of this project, running at Neurofy AB, was that developing an AI recognition algorithm also known as, gas sensing algorithm or simply recognition algorithm, based on Artificial Intelligence (AI) technology, which would have the ability to detect or predict diary cattle diseases using odor signal data gathered, measured and provided by Gas Sensor Array (GSA) also known as, Electronic Nose or simply E-nose developed by the company. Two major challenges in this project were to first overcome the noises and errors in the odor signal data, as the E-nose is supposed to be used in an environment with difference conditions than laboratory, for instance, in a bail (A stall for milking cows) with varying humidity and temperatures, and second to find a proper feature extraction method appropriate for GSA. Normalization and Principal component analysis (PCA) are two classic methods which not only intended for re-scaling and reducing of features in a data-set at pre-processing phase of developing of odor identification algorithm, but also it thought that these methods reduce the affect of noises in odor signal data. Applying classic approaches, like PCA, for feature extraction and dimesionality reduction gave rise to loss of valuable data which made it difficult for classification of odors. A new method was developed to handle noises in the odors signal data and also deal with dimentionality reduction without loosing of valuable data, instead of the PCA method in feature extraction stage. This method, which is consisting of signal segmentation and Autoencoder with encoder-decoder, made it possible to overcome the noise issues in data-sets and it also is more appropriate feature extraction method due to better prediction accuracy performed by the AI gas recognition algorithm in comparison to PCA. For evaluating of Autoencoder monitoring of its learning rate of was performed. For classification and predicting of odors, several classifier, among alias, Logistic Regression (LR), Support vector machine (SVM), Linear Discriminant Analysis (LDA), Random forest Classifier (RFC) and MultiLayer perceptron (MLP), was investigated. The best prediction was obtained by classifiers MLP . To validate the prediction, obtained by the new AI recognition algorithm, several validation methods like Cross validation, Accuracy score, balanced accuracy score , precision score, Recall score, and Learning Curve, were performed. This new AI recognition algorithm has the ability to diagnose 3 different diary cattle diseases with an accuracy of 96% despite lack of samples. / Syftet med detta projekt var att utveckla en igenkänning algoritm baserad på maskinintelligens (Artificiell intelligens (AI) ), även känd som gasavkänning algoritm eller igenkänningsalgoritm, baserad på artificiell intelligens (AI) teknologi såsom maskininlärning ach djupinlärning, som skulle kunna upptäcka eller diagnosera vissa mjölkkor sjukdomar med hjälp av luktsignaldata som samlats in, mätts och tillhandahållits av Gas Sensor Array (GSA), även känd som elektronisk näsa eller helt enkelt E-näsa, utvecklad av företaget Neorofy AB. Två stora utmaningar i detta projekt bearbetades. Första utmaning var att övervinna eller minska effekten av brus i signaler samt fel (error) i dess data då E-näsan är tänkt att användas i en miljö där till skillnad från laboratorium förekommer brus, till example i ett stall avsett för mjölkkor, i form av varierande fukthalt och temperatur. Andra utmaning var att hitta rätt dimensionalitetsreduktion som är anpassad till GSA. Normalisering och Principal component analysis (PCA) är två klassiska metoder som används till att både konvertera olika stora datavärden i datamängd (data-set) till samma skala och dimensionalitetsminskning av datamängd (data-set), under förbehandling process av utvecling av luktidentifieringsalgoritms. Dessa metoder används även för minskning eller eliminering av brus i luktsignaldata (odor signal data). Tillämpning av klassiska dimensionalitetsminskning algoritmer, såsom PCA, orsakade förlust av värdefulla informationer som var viktiga för kllasifisering. Den nya metoden som har utvecklats för hantering av brus i luktsignaldata samt dimensionalitetsminskning, utan att förlora värdefull data, är signalsegmentering och Autoencoder. Detta tillvägagångssätt har gjort det möjligt att övervinna brusproblemen i datamängder samt det visade sig att denna metod är lämpligare metod för dimensionalitetsminskning jämfört med PCA. För utvärdering of Autoencoder övervakning of inlärningshastighet av Autoencoder tillämpades. För klassificering, flera klassificerare, bland annat, LogisticRegression (LR), Support vector machine (SVM) , Linear Discriminant Analysis (LDA), Random forest Classifier (RFC) och MultiLayer perceptron (MLP) undersöktes. Bästa resultate erhölls av klassificeraren MLP. Flera valideringsmetoder såsom, Cross-validering, Precision score, balanced accuracy score samt inlärningskurva tillämpades. Denna nya AI gas igenkänningsalgoritm har förmågan att diagnosera tre olika mjölkkor sjukdomar med en noggrannhet på högre än 96%.