Luossavaara-Kiirunavaara Aktiebolag (LKAB) är en gruvdriftskoncern med järnmalmsbrytning som huvudsaklig verksamhet. En av produkterna tas fram genom att raffinera järnmalm till pellets vilket är en efterfrågad produkt vid ståltillverkning.   Vid sintring av råkulor till pellets är temperaturen väsentlig för att få så hög oxidation som möjligt av magnetit till hematit och för att få rätt fasthet. För att reglera värmen bör temperaturen mätas bland råkulorna eftersom det är kulornas temperatur som är det viktiga.                                   Projektet går ut på att undersöka möjligheterna att mäta temperatur bland råkulor på gratevagnar som åker genom en pelletsugn med ett permanent mätsystem. Här ställs höga krav på mätsystemet på grund av miljö, portabilitet och drifttid. Miljöanalyser gjordes för att ta reda på vilken påfrestning ett mätsystem bör klara av. Förslag om placering av mätutrustning framtogs genom kartläggning av miljön. En värmeundersökning utfördes av vad hög värme har för påverkan på elektroniska komponenter som kan behövas till ett mätsystem. Det gjordes även en undersökning över vilka komponenter som kan klara av den värme ett mätsystem kan bli utsatt för. Utifrån detta kunde ett prototypmätsystem konstrueras för att mäta temperaturen där ett mätsystem kan placeras på en gratevagn samt för att skapa möjlighet för mätningar med termoelement i bädd. Mätsystemet skapades med trådlös kommunikation, möjlighet till loggning av data och med möjlighet att ansluta tre termoelement av typ S. Olika typer av trådlös kommunikation utvärderades för att se vad som kan vara mest lämpat med tanke på miljö, räckvidd, strålning och strömförbrukning. Strömförsörjning undersöktes för att hitta den mest lämpade strömförsörjningen med längst drifttid och högst funktionalitet. En utredning gjordes för att hitta monteringsmöjligheter av ett mätsystem på en gratevagn. Värmeavskärmning och isolering undersöktes för att få ner temperaturen i kapslingen och för elektroniken i ett mätsystem. Några olika temperaturgivare granskades för att hitta en som klarar av att mäta temperaturer upp till 1500°C och som fysiskt kan monteras på en gratevagn. / Luossavaara-Kiirunavaara Aktiebolag (LKAB) is a mining group with iron ore mining as the main business. One of the products is produced by refining iron ore to iron pellets, which is a quality and environmentally clever product  in steel production.                                     When iron pellets are produced by roasting green pellets the temperature is very important. The goal is to get as much oxidation as possible from hematite to magnetite and to get correct mechanical properties. To control the process it’s important to know the temperature of the green pellets specifically and not the surrounding mechanical structure, ceramics lining in the furnace and the influence from radiation.   The goal of the project is to examine possibilities to measure temperature with a permanent measurement system of green pellets which are transported on grate cars trough pellet plant. The measurement system has to meet some requirements of environment, portability and operating time. Analysis of the environment has been made to get specification of what a measurement system has to withstand. Proposition about assembly location has been investigated by analysis of the environment. A thermal analysis has been made of electronic components, especially electronic components that can be used in a measurement system. A analysis has also been made of which electronic components that are suited for a measurement system and can withstand the heat. A development measurement system has been developed from the results of the analysis. The system has been constructed to measure the temperature of what a system can be exposed of on a grate car. This with wireless and data-logging support and future measurements possibilities with three thermocouples of type S.   Wireless data transfer was examined to see what type is most suited for the task with knowledge of environment, transmission range, radiation and power consumption. Power sources was examined to find a power source with longest working time and highest functionality. Heat insulation and reflective materials has been investigated with the goal to get the temperature in the system enclosure as low as possible. Some different types of temperature sensors that can measure temperatures up to 1500°C and which can be mounted on a grate car has been evaluated.

