Knack i en förbränningsmotor är en typ av onormal förbränning. Det är ett komplicerat fenomen som beror på flera fysiska faktorer och resulterar i högfrekventa tryckoscillationer inuti förbränningskammaren. Dessa oscillationer kan skada motorn och fenomenet hämmar motorns effektivitet. Knack kan uppstå på två sätt i en Otto-motor och detta examensarbete kommer att handla om självantändning. Självantändning, i detta fall, är när ändgasen börjar brinna utan att ha blivit påverkad av flamfronten eller gnistan från tändstiftet. Det finns flera olika matematiska modeller som i olika grader kan prediktera knackfenomenet. I detta examensarbete studeras några av de tidigare publicerade prediktionsmodellerna för knack i Otto-förbränning och modelleras för analys. Huvudsyftet med detta projekt är således att bedöma noggrannheten hos olika typer av knackmodeller. Extra fokus har lagts på empiriska korrelationsmodeller, särskilt till de som är baserade på kemisk kinetik avseende förbränningsprocessen av metan. Dessa modeller förutsäger den tid det tar för ändgasen att självantända, baserat på dess koncentration av luft och bränsle. Knackmodellerna bedöms sedan utifrån det beteende som de förutsäger över motorns driftområde och dess överensstämmelse med kända motorkalibreringsstrategier. Resultatet av knackpredikteringen för de olika knackmodellerna utvärderas och valideras i en motorsimuleringsmodell i mjukvaran AVL BOOST. BOOST-modellen kalibreras mot experimentellt uppmätta motortestdata. Baserat på resultaten från de valda knockmodellerna så blev den modell som bäst korrelerar med kända motorkalibreringsstrategier analyserad djupare. Den utvalda modellen var en ECM modell och den utvärderas ytterligare med avseende på variation i predikterad knack-parameter. Detta görs genom att modifiera två förbränningsparametrar: tändvinkel och förbränningsduration. Det visade sig att modellerna predikterade en linjär ökning då tändningen tidigareläggs och ett linjärt minskande vid längre förbränningsduration, vilket är i enlighet med motortestdata. Vidare visade det sig att variationer i tändvinkel resulterade i en högre gradient i knackpredikteringen vid högre motorbelastningar och korresponderande minskning vid lägre belastning. / Knocking is a type of abnormal combustion which depends on several physical factors and results in high frequency pressure oscillations inside the combustion chamber of a spark-ignited internal combustion engine (ICE). These oscillations can damage the engine and hamper its efficiency, which is why it is important for automakers to understand the knocking behavior so that it can be avoided during engine operation. Due to the catastrophic outcomes of knocking a lot of research has been done in the past on prediction of its occurrence. There can be several causes of knocking but when it occurs due to auto-ignition of fuel in the end-gas it’s called spark-knock. There are various mathematical models that predict the phenomenon of spark-knock. In this thesis, several of the previously published knock prediction models for heavy-duty natural-gas engine are studied and analyzed. The main objective of this project is to assess the accuracy of different types of knock prediction models. Amongst all the types of knock prediction models emphasize has been given to empirical correlation models, particularly to the ones which are based on chemical kinetics pertaining to the combustion process of methane. These are the models that claim to predict ignition delay time based on concentration of air and fuel in the unburned zone of the cylinder. The models are assessed based on the knocking behavior they represent across the engine operation range. Results pertaining to the knock prediction models are evaluated in a 1D engine simulation model using AVL BOOST. The BOOST performance prediction model is calibrated against experimentally measured engine test-cell data and the same data is used to assess the knock prediction models. The knock prediction model whose results correlate with experimental observations is analyzed further while other models are discarded. Using the validated model, variation in knock occurrence is evaluated with change in the combustion phasing. Two of the parameter that are used to define the combustion phasing are spark-advance and combustion duration. It was found that when the brake mean effective pressure is kept constant the knock prediction parameter increases linearly with increase in spark advance and decreases linearly with increase in combustion duration. The variation of knock prediction parameter with spark advance showed increasing gradient with increase in engine torque.

