A modern truck contains a large number of functionalities implemented in its electronics system. Thus, testing all of these functions employs a considerable effort. The execution of tests against the system has been automated for a long time. Unfortunately, most of the test is still designed manually these days. This manual test design is sometimes not comprehensive enough to cover all possible scenarios within a complex system. At the moment, there is also a growing trend in the development process based on the model. Furthermore, model-based software can handle events and signal behaviour more robustly[1]. This thesis investigates the technique in model-based testing. The study evaluates the requirement modelling and automated abstract test generation of model-based testing over the existing testing method. A cause-effect graph is utilized for the modelling in Matlab Simulink tool with DesignVerifier feature. The case study is the truck dosing system in Scania. The results are the following. The temporal and static requirements modelling are capable of being modelled using the cause-effect graph in Matlab Simulink. Compared to the traditional method, the MBT method can achieve higher requirement coverage and more rigorous test with optimized test case generation. The MBT method also has a rapid test case generation time suitable for quick design iteration. However, the total test development time (including test case generation time) of using MBT is 12.5% higher than the manual method. Using a model-based platform like Matlab Simulink is recommended to assist the manual testing, not to replace the test flow entirely with the current research state. / En modern truck innehåller ett stort antal funktioner implementerade i dess elektroniksystem. Att testa alla dessa funktioner kräver därför en avsevärd ansträngning. Utförandet av tester mot systemet har varit automatiserat under lång tid. Tyvärr är det mesta av testet fortfarande utformat manuellt nu för tiden. Denna manuella testdesign är ibland inte tillräckligt omfattande för att täcka alla möjliga scenarier inom ett komplext system. För tillfället finns det också en växande trend i utvecklingsprocessen utifrån modellen. Dessutom kan modellbaserad programvara hantera händelser och signalbeteende mer robust[1]. Detta examensarbete undersöker tekniken i modellbaserad testning. Studien utvärderar kravmodellering och automatiserad abstrakt testgenerering av modellbaserad testning över den befintliga testmetoden. En cause-effect graph används för modelleringen i Matlab Simulink-verktyget med Design Verifier-funktionen. Fallstudien är lastbilens doseringssystem i Scania. Resultaten är följande. Den tidsmässiga och statiska kravmodelleringen kan modelleras med hjälp av cause-effect graph i Matlab Simulink. Jämfört med den traditionella metoden kan MBT-metoden uppnå högre kravtäckning och mer rigorösa test med optimerad testfallsgenerering. MBT-metoden har också en snabb genereringstid för testfall som är lämplig för snabb designiteration. Den totala testutvecklingstiden (inklusive genereringstid för testfall) för att använda MBT är 12,5% högre än den manuella metoden. Att använda en modellbaserad plattform som Matlab Simulink rekommenderas för att underlätta den manuella testningen, inte för att ersätta testflödet helt med det aktuella forskningsläget.

Auto-completion is a task that requires an algorithm to give suggestions for completing sentences. Specifically, the history of live chat and the words already typed by the agents are provided to the algorithm for outputting the suggestions to finish the sentences. This study aimed to investigate if the above task can be handled by fine-tuning a pre-trained T5 model on the target dataset. In this thesis, both an English and a Portuguese dataset were selected. Then, T5 and its multilingual version mT5were fine-tuned on the target datasets. The models were evaluated with different metrics (log perplexity, token level accuracy, and multi-word level accuracy), and the results are compared to those of the baseline methods. The results on these different metrics show that a method based on pre-trained T5 is a promising approach to handle the target task. / Automatisk komplettering är en uppgift som kräver en algoritm för att ge förslag på hur man kan slutföra meningar. Specifikt levereras historien om livechatt och de ord som redan har skrivits av agenterna till algoritmen för att mata ut förslagen för att avsluta meningarna. Denna studie syftade till att undersöka om ovanstående uppgift kan hanteras genom att finjustera en förtränad T5-modell på måldatamängden. I denna avhandling valdes både en engelsk och en portugisisk datamängd. Därefter finjusterades T5 och dess flerspråkiga version mT5 på måldatauppsättningarna. Modellerna utvärderades med olika mätvärden (log-perplexitet, precision på ordnivå och flerordsnivå), och resultaten jämförs med baslinjemetoderna. Resultaten på dessa olika mätvärden visar att en metod baserad på en förtränad T5 är ett lovande tillvägagångssätt för att hantera uppgiften.

