HR-funktionen har genomgått en del förändringar under de senaste åren. Förändringarna har främst skett genom att HR har gått från att vara en personaladministrativ funktion till en allt mer strategisk funktion. Detta har ställt nya krav på HR-funktionens roll och dess arbete. Bland annat har HR behövt bli mer datadrivna. Störst utmaning har detta inneburit för HR-funktioner inom den offentliga sektorn, som till skillnad från privat sektor, fortfarande ligger efter i den datadrivna utvecklingen, och lite forskning har gjorts i den offentliga kontexten. Syftet med denna masteruppsats är därför att öka förståelsen för datadrivet HR-arbete inom offentlig sektor. För att göra detta undersöktes tre forskningsfrågor: (1) Hur påverkas HR-funktionens roll av datadrivet HR-arbete? (2) Vilka möjligheter och utmaningar finns med datadrivet HR-arbete? (3) Vad är unikt med datadriven HR i offentlig sektor? För att få svar på forskningsfrågorna har en kvalitativ flerfallsstudie genomförts i nio olika kommuner i Västra Götaland och Halland. Data samlades in genom semistrukturerade intervjuer och en tematisk analysmetod tillämpades vid sammanställningen av resultatet. Resultatet visar att HR-funktionens roll och deras arbete drivs mer i linje med rationell styrfilosofi när ett mer datadrivet HR-arbete tillämpas. Denna studie visar att datadriven HR riskerar att ta bort HR-funktionens fokus på mjuk HR, och istället främja hård HR inom HR-arbetet, där mätning och kontroller förekommer i större grad. Möjligheten med datadrivet HR-arbete är att kunna använda och nyttja stora mängder tillgänglig data för att ta bättre beslut och genomföra effektiva insatser inom HR-området. Det möjliggör ett mer strategiskt HR-arbete som kan bidra till ökad legitimitet och förtroende för HR-funktionen. Utmaningen är att det ofta saknas kompetens hos HR-personal att arbeta datadrivet. Resultatet visar också att offentlig sektor påverkas av det faktum att de förväntas tillämpa en allt mer tillitsbaserad styrning, vilket är en styrfilosofi som kan anses vara oförenlig med datadriven HR. Studien bidrar med djupare förståelse, och fyller en kunskapslucka, gällande datadrivet HR-arbete inom offentlig sektor. Studien bidrar med insikter gällande den stora avvägning HR-funktionen är på väg in i, när HR måste hitta sätt att integrera både mjuk och hård. HR-funktionerna står mitt emellan en betydande möjlighet av att använda data, samtidigt som det finns en kraft i tillitsbaserad styrning som menar att offentlig sektor måste sluta att mäta allting, då det kan skapa ett alltför stort fokus på kontroll och detaljstyrning. Utmaningen med datadriven HR är därför hur HR-funktionerna ska använda stora mängder data utan att bli allt för datadrivna. Studien belyser att det i datadriven HR måste finnas kunskap kring när mätningar kan anses vara säkra och användas för att göra förutsägelser eller utvärderingar, men också när mätningar kan skapa felaktiga incitament eller distraktioner. Denna studies resultat kan användas som ett hjälpmedel för HR-funktioner inom den offentliga sektorn och fungera som ett ramverk för dessa HR-funktioner i syfte att utvärdera sitt datadrivna HR-arbete.

