Constantly growing demands from the costumers in the Automotive industry forces the subcontractors to seek alternative ways to compete. One parameter of quality is the components tolerance against NVH(Noise, Vibraion & Harshness) aspects. Kongsbergs Automotive has developed a new gear shifter platform (Shift-by-Wire) that is sold to Alfa Romeo and used in of their car models. However, the company is not pleased with the components sound quality, therefore the main purpose of this thesis is to develope a number of concepts that is supposed to enhance these NVH-aspects. To get an understanding of the problem an analysis of the causes of the emitted sound has been done parallell to a product decomposition, function decomposition and a Ishikawa-diagram. Together with these methods has a litterature study been performed to get familiar with the physics of an impact and especially the emittment of noise. The concepts has been generated through a combined brainstorming and brainwriting session. A number of concepts has been developed that should reduce emitted noise. To evaluate the concepts generated has well proven methods for screening been used, such as: analysis of pros and cons, feasibility analyis and Go/No-Go. The definite concept uses a method that absorbs the kinetic energy induced by the user through a built-on component and an energy absorbing foam. The idéa is that the built-on component and the foam should transform more of the kinetic energy to heat energy. The consequenses of this study is that the company now has a fully applicable concept to evaluate the idés effectiveness regarding reduction of noise. Next step is to make a prototype and evaluate the idéa. Since the making of a prototype has not been done, the biggest restriction in the thesis  is that the developed concept is not evaluated regarding its effectiveness of reduction of noise.

Orsaksanalyser av problembilder i praktiskt brottsförebyggande arbete är ett relativt outforskat område. Tillgänglig forskning fokuserar primärt på utsträckningen av arbetet. Föreliggande studie syftar att bidra med ytterligare en aspekt. Studien undersökte i vilken utsträckning orsaksanalyser av problembilder genomförs i praktiskt brottsförebyggande arbete samt förekomsten av potentiella bidragande faktorer till att de inte genomförs. Vidare undersöktes huruvida resultaten skiljer sig mellan två svenska brottsförebyggande verksamheter: kommunal sektor och Polismyndigheten. Studien antog en kvantitativ forskningsansats där en webbaserad enkät besvarades av yrkesverksam personal inom praktiskt brottsförebyggande arbete inom de brottsförebyggande verksamheterna. Totalt deltog 85 respondenter varav 33 kvinnor (38,8%) och 52 män (61,2%), av de var 57 respondenter från kommunal sektor (67,1%) och 28 från Polismyndigheten (32,9%). Resultatet visade att orsaksanalyser av problembilder i praktiskt brottsförebyggande arbete sällan utförs. Vidare visade resultaten att samtliga undersökta faktorer potentiellt kunde förklara den låga utsträckningen. Gällande skillnader mellan respondenter från kommunal sektor och respondenter från Polismyndigheten identifierades vissa signifikanta skillnader för potentiella bidragande faktorer till att orsaksanalyser inte genomförs men inte för utsträckningen av arbetet. Slutsatsen var således att orsaksanalyser genomfördes i låg utsträckning och två potentiella bidragande faktorer var kunskapsbrist och tidsbrist, dessutom identifierades få signifikanta skillnader mellan de två brottsförebyggande verksamheterna. / Causal crime analysis in practical crime prevention is a relatively uncharted area. Available research focuses primarily on the extent of working with causal crime analysis. The present study aims to contribute with an additional aspect. This study examined to what extent causal crime analysis is conducted in practical crime prevention and the occurence of potential contributing factors to why causal crime analysis is not conducted. Furthermore, it was examined whether the results differ between two Swedish crime prevention agencies: the municipal sector and The Swedish Police Authority. A quantitative research approach was used. Data was collected using a web survey answered by practitioners actively working with practical crime prevention within the two crime prevention agencies. A total of 85 respondents participated, of which 33 were women (38,8%) and 52 were men (61,2%), 57 of them represented the municipal sector (67,1%) and 28 represented The Swedish Police Authority (32,9%). Results showed that causal crime analysis in practical crime prevention rarely is conducted and that all of the examined factors potentially could explain the low extent. Regarding differences between respondents from municipal sector and The Swedish Police Authority significant differences were identified concerning potential contributing factors to why causal crime analysis is not conducted but not concerning the extent causal crime analysis is conducted. In conclusion, causal crime analysis was conducted to a low extent and two potential contributing factors were lack of knowledge and time, additionally, few significant differences were identified between the two crime prevention agencies.

