Developing models of the cardiovascular system that simulates the dynamic behavior of a virtual patient’s condition is fundamental in the medical domain for predictive outcome and hypothesis generation. These models are usually described through Ordinary Differential Equation (ODE). To obtain a patient-specific representative model, it is crucial to have an accurate and rapid estimate of the hemodynamic model parameters. Moreover, when adequate model parameters are found, the resulting time series of state variables can be clinically used for predicting the response to treatments and for non-invasive monitoring. In the Thesis, we address the parameter estimation or inverse modeling, by solving an optimization problem, which aims at minimizing the error between the model output and the target data. In our case, the target data are a set of user-defined state variables, descriptive of a hospitalized specific patient and obtained from time-averaged state variables. The Thesis proposes a comparison of both state-of-the-art and novel methods for the estimation of the underlying model parameters of a cardiovascular simulator Aplysia. All the proposed algorithms are selected and implemented considering the constraints deriving from the interaction with Aplysia. In particular, given the inaccessibility of the ODE, we selected gradient-free methods, which do not need to estimate numerically the derivatives. Furthermore, we aim at having a small number of iterations and objective function calls, since these importantly impact the speed of the estimation procedure, and thus the applicability of the knowledge gained through the parameters at the bedside. Moreover, the Thesis addresses the most common problems encountered in the inverse modeling, among which are the non-convexity of the objective function and the identifiability problem. To assist in resolving the latter issue an identifiability analysis is proposed, after which the unidentifiable parameters are excluded. The selected methods are validated using heart failure data, representative of different pathologies commonly encountered in Intensive Care Unit (ICU) patients. The results show that the gradient-free global algorithms Enhanced Scatter Search and Particle Swarm estimate the parameters accurately at the price of a high number of function evaluations and CPU time. As such, they are not suitable for bedside applications. Besides, the local algorithms are not suitable to find an accurate solution given their dependency on the initial guess. To solve this problem, we propose two methods: the hybrid, and the prior-knowledge algorithms. These methods, by including prior domain knowledge, can find a good solution, escaping the basin of attraction of local minima and producing clinically significant parameters in a few minutes. / Utveckling av modeller av det kardiovaskulära systemet som simulerar det dynamiska beteendet hos en virtuell patients är grundläggande inom det medicinska området för att kunna förutsäga resultat och generera hypoteser. Dessa modeller beskrivs vanligtvis genom Ordinary Differential Equation (ODE). För att erhålla en patientspecifik representativ modell är det viktigt att ha en exakt och snabb uppskattning av de hemodynamiska modellparametrarna. När adekvata modellparametrar har hittats kan de resulterande tidsserierna av tillståndsvariabler dessutom användas kliniskt för att förutsäga svaret på behandlingar och för icke-invasiv övervakning. I avhandlingen behandlar vi parameteruppskattning eller invers modellering genom att lösa ett optimeringsproblem som syftar till att minimera följande felet mellan modellens utdata och måldata. I vårt fall är måldata en uppsättning användardefinierade tillståndsvariabler som beskriver en specifik patient som är inlagd på sjukhus och som erhålls från tidsgenomsnittliga tillståndsvariabler. I avhandlingen föreslås en jämförelse av befintlinga och nya metoder. för uppskattning av de underliggande modellparametrarna i en kardiovaskulär simulator, Aplysia. Alla föreslagna algoritmer är valts och implementerade med hänsyn tagna till de begränsningar som finnis i simulatorn Aplysia. Med tanke på att ODE är otillgänglig har vi valt gradientfria metoder som inte behöver uppskatta derivatorna numeriskt. Dessutom strävar vi efter att ha få interationer och funktionsanrop eftersom dessa påverkar hastigheten på estimeringen och därmed den kliniska användbartheten vid patientbehandling. Avhandlingen behandlas dessutom de vanligaste problemen vid inversmodellering som icke-konvexitet och identifierbarhetsproblem. För att lösa det sistnämnda problemet föreslås en identifierbarhetsanalys varefter de icke-identifierbara parametrarna utesluts. De valda metoderna valideras med hjälp av data om hjärtsvikt som är representativa för olika patologier som ofta förekommer hos Intensive Care Unit (ICU)-patienter. Resultaten visar att de gradientfria globala algoritmerna Enhanced Scatter Search och Particle Swarm uppskattar parametrarna korrekt till priset av ett stort antal funktionsutvärderingar och processortid. De är därför inte lämpliga för tillämpningar vid sängkanten. Dessutom är de lokala algoritmerna inte lämpliga för att hitta en exakt lösning eftersom de är beroende av den ursprungliga gissningen. För att lösa detta problem föreslår vi två metoder: hybridalgoritmer och algoritmer med förhandsinformation. Genom att inkludera tidigare domänkunskap kan dessa metoder hitta en bra lösning som undviker de lokala minimernas attraktionsområde och producerar kliniskt betydelsefulla parametrar på några minuter.

