Private and public clouds require users to specify requests for resources such as CPU and memory (RAM) to be provisioned for their applications. The values of these requests do not necessarily relate to the application’s run-time requirements, but only help the cloud infrastructure resource manager to map requested virtual resources to physical resources. If an application exceeds these values, it might be throttled or even terminated. Consequently, requested values are often overestimated, resulting in poor resource utilization in the cloud infrastructure. Autoscaling is a technique used to overcome these problems. In this research, we formulated two new predictive CPU autoscaling strategies forKubernetes containerized applications, using time-series analysis, based on Holt-Winters exponential smoothing and long short-term memory (LSTM) artificial recurrent neural networks. The two approaches were analyzed, and their performances were compared to that of the default Kubernetes Vertical Pod Autoscaler (VPA). Efficiency was evaluated in terms of CPU resource wastage, and insufficient CPU percentage and amount for container workloads from Alibaba Cluster Trace 2018, and others. In our experiments, we observed that Kubernetes Vertical Pod Autoscaler (VPA) tended to perform poorly on workloads that periodically change. Our results showed that compared to VPA, predictive methods based on Holt- Winters exponential smoothing (HW) and Long Short-Term Memory (LSTM) can decrease CPU wastage by over 40% while avoiding CPU insufficiency for various CPU workloads. Furthermore, LSTM has been shown to generate stabler predictions compared to that of HW, which allowed for more robust scaling decisions. / Privata och offentliga moln kräver att användare begär mängden CPU och minne (RAM) som ska fördelas till sina applikationer. Mängden resurser är inte nödvändigtvis relaterat till applikationernas körtidskrav, utan är till för att molninfrastrukturresurshanteraren ska kunna kartlägga begärda virtuella resurser till fysiska resurser. Om en applikation överskrider dessa värden kan den saktas ner eller till och med krascha. För att undvika störningar överskattas begärda värden oftast, vilket kan resultera i ineffektiv resursutnyttjande i molninfrastrukturen. Autoskalning är en teknik som används för att överkomma dessa problem. I denna forskning formulerade vi två nya prediktiva CPU autoskalningsstrategier för containeriserade applikationer i Kubernetes, med hjälp av tidsserieanalys baserad på metoderna Holt-Winters exponentiell utjämning och långt korttidsminne (LSTM) återkommande neurala nätverk. De två metoderna analyserades, och deras prestationer jämfördes med Kubernetes Vertical Pod Autoscaler (VPA). Prestation utvärderades genom att observera under- och överutilisering av CPU-resurser, för diverse containerarbetsbelastningar från bl. a. Alibaba Cluster Trace 2018. Vi observerade att Kubernetes Vertical Pod Autoscaler (VPA) i våra experiment tenderade att prestera dåligt på arbetsbelastningar som förändras periodvist. Våra resultat visar att jämfört med VPA kan prediktiva metoder baserade på Holt-Winters exponentiell utjämning (HW) och långt korttidsminne (LSTM) minska överflödig CPU-användning med över 40 % samtidigt som de undviker CPU-brist för olika arbetsbelastningar. Ytterligare visade sig LSTM generera stabilare prediktioner jämfört med HW, vilket ledde till mer robusta autoskalningsbeslut.

The desire to model the true gain from targeting an individual in marketing purposes has lead to the common use of uplift modeling. Uplift modeling requires the existence of a treatment group as well as a control group and the objective hence becomes estimating the difference between the success probabilities in the two groups. Efficient methods for estimating the probabilities in uplift models are statistical machine learning methods. In this project the different uplift modeling approaches Subtraction of Two Models, Modeling Uplift Directly and the Class Variable Transformation are investigated. The statistical machine learning methods applied are Random Forests and Neural Networks along with the standard method Logistic Regression. The data is collected from a well established retail company and the purpose of the project is thus to investigate which uplift modeling approach and statistical machine learning method that yields in the best performance given the data used in this project. The variable selection step was shown to be a crucial component in the modeling processes as so was the amount of control data in each data set. For the uplift to be successful, the method of choice should be either the Modeling Uplift Directly using Random Forests, or the Class Variable Transformation using Logistic Regression. Neural network - based approaches are sensitive to uneven class distributions and is hence not able to obtain stable models given the data used in this project. Furthermore, the Subtraction of Two Models did not perform well due to the fact that each model tended to focus too much on modeling the class in both data sets separately instead of modeling the difference between the class probabilities. The conclusion is hence to use an approach that models the uplift directly, and also to use a great amount of control data in each data set. / Behovet av att kunna modellera den verkliga vinsten av riktad marknadsföring har lett till den idag vanligt förekommande metoden inkrementell responsanalys. För att kunna utföra denna typ av metod krävs förekomsten av en existerande testgrupp samt kontrollgrupp och målet är således att beräkna differensen mellan de positiva utfallen i de två grupperna. Sannolikheten för de positiva utfallen för de två grupperna kan effektivt estimeras med statistiska maskininlärningsmetoder. De inkrementella responsanalysmetoderna som undersöks i detta projekt är subtraktion av två modeller, att modellera den inkrementella responsen direkt samt en klassvariabeltransformation. De statistiska maskininlärningsmetoderna som tillämpas är random forests och neurala nätverk samt standardmetoden logistisk regression. Datan är samlad från ett väletablerat detaljhandelsföretag och målet är därmed att undersöka vilken inkrementell responsanalysmetod och maskininlärningsmetod som presterar bäst givet datan i detta projekt. De mest avgörande aspekterna för att få ett bra resultat visade sig vara variabelselektionen och mängden kontrolldata i varje dataset. För att få ett lyckat resultat bör valet av maskininlärningsmetod vara random forests vilken används för att modellera den inkrementella responsen direkt, eller logistisk regression tillsammans med en klassvariabeltransformation. Neurala nätverksmetoder är känsliga för ojämna klassfördelningar och klarar därmed inte av att erhålla stabila modeller med den givna datan. Vidare presterade subtraktion av två modeller dåligt på grund av att var modell tenderade att fokusera för mycket på att modellera klassen i båda dataseten separat, istället för att modellera differensen mellan dem. Slutsatsen är således att en metod som modellerar den inkrementella responsen direkt samt en relativt stor kontrollgrupp är att föredra för att få ett stabilt resultat.