With an increased amount of connected devices and the recent surge of artificial intelligence, the two technologies need more attention to fully bloom as a useful tool for creating new and exciting products. As machine learning traditionally is implemented on computers and online servers this thesis explores the possibility to extend machine learning to an embedded environment. This evaluation of existing machine learning in embedded systems with limited processing capa-bilities has been carried out in the specific context of an application involving classification of basic human movements. Previous research and implementations indicate that it is possible with some limitations, this thesis aims to answer which hardware limitation is affecting clas-sification and what classification accuracy the system can reach on an embedded device. The tests included human motion data from an existing dataset and included four different machine learning algorithms on three devices. Support Vector Machine (SVM) are found to be performing best com-pared to CART, Random Forest and AdaBoost. It reached a classification accuracy of 84,69% between six different included motions with a clas-sification time of 16,88 ms per classification on a Cortex M4 processor. This is the same classification accuracy as the one obtained on the host computer with more computational capabilities. Other hardware and machine learning algorithm combinations had a slight decrease in clas-sification accuracy and an increase in classification time. Conclusions could be drawn that memory on the embedded device affect which al-gorithms could be run and the complexity of data that can be extracted in form of features. Processing speed is mostly affecting classification time. Additionally the performance of the machine learning system is connected to the type of data that is to be observed, which means that the performance of different setups differ depending on the use case. / Antalet uppkopplade enheter ökar och det senaste uppsvinget av ar-tificiell intelligens driver forskningen framåt till att kombinera de två teknologierna för att både förbättra existerande produkter och utveckla nya. Maskininlärning är traditionellt sett implementerat på kraftfulla system så därför undersöker den här masteruppsatsen potentialen i att utvidga maskininlärning till att köras på inbyggda system. Den här undersökningen av existerande maskinlärningsalgoritmer, implemen-terade på begränsad hårdvara, har utförts med fokus på att klassificera grundläggande mänskliga rörelser. Tidigare forskning och implemen-tation visar på att det ska vara möjligt med vissa begränsningar. Den här uppsatsen vill svara på vilken hårvarubegränsning som påverkar klassificering mest samt vilken klassificeringsgrad systemet kan nå på den begränsande hårdvaran. Testerna inkluderade mänsklig rörelsedata från ett existerande dataset och inkluderade fyra olika maskininlärningsalgoritmer på tre olika system. SVM presterade bäst i jämförelse med CART, Random Forest och AdaBoost. Den nådde en klassifikationsgrad på 84,69% på de sex inkluderade rörelsetyperna med en klassifikationstid på 16,88 ms per klassificering på en Cortex M processor. Detta är samma klassifikations-grad som en vanlig persondator når med betydligt mer beräknings-resurserresurser. Andra hårdvaru- och algoritm-kombinationer visar en liten minskning i klassificeringsgrad och ökning i klassificeringstid. Slutsatser kan dras att minnet på det inbyggda systemet påverkar vilka algoritmer som kunde köras samt komplexiteten i datan som kunde extraheras i form av attribut (features). Processeringshastighet påverkar mest klassificeringstid. Slutligen är prestandan för maskininlärningsy-stemet bunden till typen av data som ska klassificeras, vilket betyder att olika uppsättningar av algoritmer och hårdvara påverkar prestandan olika beroende på användningsområde.