Artificial Intelligence (AI) has emerged as a transformative force in wireless communications, driving innovation to address the complex challenges faced by communication systems. In this context, the optimization of limited radio resources plays a crucial role, and one important aspect is the Modulation and Coding Scheme (MCS) selection. AI solutions for MCS selection have been predominantly characterized as black-box models, which suffer from limited explainability and consequently hinder trust in these algorithms. Moreover, the majority of existing research primarily emphasizes enhancing explainability without concurrently improving the model’s performance which makes performance and explainability a trade-off. This work aims to address these issues by employing eXplainable AI (XAI), particularly counterfactual and causal analysis, to increase the explainability and trustworthiness of black-box models. We propose CounterFactual Retrain (CF-Retrain), the first method that utilizes counterfactual explanations to improve model performance and make the process of performance enhancement more explainable. Additionally, we conduct a causal analysis and compare the results with those obtained from an analysis based on the SHapley Additive exPlanations (SHAP) value feature importance. This comparison leads to the proposal of novel hypotheses and insights for model optimization in future research. Our results show that employing CF-Retrain can reduce the Mean Absolute Error (MAE) of the black-box model by 4% while utilizing only 14% of the training data. Moreover, increasing the amount of training data yields even more pronounced improvements in MAE, providing a certain level of explainability. This performance enhancement is comparable to or even superior to using a more complex model. Furthermore, by introducing causal analysis to the mainstream SHAP value feature importance, we provide a novel hypothesis and explanation of feature importance based on causal analysis. This approach can serve as an evaluation criterion for assessing the model’s performance. / Artificiell intelligens (AI) har dykt upp som en transformativ kraft inom trådlös kommunikation, vilket driver innovation för att möta de komplexa utmaningar som kommunikationssystem står inför. I detta sammanhang spelar optimeringen av begränsade radioresurser en avgörande roll, och en viktig aspekt är valet av Modulation and Coding Scheme (MCS). AI-lösningar för val av modulering och kodningsschema har övervägande karaktäriserats som black-box-modeller, som lider av begränsad tolkningsbarhet och följaktligen hindrar förtroendet för dessa algoritmer. Dessutom betonar majoriteten av befintlig forskning i första hand att förbättra förklaringsbarheten utan att samtidigt förbättra modellens prestanda, vilket gör prestanda och tolkningsbarhet till en kompromiss. Detta arbete syftar till att ta itu med dessa problem genom att använda XAI, särskilt kontrafaktisk och kausal analys, för att öka tolkningsbarheten och pålitligheten hos svarta-box-modeller. Vi föreslår CF-Retrain, den första metoden som använder kontrafaktiska förklaringar för att förbättra modellens prestanda och göra processen med prestandaförbättring mer tolkningsbar. Dessutom gör vi en orsaksanalys och jämför resultaten med de som erhålls från en analys baserad på värdeegenskapens betydelse. Denna jämförelse leder till förslaget av nya hypoteser och insikter för modelloptimering i framtida forskning. Våra resultat visar att användning av CF-Retrain kan minska det genomsnittliga absoluta felet för black-box-modellen med 4% samtidigt som man använder endast 14% av träningsdata. Dessutom ger en ökning av mängden träningsdata ännu mer uttalade förbättringar av Mean Absolute Error (MAE), vilket ger en viss grad av tolkningsbarhet. Denna prestandaförbättring är jämförbar med eller till och med överlägsen att använda en mer komplex modell. Dessutom, genom att introducera kausal analys till de vanliga Shapley-tillsatsförklaringarna värdesätter egenskapens betydelse, ger vi en ny hypotes och tolkning av egenskapens betydelse baserad på kausalanalys. Detta tillvägagångssätt kan fungera som ett utvärderingskriterium för att bedöma modellens prestanda.