Intresset för datajournalistik har ökat både på redaktionerna och inom forskningen det senaste decenniet i takt med att tillgången på data har ökat och därmed behovet av att kunna hitta nyheter och berätta med hjälp av data. De flesta tidigare studier om datajournalistik har utgjorts av intervjuer med verksamma datajournalister och bland annat undersökt olika ideal. Men det finns få kvantitativa studier av vad datajournalisterna faktiskt gör, och av svensk datajournalistik. Den här uppsatsen syftar till att med innehållsanalytiska metoder beskriva och analysera datajournalistik som publicerats i svenska medier de senaste fem åren, och som journalister själva lyfter fram som exempel på datajournalistik. Urvalet är 91 datajournalistiska projekt som lämnats in som bidrag till NODA (Nordic Data Journalism Awards) eller som publicerats i Facebookgruppen Datajournalistik mellan 2013 och 2017. Ur en genomgång av tidigare forskning om datajournalistik har fyra olika ideal identifierats: ett undersökande, ett vetenskapligt, ett entreprenöriellt och ett från hackerkulturen, vilka utgör grunden för en analysmodell. Dessutom undersöks vilka producenterna är, vilka ämnen som är vanligast, vilka metoder och datakällor som används och hur publiken inbjuds att ta del av data och att vara delaktiga utifrån teorier om interaktivitet. Resultatet visar att datajournalistiken i denna undersökning ofta bygger på unika data, det vill säga självständig research, och att det undersökande idealet är relativt starkt. Trots att datajournalistik sägs präglas av hackerkulturens ideal om samarbete och deltagande är det ofta få producenter och yrkesroller bakom varje publicering och publiken bjuds sällan in att delta i processen.

Intelligenta Transportsystem (ITS) utgör idag en central del i arbetet att försöka höja kvaliteten i transportnätverken, genom att exempelvis ge stöd i arbetet att leda trafik i realtid och att ge trafikanter större möjlighet att ta informerade beslut gällandes sin körning. Kortsiktig prediktion av trafikdata, däribland trafikvolym, spelar en central roll för de tjänster ITS-systemen levererar. Den starka teknologiska utvecklingen de senaste decennierna har bidragit till en ökad möjlighet till att använda datadriven modellering för att utföra kortsiktiga prediktioner av trafikdata. Säsongsbaserad ARIMA (SARIMA) är en av de vanligaste datadrivna modellerna för modellering och predicering av trafikdata, vilken använder mönster i historisk data för att predicera framtida värden. Vid modellering med SARIMA behöver en mängd beslut tas gällandes de data som används till modelleringen. Exempel på sådana beslut är hur stor mängd träningsdata som ska användas, vilka dagar som ska ingå i träningsmängden och vilket aggregationsintervall som ska användas. Därtill utförs nästintill enbart enstegsprediktioner i tidigare studier av SARIMA-modellering av trafikdata, trots att modellen stödjer predicering av flera steg in i framtiden. Besluten gällandes de parametrar som nämnts saknar ofta teoretisk motivering i tidigare studier, samtidigt som det är högst troligt att dessa beslut påverkar träffsäkerheten i prediktionerna. Därför syftar den här studien till att utföra en känslighetsanalys av dessa parametrar, för att undersöka hur olika värden påverkar precisionen vid prediktion av trafikvolym. I studien utvecklades en modell, med vilken data kunde importeras, preprocesseras och sedan modelleras med hjälp av SARIMA. Studien använde trafikvolymdata som insamlats under januari och februari 2014, med hjälp av kameror placerade på riksväg 40 i utkanten av Göteborg. Efter differentiering av data används såväl autokorrelations- och partiell autokorrelationsgrafer som informationskriterier för att definiera lämpliga SARIMA-modeller, med vilka prediktioner kunde göras. Med definierade modeller genomfördes ett experiment, där åtta unika scenarion testades för att undersöka hur prediktionsprecisionen av trafikvolym påverkades av olika mängder träningsdata, vilka dagar som ingick i träningsdata, längden på aggregationsintervallen och hur många tidssteg in i framtiden som predicerades. För utvärdering av träffsäkerheten i prediktionerna användes MAPE, RMSE och MAE. Resultaten som experimentet visar är att definierade SARIMA-modeller klarar att predicera aktuell data med god precision oavsett vilka värden som sattes för de variabler