Mikrochip, eller integrerad krets, är en samling av elektroniska kretsar på en mindre platta. De går att finna i nästan alla elektroniska produkter, såsom i mobiler eller självkörande bilar. Idag har denna teknik blivit så liten att människor kan implantera den i kroppen, där användningsområdena är många och fortfarande relativt outforskade. Ny teknik kommer ofta med positiva och negativa aspekter, en teknik som kan integreras med kroppen kan för individen kännas integritetskränkande, främmande eller obehagligt. Detta är en kvalitativ studie där vi genom intervjuer har undersökt vilka attityder ungdomar i Sverige har till implantat av mikrochip. Studien har identifierat vad ungdomar har för attityder och åsikter kring mikrochip i kontexten av deras egna privatliv, hälsa, vardagsliv och datasäkerhet.

Electric drives are crucial components of powertrain of modern vehicles. They need to be controlled effectively to deliver a comfortable and efficient driving experience. The control unit needs to be robust to handle extreme operating conditions and faults in a safe manner. Hardware in Loop (HIL) setups can be used to develop such control units for majority of real-life test cases, without involving physical drives. Typical HIL setup includes the controller (hardware) under test connected to a high fidelity computer model of the controlled system (plant). Thanks to the efficient, inexpensive, consistent and nondestructive nature of HIL setups, they are widely used for research and development in the automotive industry. This thesis focuses on developing such a HIL setup for latest electric drive architecture at Scania CV AB. In this thesis, the plant models are programmed onto a field programmable gate array (FPGA). The HIL setup, plant models and the controller are continuously improved throughout the thesis to achieve higher fidelity and real time replication of the internal permanent magnet synchronous machine under consideration. Software in Loop (SIL) strategy, wherein all components are represented by computer models, is also applied for rapid developments. Several aspects like flux linkage-based and inductance-based machine models, choice of arithmetic, discretization methods, noise, delays, etc. are studied and optimised during the thesis. Validation is conducted for both SIL and HIL setups and above 95% correlation with physical drive’s performance is reported. Stable operation and repeatability of the developed HIL setup ensure that the framework is scalable to be applied to other drives and control units. / Elektriska drivenheter är centrala komponenter i drivlinan hos moderna elektriska fordon. Drivenheterna måste regleras effektivt för att ge en bekväm och effektiv körupplevelse. Regulatorn måste vara robust för att säkert hantera extrema driftsförhållanden och fel. Hardware in Loop (HIL) simuleringar kan användas för att utveckla sådana regulatorer för de flesta verkliga testfall, utan att involvera de fysiska komponenterna. En typisk HIL-installation inkluderar styrenheten (hårdvaran) som testas ansluten till en datormodell av det kontrollerade systemet (anläggningen). På grund av den effektiva, billiga, konsekventa och oförstörande naturen hos HIL simuleringar används de i stor utsträckning för FoU inom fordonsindustrin. Detta examensarbete fokuserar på att utveckla en sådan HIL-modell för en elektrisk drivlina hos Scania CV AB. I detta examensarbete är anläggningsmodellerna programmerade på en programmerbar integrerad krets. HIL-inställningen, anläggningsmodellerna och styrenheten förbättras kontinuerligt under hela examensarbetet för att uppnå högre kvalitet och realtidsreplikering av den permanentmagnetiserade synkronmaskin som övervägs. En Software in Loop (SIL) strategi, där alla komponenter representeras av datormodeller, tillämpas också för snabb utveckling. Flera aspekter såsom flödesbaserade och induktansbaserade maskinmodeller, val av aritmetik, diskretiserings metoder, brus, fördröjningar etc. studeras och optimeras. Validering utförs för både SIL- och HIL-inställningar och över 95% korrelation med fysiska enhetsprestanda erhålls. Stabil drift och repeterbarhet av den utvecklade HIL-kretsen säkerställer att ramverket är skalbart för att kunna appliceras på andra enheter och regulatorer.

Machine learning is rapidly being integrated into all areas of society, however, that puts a lot of pressure on resource costraint hardware such as embedded systems. The company Ericsson is gradually integrating machine learning based on neural networks, so-called deep learning, into their radio products. One promising product is their vectorized Digital Signal Processor (DSP) that are based upon the machine learning suitable Single Instruction, Multiple Data (SIMD) paradigm and Very Long Instruction Word (VLIW) architecture. However, despite the suitability of the SIMD paradigm, the embedded system needs to efficiently execute a computation-intensive deep learning algorithm with proper use of its limited resources. Therefore commonly used methods of implementing each layer of the computation-intensive Convolutional Neural Network (CNN), a type of Deep Neural Network (DNN), have been used and evaluated its implementation on the hardware and to assess the vectorized DSP’s deep learning suitability and capabilities. Despite the suitability of the hardware, the implementation utilized less than half of the available resources at all times during the execution. The main limitations were identified to be the limited 16-bit element instructions. To enhance the performance and improve the utilization of the available resources, easy-to-implement hardware instructions have been suggested. This work has made the first steps of implementing an efficiently performing CNN implementation on the examined vectorized DSP. / Integreringen av maskininlärning in i alla samhällsområden sker idag i rusande fart, men det sätter stor press på begränsad hårdvara som inbyggda system. Företaget Ericsson integrerar successivt maskininlärning baserad på neurala nätverk, så kallad djupinlärning, i sina radioprodukter. En lovande produkt är deras vektoriserade DSP som är baserade på maskininlärningspasset SIMD-paradigm och VLIW-arkitektur. Men trots lämpligheten av SIMD-paradigmet, är den största utmaningen att utnyttja de begränsade resurserna i inbyggda systemet för att effektivt exekvera en beräkningsintensiv djupinlärningsalgoritm. Därför har vanligt använda metoder för att implementera varje lager av den beräkningsintensiva CNN, en typ av DNN, använts och utvärderats på hårdvaran för att bedöma den vektoriserade DSP:s djupinlärningslämplighet samt förmågor. Trots hårdvarans lämplighet använde alla implementeringar mindre än hälften av de tillgängliga resurserna vid alla tidpunkter under exekveringen. De huvudsakliga begränsningarna identifierades vara den begränsade tillgången på 16-bitars element instruktioner. För att förbättra prestandan för ett närmare fullt utnyttjande av tillgängliga resurser har hårdvaruinstruktioner som är enkla att implementera föreslagits. Detta arbete har tagit de första stegen för att implementera ett effektivt förformande CNN på den undersökta vekotriserade DSP.