Customized Deep Neural Network (DNN) accelerators have been increasingly popular in various applications, from autonomous driving and natural language processing to healthcare and finance, etc. However, deploying them directly on embedded system peripherals within real-time operating systems (RTOS) is not easy due to the paradox of the complexity of DNNs and the simplicity of embedded system devices. As a result, DNN implementation on embedded system devices requires customized accelerators with tailored hardware due to their numerous computations, latency, power consumption, etc. Moreover, the computational capacity, provided by potent microprocessors or graphics processing units (GPUs), is necessary to unleash the full potential of DNN, but these computational resources are often not easily available in embedded system devices. In this thesis, we propose an innovative method to evaluate and improve the efficiency of DNN implementation within the constraints of resourcelimited embedded system devices. The Evolutionary Multi-Objective Neuron Architecture Search-Binary One Optimization (EMONAS-BOO) optimizes both the image classification accuracy and the innovative Binary One Optimization (BOO) objectives, with Multiple Objective Optimization (MOO) methods. The EMONAS-BOO automates neural network searching and training, and the neural network architectures’ diversity is also guaranteed with the help of an evolutionary algorithm that consists of tournament selection, polynomial mutation, and point crossover mechanisms. Binary One Optimization (BOO) is used to evaluate the difficulty in implementing DNNs on resource-limited embedded system peripherals, employing a binary format for DNN weights. A deeper implementation of the innovative Binary One Optimization will significantly boost not only computation efficiency but also memory storage, power dissipation, etc. It is based on the reduction of weights binary 1’s that need to be computed and stored, where the reduction of binary 1 brings reduced arithmetic operations and thus simplified neural network structures. In addition, analyzed from a digital circuit waveform perspective, the embedded system, in interpreting the neural network, will register an increase in zero weights leading to a reduction in voltage transition frequency, which, in turn, benefits power efficiency improvement. The proposed EMONAS employs the MOO method which optimizes two objectives. The first objective is image classification accuracy, and the second objective is Binary One Optimization (BOO). This approach enables EMONAS to outperform manually constructed and randomly searched DNNs. Notably, 12 out of 100 distinct DNNs maintained their image classification accuracy. At the same time, they also exhibit superior BOO performance. Additionally, the proposed EMONAS ensures automated searching and training of DNNs. It achieved significant reductions in key performance metrics: Compared with random search, evolutionary-searched BOO was lowered by up to 85.1%, parameter size by 85.3%, and FLOPs by 83.3%. These improvements were accomplished without sacrificing the image classification accuracy, which saw an increase of 8.0%. These results demonstrate that the EMONAS is an excellent choice for optimizing innovative objects that did not exist before, and greater multi-objective optimization performance can be guaranteed simultaneously if computational resources are adequate. / Customized Deep Neural Network (DNN)-acceleratorer har blivit alltmer populära i olika applikationer, från autonom körning och naturlig språkbehandling till sjukvård och ekonomi, etc. Att distribuera dem direkt på kringutrustning för inbyggda system inom realtidsoperativsystem (RTOS) är dock inte lätt på grund av paradoxen med komplexiteten hos DNN och enkelheten hos inbyggda systemenheter. Som ett resultat kräver DNNimplementering på inbäddade systemenheter skräddarsydda acceleratorer med skräddarsydd hårdvara på grund av deras många beräkningar, latens, strömförbrukning, etc. Dessutom är beräkningskapaciteten, som tillhandahålls av potenta mikroprocessorer eller grafikprocessorer (GPU), nödvändig för att frigöra den fulla potentialen hos DNN, men dessa beräkningsresurser är ofta inte lätt tillgängliga i inbyggda systemenheter. I den här avhandlingen föreslår vi en innovativ metod för att utvärdera och förbättra effektiviteten av DNN-implementering inom begränsningarna av resursbegränsade inbäddade systemenheter. Den evolutionära Multi-Objective Neuron Architecture Search-Binary One Optimization (EMONAS-BOO) optimerar både bildklassificeringsnoggrannheten och de innovativa Binary One Optimization (BOO) målen, med Multiple Objective Optimization (MOO) metoder. EMONAS-BOO automatiserar sökning och träning av neurala nätverk, och de neurala