This research proposes a novel approach for improving autonomous mobile system navigation in dynamic and potentially occluded environments. The research introduces a tracking framework that combines data from stationary sensing units and on-board sensors, addressing challenges of computational efficiency, reliability, and scalability. The work innovates by integrating spatially-distributed LiDAR and RGB-D Camera sensors, with the optional inclusion of on-board IMU-based dead-reckoning, forming a robust and efficient coordination framework for autonomous systems. Two key developments are achieved. Firstly, a point cloud object detection technique, "Generalized L-Shape Fitting”, is advanced, enhancing bounding box fitting over point cloud data. Secondly, a new estimation framework, the Distributed Edge Node Switching Filter (DENS-F), is established. The DENS-F optimizes resource utilization and coordination, while minimizing reliance on on-board computation. Furthermore, it incorporates a short-term predictive feature, thanks to the Adaptive-Constant Acceleration motion model, which utilizes behaviour-based control inputs. The findings indicate that the DENS-F substantially improves accuracy and computational efficiency compared to the Kalman Consensus Filter (KCF), particularly when additional inertial data is provided by the vehicle. The type of sensor deployed and the consistency of the vehicle's path are also found to significantly influence the system's performance. The research opens new viewpoints for enhancing autonomous vehicle tracking, highlighting opportunities for future exploration in prediction models, sensor selection, and precision coordination. / Denna forskning föreslår en ny metod för att förbättra autonom mobil systemsnavigering i dynamiska och potentiellt skymda miljöer. Forskningen introducerar ett spårningsramverk som kombinerar data från stationära sensorenheter och ombordssensorer, vilket hanterar utmaningar med beräkningsefektivitet, tillförlitlighet och skalbarhet. Arbetet innoverar genom att integrera spatialt distribuerade LiDAR- och RGB-D-kamerasensorer, med det valfria tillägget av ombord IMU-baserad dödräkning, vilket skapar ett robust och efektivt samordningsramverk för autonoma system. Två nyckelutvecklingar uppnås. För det första avanceras en punktmolnsobjektdetekteringsteknik, “Generaliserad L-formig anpassning”, vilket förbättrar anpassning av inneslutande rutor över punktmolnsdata. För det andra upprättas ett nytt uppskattningssystem, det distribuerade kantnodväxlingsfltret (DENSF). DENS-F optimerar resursanvändning och samordning, samtidigt som det minimerar beroendet av ombordberäkning. Vidare införlivar det en kortsiktig prediktiv funktion, tack vare den adaptiva konstanta accelerationsrörelsemodellen, som använder beteendebaserade styrentréer. Resultaten visar att DENS-F väsentligt förbättrar noggrannhet och beräknings-efektivitet jämfört med Kalman Consensus Filter (KCF), särskilt när ytterligare tröghetsdata tillhandahålls av fordonet. Den typ av sensor som används och fordonets färdvägs konsekvens påverkar också systemets prestanda avsevärt. Forskningen öppnar nya synvinklar för att förbättra spårning av autonoma fordon, och lyfter fram möjligheter för framtida utforskning inom förutsägelsemodeller, sensorval och precisionskoordinering. / Questa ricerca propone un nuovo approccio per migliorare la navigazione dei sistemi mobili autonomi in ambienti dinamici e potenzialmente ostruiti. La ricerca introduce un sistema di tracciamento che combina dati da unità di rilevazione stazionarie e sensori di bordo, afrontando le sfde dell’effcienza computazionale, dell’affdabilità e della scalabilità. Il lavoro innova integrando sensori LiDAR e telecamere RGB-D distribuiti nello spazio, con l’inclusione opzionale di una navigazione inerziale basata su IMU di bordo, formando un robusto ed effciente quadro di coordinamento per i sistemi autonomi. Vengono raggiunti due sviluppi chiave. In primo luogo, viene perfezionata una tecnica di rilevazione di oggetti a nuvola di punti, “Generalized L-Shape Fitting”, migliorando l’adattamento del riquadro di delimitazione sui dati della nuvola di punti. In secondo luogo, viene istituito un nuovo framework di stima, il Distributed Edge Node Switching Filter (DENS-F). Il DENS-F ottimizza l’utilizzo delle risorse e il coordinamento, riducendo al minimo la dipendenza dal calcolo di bordo. Inoltre, incorpora una caratteristica di previsione a breve termine, grazie al modello di movimento Adaptive-Constant Acceleration, che utilizza input di controllo basati sul comportamento del veicolo. I risultati indicano che il DENS-F migliora notevolmente l’accuratezza e l’effcienza computazionale rispetto al Kalman Consensus Filter (KCF), in particolare quando il veicolo fornisce dati inerziali aggiuntivi. Si scopre anche che il tipo di sensore impiegato e la coerenza del percorso del veicolo infuenzano signifcativamente le prestazioni del sistema. La ricerca apre nuovi punti di vista per migliorare il tracciamento dei veicoli autonomi, evidenziando opportunità per future esplorazioni nei modelli di previsione, nella selezione dei sensori e nel coordinamento di precisione.