In recent years, financial trading has become more available. This has led to more market participants and more trades taking place each day. The increased activity also implies an increasing number of abusive trades. To detect the abusive trades, market surveillance systems are developed and used. In this thesis, two different methods were tested to detect these abusive trades on high-dimensional data. One was based on empirical quantiles, and the other was based on an unsupervised machine learning technique called isolation forest. The empirical quantile method uses empirical quantiles on dimensionally reduced data to determine if a datapoint is an outlier or not. Principal Component Analysis (PCA) is used to reduce the dimensionality of the data and handle the correlation between features.Isolation forest is a machine learning method that detects outliers by sorting each datapoint in a tree structure. If a datapoint is close to the root, it is more likely to be an outlier. Isolation forest have been proven to detect outliers in high-dimensional datasets successfully, but have not been tested before for market surveillance. The performance of both the quantile method and isolation forest was tested by using recall and run-time.  The conclusion was that the empirical quantile method did not detect outliers accurately when all dimensions of the data were used. The method most likely suffered from the curse of dimensionality and could not handle high dimensional data. However, the performance increased when the dimensionality was reduced. Isolation forest performed better than the empirical quantile method and detected 99% of all outliers by classifying 226 datapoints as outliers out of a dataset with 184 true outliers and 1882 datapoints. / Under de senaste åren har finansiell handel blivit mer tillgänglig för allmänheten. Detta har lett till fler deltagare på marknaderna och att fler affärer sker varje dag. Den ökade aktiviteten innebär också att de missbruk som förekommer ökar. För att upptäcka otillåtna affärer utvecklas och används marknadsövervakningssystem. I den här avhandlingen testades två olika metoder för att upptäcka dessa missbruk utifrån högdimensionell data. Den ena baserades på empiriska kvantiler och den andra baserades på en oövervakad maskininlärningsteknik som kallas isolationsskog. Den empiriska kvantilmetoden använder empiriska kvantiler på dimensionellt reducerad data för att avgöra om en datapunkt är ett extremvärde eller inte. För att reducera dimensionen av datan, och för att hantera korrelationen mellan variabler, används huvudkomponent analys (HKA).Isolationsskog är en maskininlärnings metod som upptäcker extremvärden genom att sortera varje datapunkt i en trädstruktur. Om en datapunkt är nära roten är det mer sannolikt att det är en extremvärde. Isolationsskog har visat sig framgångsrikt upptäcka extremvärden i högdimensionella datauppsättningar, men har inte testats för marknadsövervakning tidigare. För att mäta prestanda för båda metoderna användes recall och körtid. Slutsatsen är att den empiriska kvantilmetoden inte hittade extremvärden när alla dimensioner av datan användes. Metoden led med största sannolikhet av dimensionalitetens förbannelse och kunde inte hantera högdimensionell data, men när dimensionaliteten reducerades ökade prestandan. Isolationsskog presterade bättre än den empiriska kvantilmetoden och lyckades detektera 99% av alla extremvärden genom att klassificera 226 datapunkter som extremvärden ur ett dataset med 184 verkliga extremvärden och 1882 datapunkter.