Accurately modeling aerodynamic forces and moments are crucial for understanding thebehavior of an aircraft when performing various maneuvers at different flight conditions.However, this task is challenging due to complex nonlinear dependencies on manydifferent parameters. Currently, Computational Fluid Dynamics (CFD), wind tunnel,and flight tests are the most common methods used to gather information about thecoefficients, which are both costly and time–consuming. Consequently, great efforts aremade to find alternative methods such as machine learning. This thesis focus on finding machine learning models that can model the static and thedynamic aerodynamics coefficients for lift, drag, and pitching moment. Seven machinelearning models for static estimation were trained on data from CFD simulations.The main focus was on dynamic aerodynamics since these are more difficult toestimate. Here two machine learning models were implemented, Long Short–TermMemory (LSTM) and Gaussian Process Regression (GPR), as well as the ordinaryleast squares. These models were trained on data generated from simulated flighttrajectories of longitudinal movements. The results of the study showed that it was possible to model the static coefficients withlimited data and still get high accuracy. There was no machine learning model thatperformed best for all three coefficients or with respect to the size of the training data.The Support vector regression was the best for the drag coefficients, while there wasno clear best model for the lift and moment. For the dynamic coefficients, the ordinaryleast squares performed better than expected and even better than LSTM and GPR forsome flight trajectories. The Gaussian process regression produced better results whenestimating a known trajectory, while the LSTM was better when predicting values ofa flight trajectory not used to train the models. / Att noggrant modellera aerodynamiska krafter och moment är avgörande för att förståett flygplans beteende när man utför olika manövrar vid olika flygförhållanden. Dennauppgift är dock utmanande på grund av ett komplext olinjärt beroende av många olikaparametrar. I nuläget är beräkningsströmningsdynamik (CFD), vindtunneltestningoch flygtestning de vanligaste metoderna för att kunna modellera de aerodynamiskakoefficienterna, men de är både kostsamma och tidskrävande. Följaktligen görs storaansträngningar för att hitta alternativa metoder, till exempel maskininlärning. Detta examensarbete fokuserar på att hitta maskininlärningmodeller som kanmodellera de statiska och de dynamiska aerodynamiska koefficienterna för lyftkraft,luftmotstånd och stigningsmoment. Sju olika maskininlärningsmodeller för destatiska koefficienterna tränades på data från CFD–simuleringar. Huvudfokus lågpå den dynamiska koefficienterna, eftersom dessa är svårare att modellera. Härimplementerades två maskininlärningsmodeller, Long Short–Term Memory (LSTM)och Gaussian Process Regression (GPR), samt minstakvadratmetoden. Dessa modellertränades på data skapad från flygbanesimuleringar av longitudinella rörelser. Resultaten av studien visade att det är möjligt att modellera de statiskakoefficienterna med begränsad data och ändå få en hög noggrannhet. Ingen avde testade maskininslärningsmodelerna var tydligt bäst för alla koefficienterna ellermed hänsyn till mängden träningsdata. Support vector regression var bäst förluftmotstånds koefficienterna, men vilken modell som var bäst för lyftkraften ochstigningsmomentet var inte lika tydligt. För de dynamiska koefficienterna presterademinstakvadratmetoden bättre än förväntat och för vissa signaler även bättre än LSTMoch GPR. GPR gav bättre resultat när man uppskattade koefficienterna för enflygbanan man tränat modellen på, medan LSTM var bättre på att förutspå värdenaför en flybana man inte hade tränat modellen på.

As modern systems are becoming increasingly complex, they are also becoming more and more cumbersome to diagnose and fix when things go wrong. One domain where it is very important for machinery and equipment to stay functional is in the world of medical IT, where technology is used to improve healthcare for people all over the world. This thesis aims to help with reducing downtime on critical life-saving equipment by implementing automatic analysis of system logs that without any domain experts involved can give an indication of the state that the system is in. First, a literature study was performed where three potential candidates of suitable neural network architectures was found. Next, the networks were implemented and a data pipeline for collecting and labeling training data was set up. After training the networks and testing them on a separate data set, the best performing model out of the three was based on GRU (Gated Recurrent Unit). Lastly, this model was tested on some real world system logs from two different sites, one without known issues and one with slow image import due to network issues. The results showed that it was feasible to build such a system that can give indications on external parameters such as network speed, latency and packet loss percentage using only raw system logs as input data. GRU, 1D-CNN (1-Dimensional Convolutional Neural Network) and Transformer's Encoder are the three models that were tested, and the best performing model was shown to produce correct patterns even on the real world system logs. / I takt med att moderna system ökar i komplexitet så blir de även svårare att felsöka och reparera när det uppstår problem. Ett område där det är mycket viktigt att maskiner och utrustning fungerar korrekt är inom medicinsk IT, där teknik används för att förbättra hälso- och sjukvården för människor över hela världen. Syftet med denna avhandling är att bidra till att minska tiden som kritisk livräddande utrustning inte fungerar genom att implementera automatisk analys av systemloggarna som utan hjälp av experter inom området kan ge en indikation på vilket tillstånd som systemet befinner sig i. Först genomfördes en litteraturstudie där tre lovande typer av neurala nätverk valdes ut. Sedan implementerades dessa nätverk och det sattes upp en datapipeline för insamling och märkning av träningsdata. Efter att ha tränat nätverken och testat dem på en separat datamängd så visade det sig att den bäst presterande modellen av de tre var baserad på GRU (Gated Recurrent Unit). Slutligen testades denna modell på riktiga systemloggar från två olika sjukhus, ett utan kända problem och ett där bilder importerades långsamt på grund av nätverksproblem. Resultaten visade på att det är möjligt att konstruera ett system som kan ge indikationer på externa parametrar såsom nätverkshastighet, latens och paketförlust i procent genom att enbart använda systemloggar som indata.  De tre modeller som testades var GRU, 1D-CNN (1-Dimensional Convolutional Neural Network) och Transformer's Encoder. Den bäst presterande modellen visade sig kunna producera korrekta mönster även för loggdata från verkliga system.