nätverksarkitekturernas mångfald garanteras också med hjälp av en evolutionär algoritm som består av turneringsval, polynommutation och punktövergångsmekanismer. Binary One Optimization (BOO) används för att utvärdera svårigheten att implementera DNN på resursbegränsade kringutrustning för inbäddade system, med ett binärt format för DNN-vikter. En djupare implementering av den innovativa Binary One Optimization kommer att avsevärt öka inte bara beräkningseffektiviteten utan också minneslagring, effektförlust, etc. Den är baserad på minskningen av vikter binära 1:or som behöver beräknas och lagras, där minskningen av binär 1 ger minskade aritmetiska operationer och därmed förenklade neurala nätverksstrukturer. Dessutom, analyserat ur ett digitalt kretsvågformsperspektiv, kommer det inbäddade systemet, vid tolkning av det neurala nätverket, att registrera en ökning av nollvikter, vilket leder till en minskning av spänningsövergångsfrekvensen, vilket i sin tur gynnar en förbättring av effekteffektiviteten. Den föreslagna EMONAS använder MOO-metoden som optimerar två mål. Det första målet är bildklassificeringsnoggrannhet och det andra målet är Binary One Optimization (BOO). Detta tillvägagångssätt gör det möjligt för EMONAS att överträffa manuellt konstruerade och slumpmässigt genomsökta DNN. Noterbart behöll 12 av 100 distinkta DNN:er sin bildklassificeringsnoggrannhet. Samtidigt uppvisar de också överlägsen BOOprestanda. Dessutom säkerställer den föreslagna EMONAS automatisk sökning och utbildning av DNN. Den uppnådde betydande minskningar av nyckelprestandamått: BOO sänktes med upp till 85,1%, parameterstorleken med 85,3% och FLOP:s med 83,3%. Dessa förbättringar åstadkoms utan att offra bildklassificeringsnoggrannheten, som såg en ökning med 8,0%. Dessa resultat visar att EMONAS är ett utmärkt val för att optimera innovativa objekt som inte existerade tidigare, och större multi-objektiv optimeringsprestanda kan garanteras samtidigt om beräkningsresurserna är tillräckliga.

Trötthet i trafiken är ett stort problem i samhället. Det är särskilt farligt att trött framföra tunga lastbilar i trafiken eftersom dessa fordon är stora och har ofta livsavgörande roller vid inblandning i trafikolyckor. För att angripa problemet har det i denna rapport studerats kring vilket sömnstadie som är lämpligast att vakna under, i syfte att vakna pigg och alert samt vilka typer av tekniker och metoder som är lämpliga för att portabelt kunna detektera Rapid-Eye-Movement. Tidigare arbeten och studier har gjorts som påvisar att uppväckning i REM-sömn är optimalt för att känna sig alert. De valda metoderna är baserade på varianter av väletablerade tekniker som används för identifiering av sömnsteg. Elektrookulografi används för att mäta ögonrörelser med hjälp av fyra elektroder som är placerade på huvudet. Kroppsrörelser upptäcks genom en accelerometer som fästs på armen. Pulsmätningar görs och används för att räkna ut pulsvariansen under sömnen. Målet är att skapa en prototyp som ska känna av när användaren är i REM-sömn och sedan väcka användaren. Detta arbete är uppdelat i två inbyggda system som görs mellan två olika examensarbeten. Resultatet blev tre sensorer som fungerar individuellt. På grund av tidsbrist och en längre felsökning blev prototypen inte färdigställd. Innan sensorerna kan tillämpas i en produkt krävs det att ytterligare tester genomförs under monitorering av en sömnspecialist. / Tiredness in traffic is a major problem in society. It is especially dangerous to drive heavy trucks when tired because these vehicles are large and often have vital roles when involved in traffic accidents. To address the problem, this degree project has studied which sleep stage is most appropriate to wake up during, in order to wake up sharp and alert, and what types of techniques and methods are suitable for portable detection of Rapid-Eye-Movement. Previous work and studies have been done which indicates that awakening during REM sleep is optimal for feeling alert. The chosen methods are based on variants of well-established techniques that are used to identify sleep stages. Electrooculography is used to measure eye movements using four electrodes placed on the head. Body movements are detected by an accelerometer attached to the arm. Pulse measurements are made and used to calculate the pulse variation during sleep. The goal is to create a prototype which will know when the user is in REM sleep and then wake the user up. This work is divided into two embedded systems that are made between two different degree projects. The result was three sensors that worked individually. Due to lack of time and a longer troubleshooting, the prototype was not completed. Before the sensors can be used in a product, additional tests are required under the supervision of a sleep specialist.