som studerades. Resultaten visade dock indikationer på att en träningsvolym omfattande fem dagar kan generera en modell som ger mer träffsäkra prediktioner än när volymer om 15 eller 30 dagar används, något som kan ha stor praktisk betydelse vid realtidsanalys. Därtill indikerar resultaten att samtliga veckodagar bör ingå i träningsdatasetet när dygnsvis säsongslängd används, att SARIMA-modelleringen hanterar aggregationsintervall om 60 minuter bättre än 30 eller 15 minuter samt att enstegsprediktioner är mer träffsäkra än när horisonter om en eller två dagar används. Studien har enbart fokuserat på inverkan av de fyra parametrarna var för sig och inte om en kombinerad effekt finns att hitta. Det är något som föreslås för framtida studier, liksom att vidare utreda huruvida en mindre träningsvolym kan fortsätta att generera mer träffsäkra prediktioner även för andra perioder under året. / Intelligent Transport Systems (ITS) today are a key part of the effort to try to improve the quality of transport networks, for example by supporting the real-time traffic management and giving road users greater opportunity to take informed decisions regarding their driving. Short-term prediction of traffic data, including traffic volume, plays a central role in the services delivered by ITS systems. The strong technological development has contributed to an increased opportunity to use data-driven modeling to perform short-term predictions of traffic data. Seasonal ARIMA (SARIMA) is one of the most common models for modeling and predicting traffic data, which uses patterns in historical data to predict future values. When modeling with SARIMA, a variety of decisions are required regarding he data used. Examples of such decisions are the amount of training data to be used, the days to be included in training data and the aggregation interval to be used. In addition, one-step predictions are performed most often in previous studies of SARIMA modeling of traffic data, although the model supports multi-step prediction into the future. Often, in previous studies, decisions are made concerning mentioned variables without theoretical motivation, while it is highly probable that these decisions affect the accuracy of the predictions. Therefore, this study aims at performing a sensitivity analysis of these parameters to investigate how different values affect the accuracy of traffic volume prediction. The study developed a model with which data could be imported, preprocessed and then modeled using a SARIMA model. Traffic volume data was used, which was collected during January and February 2014, using cameras located on highway 40 on the outskirts of Gothenburg. After differentiation of data, autocorrelation and partial autocorrelation graphs as well as information criteria are used to define appropriate SARIMA models, with which predictions could be made. With defined models, an experiment was conducted in which eight unique scenarios were tested to investigate how the prediction accuracy of traffic volume was influenced by different amount of exercise data, what days was included in training data, length of aggregation intervals, and how many steps into the future were predicted. To evaluate the accuracy of the predictions, MAPE, RMSE and MAE were used. The results of the experiment show that developed SARIMA models are able to predict current data with good precision no matter what values were set for the variables studied. However, the results showed indications that a training volume of five days can generate a model that provides more accurate predictions than when using 15 or 30-day volumes, which can be of great practical importance in real-time analysis. In addition, the results indicate that all weekdays should be included in the training data set when daily seasonality is used, SARIMA modeling handles aggregation intervals of 60 minutes better than 30 or 15 minutes, and that one-step predictions are more accurate than when one or two days horizons are used. The study has focused only on the impact of the four parameters separately and not if a combined effect could be found. Further research is proposed for investigating if combined effects could be found, as well as further investigating whether a lesser training volume can continue to generate more accurate predictions even for other periods of the year.