Lean production originates from the Toyota production system (TPS) and is commonly known as today's Lean. Lean Production consists of a multitude of concepts, values, principles and methods with the main purpose to continuously improve operations and productions. These concepts are known to improve long-term profitability.   The purpose was to investigate Swedish industries and their relation to internal Lean strategies and how well implemented these are in different types of industries. These are categorised as Other, Process- Manufacturing and engineering industry. In this study, the main focus is on analyzing dimensions of internal Lean production in industrial types. These dimensions are Pull System (PULL), Continuous Flow (FLOW), Time Reduction (SETUP), Statistical Process Control (SPC), Employee Involvement (EMP.INVOLV) and Total Productive Maintenance (TPM). These internal Lean dimensions derive from an empirical study by Shah & Ward (2007), with the aim to produce a deeper knowledge of the definition of Internal Lean production.   The study is based on empirical evidence and the data analysis is established from a previous data collection of the European manufacturing Survey (EMS) for Sweden in 2019, previously developed by Von Haartman, Niss & Bengtsson (2020). The used data is descriptive statistics and is limited to Swedish industries. In this study, the analysis will focus on 24 Lean questions and 6 internal Lean dimensions have been investigated and analyzed.    It is concluded, based on results and analysis, that two Lean perspectives are the basis for businesses to achieve Lean in production. In order to succeed in implementing Lean production, it is important that these perspectives interact with each other. By implementing practical methods, tools and at the same time allowing employees to be involved in the work, quality and efficiency are increased. This contributes to businesses creating improvements in production-related functions in production.   To a large extent the Swedish industries have a Low or Medium use of internal Lean dimensions. TPM is found to be the most commonly implemented dimension for most individual industry types while the dimensions SPC and EMP.INVOLV has the lowest implementation. For individual industry types, there is no major variance in how they answered the implementation of dimensions. All dimensions have a correlation without significant differences for all types of industries. It is found, implementation of dimension PULL differ from each type of industry and Engineering industry have implemented internal Lean dimensions to a higher extent. / Lean produktion härstammar från Toyota production system (TPS) och är grunden till det dem flesta känner till idag som Lean. Lean Produktion omfattar många begrepp som innebär värderingar, principer och metoder där huvudsyftet är att ständigt förbättra produktionen i verksamheten för att bidra till långsiktig lönsamhet.    Syftet var att undersöka hur svenska industrier förhåller sig till interna Lean strategier och hur välanvänt det är inom olika industrityper. Dessa är fördelade som Övrigt, Process-, Tillverkning och Verkstadsindustri. Denna studie fokuserar på att analysera dimensioner av intern Lean produktion hos industrityper. Dessa dimensioner är dragande system (PULL), kontinuerligt flöde (FLOW), Ställtidsreduktion (SETUP), Statistisk processtyrning (SPC), Medarbetarnas involvering (EMP.INVOLV) och Totalt produktivt underhåll (TPM). Dessa interna Lean dimensioner härstammar från en empiriska studie av Shah & Ward (2007), med syftet att skapa en djupare förståelse för definitionen av intern Lean produktion.   Studien baseras på empiriska belägg och grundas utifrån en tidigare datainsamling från European manufacturing Survey (EMS) för Sverige år 2019, tidigare framtagen av Von Haartman, Niss & Bengtsson (2020). Datan som används är deskriptiv statistik och avgränsas till Svenska industrier. I denna studie kommer endast 24 frågor och 6 interna Lean dimensioner att undersökas och analyseras.    Slutsatsen är att det finns två Lean perspektiv som är grunden till att verksamheten uppnår Lean i produktion. För att lyckas med implementering av Lean produktion är det viktigt att dessa perspektiv samspelar med varandra. Genom att implementera praktiska metoder, verktyg och samtidigt tillåta medarbetarna involveras i arbetet ökar kvaliteten och effektiviteten. Detta bidrar till att verksamheter skapar förbättring av tillverknings relaterade funktioner i produktionen.   Samtliga industrier i undersökningen har i utsträckning en Låg eller Medelhög användning av interna Lean dimensioner. TPM är den mest använda dimensionen hos de flesta enskilda industrityperna medan dimensionerna SPC och EMP.INVOLV har lägst användning. För enskilda industrityper finns det ingen större varians i hur de har besvarat användningen för dimensioner. Alla dimensioner har ett samband i korrelationer utan signifikanta skillnader för samtliga industrityper. Det konstateras, att implementering av dimension PULL skiljer sig från varje typ av industri och Verkstadsindustri har implementerat interna Lean dimensioner i högre utsträckning.