As a new type of machine, the multi-phase machine has the advantages ofhigher power rating, higher fault tolerance capability and more degrees offreedom to control compared with the traditional machine. Aiming at runninga multi-phase machine with different phase-pole configurations smoothly,a new method called harmonic plane decomposition is presented. Thisproject focuses on applying harmonic plane decomposition to the modellingand analysis of a six-phase machine. The parameters of the machine wereidentified in both the first and fifth harmonic planes. The machine modelusing harmonic plane decomposition method is built in Matlab/Simulink. Asimulation based on the indirect rotor field oriented control of the machine isthen performed. The simulation result shows that the machine could switchbetween different phase-pole configurations without causing too much speedripple. Debugging and testing a prototype control board is conducted. Thecontrol strategy of the machine is tested on the testbench. The machine couldoperate as a six-phase machine successfully. / Som en ny typ har flerfasmaskinen fördelarna, inklusive högre effekt, högrefeltolerans och fler frihetsgrader att styra jämfört med den traditionella maskinen.Med sikte på att köra en flerfasmaskin med olika faspolskonfigurationersmidigt presenteras en ny metod som kallas harmonisk plan sönderdelning.Detta projekt fokuserar på att tillämpa harmonisk plan sönderdelning på modelleringoch analys av en sexfasmaskin. Maskinens parametrar identifieradesi både det första och det femte harmoniska planet. Maskinmodellen medharmonisk plan sönderdelning är byggd i Matlab/Simulink. En simuleringbaserad på den indirekta rotorfältorienterade styrningen av maskinen utförssedan, och resultatet visar att maskinen kan växla mellan olika faspolskonfigurationerutan att orsaka oacceptabel hastighetsrippling. Felsökning ochtestning av en prototypstyrplatta utförs också, och maskinens styrstrategi testaspå testbänken. Sammantaget kan maskinen fungera som en sexfasmaskinframgångsrikt.

In the recent decades, an increased interest into multiphase machines has developed due to certain beneficial properties they have over the standard three- phase machines. Proper modelling of a multiphase machine allows access to higher degrees of freedom given by the ability to control higher order harmonic frames. This feature is of particular interest in the area of parameter estimation as it may provide an opportunity to implement methods that are not feasible in three- phase machines. Modelling of a real six- phase machine meant for marine application with a functioning control structure is carried out on MATLAB/Simulink; considering nonlinear relations, cross coupling and saturation effects, the model includes the machine’s behavior in the fundamental frame as well as the next two higher order harmonic frames. Stator resistances and permanent magnet flux linkage are estimated online and simultaneously during various operating points. It is shown that stator resistance may be accurately estimated by means of DC test signal injections into the highest order harmonic frame; thus, minimizing torque ripple and additional loss generation. Permanent magnet flux linkage is accurately estimated via reactive power calculations on the fundamental frame which remains undisturbed by the aforementioned test signals. / Under de senaste decennierna har intresset för flerfasmaskiner ökat, på grund av i vissa avseenden, fördelaktiga egenskaper i jämförelse med traditionella trefasmaskiner. En väl genomförd modellering av flerfasmaskiner möjliggör högre grader av frihet givet förmågan att kontrollera frekvensplan av högre ordning. Denna funktion är av särskilt intresse inom parameteruppskattning, då det kan ge möjligheter att implementera metoder som är omöjliga i trefas maskiner. En modell av en verklig sexfasmaskin, byggd för en marin tillämpning och med ett givet styrsystem, har skapats i MATLAB/Simulink. Modellen tar hänsyn till ickelinjära förhållanden, korskopplingar och mättning. Den inkluderar även maskinens egenskaper i det fundamentala frekvensplanet och de två nästkommande frekvensplanen av högre ordning. Statorresistansen och permanentmagneternas sammanlänkade flöden uppskattas i realtid för olika driftsförhållanden. Det visar sig att statorresistansen kan uppskattas noggrant genom inmatning av en DC testsignal i högsta ordningens frekvensplan vilket minimerar momentrippel och extra förluster. Permanentmagneternas flöden kan uppskattas noggrant genom beräkning av den reaktiva effekten i det fundamentala frekvensplanet som är opåverkat av de ovan nämnda testsignalerna.