Global challenges such as increasingly competitive markets, low-cost competition, shorter lead time demands, and high quality/value output are transforming the business model of the company to focus beyond the performance requirements. In order to meet these challenges, companies are highly concerned with the customer perceived value, which is to connect the product with the customer in a better way and become more proactive to fulfil the customer needs, via function-oriented business models and Product-Service Systems. In literature, the conceptual phase is distinguished as the most critical phase of the product development process. Many authors have recognized the improvement of design in the conceptual phase as the mean to deliver a successful product in the market. At the decision gate, where concepts are selected for further development, the design team needs knowledge/data about the long-term consequences of their early decision, to see how changes in design propagate to the entire lifecycle of the product. The main goal of the thesis is to describe how the design of Product-Service Systems in the conceptual phase can be improved through the use of a data-driven approach. The latter provides an opportunity to enhance decision making and to provide better support at the early development phase. The study highlights how data are managed and used in current industrial setting and indicates the room for improvement with current practices. The thesis further provides guidelines to efficiently use data into the modelling and simulation activities to increase design knowledge. As a result of this study, a data-driven approach emerged to support the early design decision.  The thesis presents initial descriptive study findings from the empirical investigations, showing a model-based approach that creates awareness about the value of a new design concept, thus acting as a key enabler to use data in design. This will create a link between the product engineering characteristic to the high-level attributes of customer satisfaction and provider’s long-term profitability. The preliminary results indicate that the application of simulation models to frontload the early design stage creates awareness about how performance can lead to value creation, helping multidisciplinary teams to perform quick trade-off and what-if analysis on design configurations. The proposed framework shows how data from various sources are used through a chain of simulations to understand the entire product lifecycle. The proposed approach holds a potential to improve the key performance indicators for Product-Service Systems development: lead time, design quality, cost and most importantly deliver a value-added product to the customer.

Affärsanalys är en ökande trend som många organisationer idag använder på grund av potentialen att fastställa värdefulla insikter, ökad lönsamhet och förbättrad operativ effektivitet. Något som visat sig vara problematiskt då det önskade resultatet inte alltid är en självklarhet. Syftet med studien är att undersöka hur modeföretag kan använda datadriven affärsanalys för att generera positiva insikter genom värdeskapande mekanismer. Utifrån semistrukturerade intervjuer med anställda på ett modeföretag har vi, med utgångspunkt i tidigare forskning, kartlagt hur datadriven affärsanalys brukas för att skapa värde genom att applicera en processmodell på verksamheten. Empirin resulterade i tre värdefulla insikter (1) Det studerade företaget använder affärsanalys för ökad lönsamhet (2) Företagets data tillgångar är tillräckliga för att utvinna värdefulla insikter (3) Vidare såg vi att företaget arbetar med influencers vilket är en ny affärsanalys-funktion som inte definierats i tidigare forskning. / Business analysis is an increasingly popular trend that many organisations use because of its potential to establish valuable insights, increased profitability and improved operational efficiency. Something that has proved to be rather problematic as the desired results rarely is a certainty. The purpose of the study is to examine how fashion retailers can use business analytics to generate positive insights through value-creating mechanisms by applying a process model. Based on semi-structured interviews with the employees of a fashion company and a starting point in previous research, we have mapped how business analysis can be used to obtain value. The empirical study resulted in three valuable insights (1) The examined organisation uses business analysis to increase profitability. (2) The data assets of the organisation are enough to acquire valuable insights. (3) Further we discovered that the organisation uses influencers as a valuable asset and can be categorised as a business analysis capability, previously undefined in preceding research.