Large datasets are a crucial requirement to achieve high performance, accuracy, and generalisation for any machine learning task, such as prediction or anomaly detection, However, it is not uncommon for datasets to be small or imbalanced since gathering data can be difficult, time-consuming, and expensive. In the task of collecting vehicle sensor time series data, in particular when the vehicle has an abnormal behaviour, these struggles are present and may hinder the automotive industry in its development. Synthetic data generation has become a growing interest among researchers in several fields to handle the struggles with data gathering. Among the methods explored for generating data, generative adversarial networks (GANs) have become a popular approach due to their wide application domain and successful performance. This thesis focuses on generating multivariate time series data that are similar to vehicle sensor readings from the air pressures in the brake system of vehicles with an abnormal behaviour, meaning there is a leakage somewhere in the system. A novel GAN architecture called TimeGAN was trained to generate such data and was then evaluated using both qualitative and quantitative evaluation metrics. Two versions of this model were tested and compared. The results obtained proved that both models learnt the distribution and the underlying information within the features of the real data. The goal of the thesis was achieved and can become a foundation for future work in this field. / När man applicerar en modell för att utföra en maskininlärningsuppgift, till exempel att förutsäga utfall eller upptäcka avvikelser, är det viktigt med stora dataset för att uppnå hög prestanda, noggrannhet och generalisering. Det är dock inte ovanligt att dataset är små eller obalanserade eftersom insamling av data kan vara svårt, tidskrävande och dyrt. När man vill samla tidsserier från sensorer på fordon är dessa problem närvarande och de kan hindra bilindustrin i dess utveckling. Generering av syntetisk data har blivit ett växande intresse bland forskare inom flera områden som ett sätt att hantera problemen med datainsamling. Bland de metoder som undersökts för att generera data har generative adversarial networks (GANs) blivit ett populärt tillvägagångssätt i forskningsvärlden på grund av dess breda applikationsdomän och dess framgångsrika resultat. Denna avhandling fokuserar på att generera flerdimensionell tidsseriedata som liknar fordonssensoravläsningar av lufttryck i bromssystemet av fordon med onormalt beteende, vilket innebär att det finns ett läckage i systemet. En ny GAN modell kallad TimeGAN tränades för att genera sådan data och utvärderades sedan både kvalitativt och kvantitativt. Två versioner av denna modell testades och jämfördes. De erhållna resultaten visade att båda modellerna lärde sig distributionen och den underliggande informationen inom de olika signalerna i den verkliga datan. Målet med denna avhandling uppnåddes och kan lägga grunden för framtida arbete inom detta område.

Game development is a multifaceted field that involves both traditional software practices and creative work. It is characterized by its iterative and time-consuming process where prototypes are created and then evaluated. This is especially true for creating 3D environments, where it is difficult to evaluate the quality before it is completed. This means that time-consuming and repetitive tasks often have to be redone during the design process of a game. This is an experimental study to analyze the process of creating procedural generation tools for level artists by identifying key problems in their workflow and defining guidelines for how to work with or around them. This was done by interviewing designers to identify common problems in their workflow. This information was then used to create a prototype which was designed to solve some of the problems identified. A user study was then performed involving developers, mainly level artists. The user study assessed the usability of the tool, and whether or not it had the potential to solve any of the stated problems. The user study and the construction process were used to further analyze the key problems when creating PCG tools for designers and artists. In the end, four main problems were identified. The first is the importance of iteration and how any artist-oriented tool has to work with the iteration workflow. The second is that artists do not necessarily have the technical knowledge to intuitively understand a highly algorithmic tool. The third is that all PCG doesn’t have to create finished products, instead creating something almost right that can be manually adjusted can be enough to improve the workflow. The final key problem is that artist value control over their tools highly so it doesn’t impact their artistic vision negatively, so it is important to give them many options in how they can customize and control the tool. / Spelutveckling är ett mångfacetterat område som involverar både traditionell mjukvarupraxis och kreativt arbete. Det kännetecknas av sin iterativa och tidskrävande process där prototyper skapas och sedan utvärderas. Detta gäller särskilt för att skapa 3D-miljöer, där det är svårt att utvärdera kvalitén innan den är fullskapad. Detta innebär att tidskrävande och repetitiva uppgifter ofta måste göras om under designprocessen av ett spel. Detta är en experimentell studie med syftet att analysera processen att skapa procedurgenereringsverktyg för nivåkonstnärer genom att identifiera nyckelproblem i deras arbetsflöde och definiera riktlinjer för hur man arbetar med eller runt dem. Detta gjordes genom att intervjua designers för att identifiera vanliga problem i deras arbetsflöde. Denna information användes sedan för att skapa en prototyp som utformades för att lösa några av de identifierade problemen. En användarstudie genomfördes sedan med utvecklare, främst nivåkonstnärer. Användarstudien bedömde verktygets användbarhet och om det hade potential att lösa något av de angivna problemen eller inte. Användarstudien och byggprocessen användes för att ytterligare analysera nyckelproblemen när man skapade PCG-verktyg för designers och konstnärer. Till slut identifierades fyra huvudproblem. Den första är vikten av iteration och hur alla konstnärsorienterade verktyg måste fungera med iterationsarbetsflödet. Det andra är att konstnärer inte nödvändigtvis har den tekniska kunskapen för att intuitivt förstå ett mycket algoritmiskt verktyg. Det tredje är att alla PCG inte behöver skapa färdiga produkter, i stället kan det räcka att skapa något som är nästan rätt som kan justeras manuellt för att förbättra arbetsflödet. Det sista nyckelproblemet är att konstnärer värderar kontroll över sina verktyg högt så det inte påverkar deras konstnärliga vision negativt, så det är viktigt att ge dem många alternativ för hur de kan anpassa och kontrollera verktyget.