Business model innovation has in recent year become more important for firms looking to gain competitive advantage on dynamic markets. Additionally, incorporating data into a firm’s business model has been shown to lead to improved performance. This development has led to interest in the connection between data utilisation and business model innovation. This thesis provides an in-depth case study of a Swedish space firm active within the satellite industry. The firm operates within an increasingly dynamic market, and ongoing disruptions in the form of new market entrants and rapid technological advancements has led to a search for new business opportunities. As a result, novel ways of utilising the increased amounts of data from space are of significant importance. While the firm is still realising profits utilising their incumbent business model, the firm must simultaneously explore new business opportunities to avoid extinction. The findings show that novel data utilisation, in the form of data processing, leads to business model innovation. Furthermore, the degree of business model transformation is dependent on how many of the business model's underlying elements are affected by data utilisation. Furthermore, the study concludes that a lack of trial-and-error learning impedes radical innovation efforts and hinders the development of ambidextrous capabilities within the firm. Lastly, the study finds a novel connection between the introduction of large-scale projects and improved ambidextrous capabilities. / Innovation av affärsmodeller har under senare år blivit alltmer viktigt för företag som vill uppnå ökad konkurrenskraft på dynamiska marknader. Vidare har det visat sig att företag som använder data för att förändra sin affärsmodell når bättre resultat än sina konkurrenter. Detta har lett till ett intresse för kopplingen mellan datautnyttjande och innovation av affärsmodeller. Detta examensarbete består av en fallstudie av ett svenskt rymdföretag, som har del av sin verksamhet inom satellitbranschen. Företaget verkar på en alltmer dynamisk marknad, och pågående störningar i form av nya marknadsaktörer och tekniska framsteg har lett till att företaget nu måste söka efter nya affärsmöjligheter. Som ett resultat av detta blir nya sätt att använda de ökade mängderna data från rymden av stor betydelse. Fastän företaget fortfarande framgångsrikt nyttjar sin befintliga affärsmodell, måste företaget samtidigt undersöka nya affärsmöjligheter för att undvika att hamna efter marknadsutvecklingen. Studiens resultat visar att nya sätt att använda data, i form av databehandling, leder till innovation av företagets affärsmodell. Dessutom beror graden av innovation på hur många av affärsmodellens underliggande byggstenar som påverkas av införandet av data. Studien drar vidare slutsatsen att en brist på lärande genom ’trial-and-error’ inom företaget hindrar radikala innovationsinsatser och leder till begränsade förutsättningar för att hantera organisatorisk ambidexteritet. Slutligen finner studien att storskaliga innovationsprojekt kan förbättra förutsättningarna för organisatorisk ambidexteritet.

Modern Heavy Duty Vehicles consist of a multitude of components and operate in various conditions. As there is value in goods transported, there is an incentive to avoid unplanned breakdowns. For this, condition based maintenance can be applied.\newline This thesis presents a study comparing the applicability of the data-driven Consensus SelfOrganizing Models (COSMO) method and the model-driven patent series introduced by Fogelstrom, applied on the air processing system for leakage detection on Scania Heavy Duty Vehicles. The comparison of the two methods is done using the Area Under Curve value given by the Receiver Operating Characteristics curves for features in order to reach a verdict.\newline For this purpose, three criteria were investigated. First, the effects of the hyper-parameters were explored to conclude a necessary vehicle fleet size and time period required for COSMO to function. The second experiment regarded whether environmental factors impact the predictability of the method, and finally the effect on the predictability for the case of nonidentical vehicles was determined.\newline The results indicate that the number of representations ought to be at least 60, rather with a larger set of vehicles in the fleet than with a larger window size, and that the vehicles should be close to identical on a component level and be in use in comparable ambient conditions.\newline In cases where the vehicle fleet is heterogeneous, a physical model of each system is preferable as this produces more stable results compared to the COSMO method. / Moderna tunga fordon består av ett stort antal komponenter och används i många olika miljöer. Då värdet för tunga fordon ofta består i hur mycket gods som transporteras uppstår ett incitament till att förebygga oplanerade stopp. Detta görs med fördel med hjälp av tillståndsbaserat underhåll. Denna avhandling undersöker användbarheten av den data-drivna metoden Consensus SelfOrganizing Models (COSMO) kontra en modellbaserad patentserie för att upptäcka läckage på luftsystem i tunga fordon. Metoderna ställs mot varandra med hjälp av Area Under Curve-värdet som kommer från Receiver Operating Characteristics-kurvor från beskrivande signaler. Detta gjordes genom att utvärdera tre kriterier. Dels hur hyperparametrar influerar COSMOmetoden för att avgöra en rimlig storlek på fordonsflottan, dels huruvida omgivningsförhållanden påverkar resultatet och slutligen till vilken grad metoden påverkas av att fordonsflottan inte är identisk. Slutsatsen är att COSMO-metoden med fördel kan användas sålänge antalet representationer överstiger 60 och att fordonen inom flottan är likvärdiga och har använts inom liknande omgivningsförhållanden. Om fordonsflottan är heterogen så föredras en fysisk modell av systemet då detta ger ett mer stabilt resultat jämfört med COSMO-metoden.

In thiswork, we develop a learning model predictive controller (LMPC) for energy-optimaltracking of periodic trajectories for a quadcopter. The main advantage of this controller isthat it is “reference-free”. Moreover, the controller is able to improve its performance overiterations by incorporating learning from the previous iterations. The proposed learningmodel predictive controller aims to learn the “best” energy-optimal trajectory over timeby learning a terminal constraint set and a terminal cost from the history data of previousiterations. We have shown howto recursively construct terminal constraint set and terminalcost as a convex hull and a convex piece-wise linear approximation of state and inputtrajectories of previous iterations, respectively. These steps allow us to formulate theonline planning problem for the controller as a convex optimization program, therebyavoiding the complex combinatorial optimization problems that alternative formulationsin the literature need to solve. The data-driven terminal constraint set and terminal costnot only ensure recursive feasibility and stability of LMPC but also guarantee convergenceto the neighbourhood of the optimal performance at steady state. Our LMPC formulationincludes linear time-varying system dynamics which is also learnt from stored state andinput trajectories of previous iterations.To show the performance of LMPC, a quadcopter trajectory learning problem in thevertical plane is simulated in MATLAB/SIMULINK. This particular trajectory learningproblem involves non-convex state constraints, which makes the resulting optimal controlproblem difficult to solve. A tangent cut method is implemented to approximate the nonconvexconstraints by convex ones, which allows the optimal control problem to be solvedby efficient convex optimization solvers. Simulation results illustrate the effectiveness ofthe proposed control strategy. / Vi utvecklar en lärande modell-prediktiv regulator för energi-optimalt följande av periodiskatrajektorier för en quadkopter. Den huvudsakliga fördelen med denna regulator äratt den är “referensfri”. Dessutom så klarar regulatorn att förbättra sin prestanda medtiden genom att inkorporera inlärning från föregående iterationer. Syftet med den föreslagnalärande modell-prediktiva regulatorn är att över en viss tid lära sig den “bästa”energioptimala trajektorian genom att lära sig den terminala bivillkorsmängden och denterminala kostnaden från historiskt data från tidigare iterationer. Vi har visat hur man kanrekursivt konstruera terminala bivillkorsmängder och terminala kostnader som konvexahöljen respektive konvexa styckvis linjära approximationer av tillstånds- och insignalstrajektoriernafrån tidigare iterationer. Dessa steg gör det möjligt att formulera onlineplaneringsproblemet för regulatorn som ett konvext optimeringsproblem och på så visundvika de komplexa kombinatoriska optimeringsproblemen som ofta krävs för alternativametoder som kan hittas andra publikationer. Den datadrivna terminala bivillkorsmängdenoch terminala kostnaden garanterar inte bara rekursiv tillåtenhet och stabilitet av LMPC,utan även konvergens till en omgivning av den optimala prestandan efter att ha uppnåttjämvikt. Vår LMPC-formulering innehåller linjär och tidsvarierande systemdynamik, somockså lärs från lagrade tillstånds- och insignalstrajektorier från tidigare iterationer.För att visa prestandan av LMPC så simuleras iMATLAB/SIMULINK ett problem ominlärning av quadkopter-trajektorier i det vertikala planet. Just det trajektorieinlärningsproblemetinnehåller icke-konvexa tillståndsbivillkor, vilket gör det resulterande optimeringsproblemetsvårt att lösa. En tangentsnitt-metod är implementerad för att approximera deicke-konvexa bivillkoren med hjälp av konvexa bivillkor, vilket möjliggör lösningen avdet optimala regleringsproblemet med effektiva lösare för konvexa optimeringsproblem.Simuleringsresultaten visar effektivitet av den föreslagna regleringsmetoden.