Adding Power Electronic Interfaced Devices (PEID) generation to grids is an increasing trend because of the concurrent development of better power electronic converters and a greater interest in a better utilisation of energy resources. Small and dispersed energy sources that would previously not be worth introducing into the grid is becoming more and more viable and other potential benefits such as better control of voltage levels and smoothing out load changes also spur this development. But while there are great potential benefits of the controllability of these devices there are also risks when existing protection systems are made for the linear behaviour of traditional synchronous generators. This thesis describes the peculiarities of the short circuit behaviour of PEID generators and how this affects the short circuit energy levels in terms of short circuit current, I2t and incident arc energy. Using simulation, it is shown that in the case of the specific mine grid studied, the incident arc energy increases substantially and that this need to be considered when evaluating installation of PEID generation. / Användningen av nätansluten omformardriven generering ökar alltmer i takt med att bättre omformare utvecklas och intresset för ett effektivare nyttjande av energiresurser ökar. Små och utspridda energiresurser som tidigare inte var värda att ta vara på tillgängliggörs alltmer, och fördelar som bättre spänningsreglering och lastutjämning driver på utvecklingen. Men med de fördelar som kommer av omformarnas reglerbarhet så kommer också risker beroende av deras olinjäritet, eftersom existerande skyddssystem är anpassade till det linjära beteendet hos traditionella synkrongeneratorer. Den här avhandlingen behandlar säregenheterna i kortslutningsbeteendet hos effektelektroniska omformare och hur det påverkar kortslutningsenergin i bemärkelsen I2t, händelseenergin vid ljusbågar samt kortslutningsströmmen. Via dynamisk simulering så visas att händelseenergin i vissa fall kan öka avsevärt och att detta behöver övervägas vid installation av omformardriven generering.

The topic of this thesis is the detoxification of language in social networks with a particular focus on style transfer techniques that combine deep learning and linguistic resources. In today’s digital landscape, social networks are rife with communication that can often be toxic, either intentionally or unintentionally. Given the pervasiveness of social media and the potential for toxic language to perpetuate negativity and polarization, this study addresses the problem of toxic language and its transformation into more neutral expressions. The importance of this issue is underscored by the need to promote non-toxic communication in the social networks that are an integral part of modern society. The complexity of natural language and the subtleties of what constitutes toxicity make this a challenging problem worthy of study. To address this problem, this research proposes two models, LexiconGST and MultiLexiconGST, developed based on the Delete&Generate framework. These models integrate linguistic resources into the detoxification system to guide deep learning techniques. Experimental results show that the proposed models perform commendably in the detoxification task compared to stateof-the-art methods. The integration of linguistic resources with deep learning techniques is confirmed to improve the performance of detoxification systems. Finally, this research has implications for social media platforms and online communities, which can now implement more effective moderation tools to promote non-toxic communication. It also opens lines of further research to generalize our proposed method to other text styles. / Ämnet för denna avhandling är avgiftning av språk i sociala nätverk med särskilt fokus på stilöverföringstekniker som kombinerar djupinlärning och språkliga resurser. I dagens digitala landskap är sociala nätverk fulla av kommunikation som ofta kan vara giftig, antingen avsiktligt eller oavsiktligt. Med tanke på hur utbredda sociala medier är och hur giftigt språk kan bidra till negativitet och polarisering, tar den här studien upp problemet med giftigt språk och hur det kan omvandlas till mer neutrala uttryck. Vikten av denna fråga understryks av behovet av att främja giftfri kommunikation i de sociala nätverk som är en integrerad del av det moderna samhället. Komplexiteten i naturligt språk och de subtila aspekterna av vad som utgör toxicitet gör detta till ett utmanande problem som är värt att studera. För att ta itu med detta problem föreslår denna forskning två modeller, LexiconGST och MultiLexiconGST, som utvecklats baserat på ramverket Delete&Generate. Dessa modeller integrerar språkliga resurser i avgiftningssystemet för att vägleda djupinlärningstekniker. Experimentella resultat visar att de föreslagna modellerna presterar lovvärt i avgiftningsuppgiften jämfört med toppmoderna metoder. Integrationen av språkliga resurser med djupinlärningstekniker bekräftas för att förbättra prestanda för avgiftningssystem. Slutligen har denna forskning konsekvenser för sociala medieplattformar och onlinegemenskaper, som nu kan implementera mer effektiva modereringsverktyg för att främja giftfri kommunikation. Det öppnar också för ytterligare forskning för att generalisera vår föreslagna metod till andra textstilar.