With the exponential development of more sustainable automotive powertrains, new gearbox technologies must also be created and tested extensively. Scania employs dynamometer testbeds to conduct such tests, but this plethora of new and rapidly developed gearboxes pose many problems for testbed technicians. Regulating oil temperature during tests is vital and controllers must be developed for each gearbox configuration; this is difficult given system complexity, nonlinear dynamics, and time limitations. Therefore, technicians currently resort to a manually tuned controller based on real-time observations; a time-intensive process with sub-par performance. This master thesis breaks down this predicament into two research questions. The first employs a replicate study to investigate whether linear system identification methods can model the oil conditioning system adequately. A test procedure is developed and executed on one gearbox setup to capture system behavior around a reference point and the resulting models are compared for best fitment. Results from this study show that such data-driven modeling methods can sufficiently represent the system. The second research question investigates whether the derived model can then be used to create a better-performing model-based controller through pole placement design. To draw a comparison between old and new controllers, both are implemented on the testbed PLC while conducting a nominal test procedure varying torque and oil flow. Results from this study show that the developed controller does regulate temperature sufficiently, but the original controller is more robust in this specific test case. / Med den exponentiella utvecklingen av mer hållbara drivlinor i fordonsindustrin måste nya växellådsteknologier skapas och testas på en omfattande skala. Scania använder sig utav dynamometer testbäddar för att utföra sådana tester, men denna uppsjö av nya och snabbt utvecklade växellådor skapar utmaningar för testbäddsteknikerna. Reglering av oljetemperaturen under testerna är avgörande och därmed måste nya regulatorer utvecklas för varje växellådskonfiguration; detta är problematiskt med tanke på systemkomplexitet, olinjär dynamik samt tidsbegränsning. På grund av detta använder sig testbäddsteknikerna för tillfället av en manuell metod för att ta fram parametrarna till regulatorerna baserat på realtidsobservationer vilket är en tidskrävande process som ofta leder till en underpresterande regulator. Det här masterarbetet bryter ner den nämnda problematiken i två forskningsfrågor. Den första behandlar en replikationsstudie för att undersöka om linjära systemidentifikations metoder kan modellera oljekonditioneringssytemet på ett adekvat sätt. En testprocedur utvecklas och utförs på en växellådskonfiguration för att ta fram en modell för systemet kring en referenspunkt. De resulterande modellerna jämförs för att fastställa vilken metod som bäst beskriver systemet. Resultatet från denna studie visar att sådana data-drivna modelleringsmetoder kan beskriva systemet på ett tillfredsställande sätt. Den andra forskningsfrågan undersöker om den härledda modellen kan användas för att skapa en bättre presterande modellbaserad regulator med hjälp av polplaceringsmetoden. För att kunna göra en jämförelse mellan gamla samt nya regulatorer implementeras båda på testbäddens PLC varvid en nominell testprocedur utförs som varierar vridmoment och oljeflöde. Resultatet från denna studie visar att den framtagna regulatorn kan reglera oljetemperaturen på ett tillfredsställande sätt, däremot är den ursprungliga regulatorn mer robust i det behandlade testfallet.

To realize key business capabilities and secure long-term growth, Volvo Construction Equipment (Volvo CE) set out to define a vision for digital transformation. The latest trends in AI-powered smart electronics open up endless opportunities to help Volvo CE's operators use Wheel Loaders – Construction machines to increase productivity. To ensure operators are working in a way that delivers optimum fuel efficiency and productivity to achieve optimum results on-site, the company aspires to create visual tools to keep track of operator behavior in the operator environment. Monitor operator behavior with key indicators then visualized to inform how this affects important results for the customers and for Volvo CE. The audience is operators themselves, and internal staff like UX engineers and Product owners. Data-driven concept design (DDCD) is a decision-making approach that heavily relies on collected data and highlights the need to proactively plan and design. It is a popular approach to capturing tacit customer needs and makes a great contribution to data visualization design. Also, an emerging concept like the digital twin provides inspired ideas in data visualization conceptual design. However, little research is on the DDCD for data visualization. Thus, this work aims to explore appropriate data visualization techniques under the DDCD framework. The result is to help Volvo CE, primarily via data visualization, keep track of operator behaviors, and how these affect wheel loader productivity and energy efficiency data on different levels and in a wider context. To carry out, A series of DDCD cases for the improvement of wheel loader operator behaviors are researched and designed, to present data in a clear and concise visual way for both internal audience and operator training. As the result, a prototype containing a series of visualization techniques is proposed for two target groups and corresponding application scenarios including coaching and aid decision-making. Created a series of dashboards with expected functionalities based on understanding the current machine. The prototype for the internal audience has functionality: site and time selection, weekly overview window, phase selection, cycle thread trace, insight window, data presentation, and toolbox. The prototype for operator training has functionality: site and time selection, opponent selection, phase selection, cycle thread trace, external data window, individual comparison section, and insights block. / För att förverkliga viktiga affärsmöjligheter och säkra långsiktig tillväxt har Volvo Construction Equipment (Volvo CE) tagit fram en vision för digital omvandling. De senaste trenderna inom AIdriven smart elektronik öppnar oändliga möjligheter att hjälpa Volvo CE:s operatörer att använda hjullastare - anläggningsmaskiner för att öka produktiviteten. För att säkerställa att förarna arbetar på ett sätt som ger optimal bränsleeffektivitet och produktivitet för att uppnå optimala resultat på plats strävar företaget efter att skapa visuella verktyg för att hålla koll på förarens beteende i förarmiljön. Övervaka operatörens beteende med nyckelindikatorer som sedan visualiseras för att informera om hur detta påverkar viktiga resultat för kunderna och för Volvo CE. Målgruppen är operatörerna själva och intern personal som UX-ingenjörer och produktägare. Datadriven konceptdesign (DDCD) är en beslutsmetod som i hög grad bygger på insamlade data och belyser behovet av proaktiv planering och design. Det är ett populärt tillvägagångssätt för att fånga upp tysta kundbehov och ger ett stort bidrag till design av datavisualisering. Dessutom ger ett framväxande koncept som den digitala tvillingen inspirerande idéer för konceptuell utformning av datavisualisering. Det finns dock lite forskning om DDCD för datavisualisering. Det här arbetet syftar därför till att utforska lämpliga datavisualiseringstekniker inom ramen för DDCD. Resultatet är att hjälpa Volvo CE, främst via datavisualisering, att hålla koll på förarnas beteenden och hur dessa påverkar data om hjullastares produktivitet och energieffektivitet på olika nivåer och i ett större sammanhang. För att genomföra, En serie DDCD-fall för förbättring av beteenden hos hjullastarförare undersöks och utformas, för att presentera data på ett tydligt och kortfattat visuellt sätt för både intern publik och förarutbildning. Som resultat föreslås en prototyp som innehåller en serie visualiseringstekniker för två målgrupper och motsvarande tillämpningsscenarier, inklusive coaching och stöd för beslutsfattande. Skapade en serie instrumentpaneler med förväntade funktioner baserat på förståelse av den nuvarande maskinen. Prototypen för den interna målgruppen har följande funktioner: val av plats och tid, fönster för veckoöversikt, val av fas, spårning av cykeltråd, insiktsfönster, datapresentation och verktygslåda. Prototypen för operatörsutbildning har följande funktioner: val av plats och tid, val av motståndare, val av fas, spårning av cykeltråd, fönster för externa data, avsnitt för individuella jämförelser och block för insikter.