The Permanent Magnet Synchronous Motor (PMSM, also known as the servo motor) is a crucial component within robotic servo systems. To optimally respond to the torque demands sent from the high-level motion controller, the PMSM current controller must track the reference with speed and precision. Nevertheless, the operation of servo motors could be compromised due to the nonlinearity of flux linkage and inaccuracies in parameters induced by unpredictable fluctuations in temperature. This Master’s thesis proposes a novel Robust Nonlinear Deadbeat Predictive Current Control (RN-DPCC) scheme to counter these challenges effectively. The nonlinear mappings between flux linkage and current on the dq-axis are established using polynomial fitting based on experimental data. Furthermore, the Nonlinear Deadbeat Predictive Current Control (N-DPCC) is derived using nonlinear feedforward. Meanwhile, Delayed Integral Action (DIA) is introduced as a robustness-enhancing measure for N-DPCC, thus evolving it into the Robust N-DPCC (RN-DPCC). Compared to conventional Integral Action (IA), DIA effectively curtails overshoot triggered by integral error and accelerates the current transient without incorporating additional tunable parameters. Numerical simulations that leverage the mathematical modeling of the converter and nonlinear PMSM are implemented using fundamental blocks in Simulink, which replicates the actual experimental setup employed within the Motor Control Lab at ABB Corporate Research. The effectiveness of employing nonlinear feedforward compensation is confirmed through a comparative analysis of the simulation results from N-DPCC and conventional Deadbeat Predictive Current Control (DPCC). The enhancements in transient response brought about by DIA are demonstrated through a comparison of RNDPCC and N-DPCC with IA. The robustness of RN-DPCC is demonstrated by comparing it with N-DPCC under conditions where parameter inaccuracies are present. / Den permanenta magnet-synkronmotorn (PMSM, även känd som servomotorn) är en avgörande komponent inom robotiserade servosystem. För att optimalt kunna reagera på momentkraven som skickas från högnivårörelsekontrollern måste PMSM-strömregulatorn följa referensen med hastighet och precision. Trots detta kan driften av servomotorer påverkas av ickelinjäriteter i flödeslänkningen och felaktigheter i parametrar som orsakas av oförutsägbara temperaturfluktuationer. Denna magisteravhandling föreslår en ny robust icke-linjär deadbeat-prediktiv strömreglering (RN-DPCC) för att effektivt hantera dessa utmaningar. De icke-linjära avbildningarna mellan flödeslänkning och ström på dq-axeln etableras med hjälp av polynomisk anpassning baserat på experimentella data. Dessutom härleds den ickelinjära deadbeat-prediktiva strömregleringen (N-DPCC) med hjälp av Ickelinjär feedforward. Samtidigt introduceras fördröjd integralåtgärd (DIA) som en robusthetsförbättrande åtgärd för N-DPCC, vilket förvandlar den till Robust N-DPCC (RN-DPCC). Jämfört med konventionell integralåtgärd (IA) minskar DIA effektivt överhäng som utlöses av integralfel och accelererar strömövergången utan att införa ytterligare justerbara parametrar. Numeriska simuleringar som utnyttjar den matematiska modelleringen av omvandlaren och den icke-linjära PMSM implementeras med hjälp av grundläggande block i Simulink, vilket återskapar den faktiska experimentella uppställningen som används i Motor Control Lab vid ABB Corporate Research. Effektiviteten i att använda icke-linjär framåtmatningskompensation bekräftas genom en jämförande analys av simulationsresultaten från N-DPCC och konventionell deadbeat-prediktiv strömreglering (DPCC). Förbättringarna i transientrespons som DIA medför demonstreras genom en jämförelse av RN-DPCC och NDPCC med IA. Robustheten hos RN-DPCC demonstreras genom att jämföra den med N-DPCC under förhållanden där parameterfel förekommer.

Underhåll är en aktivitet som varje produktion vill undvika så mycket som möjligt på grund av kostnaderna och tiden som anknyts till den. Trots detta så är en väl fungerande underhållsverksamhet väsentlig för att främja produktionens funktionssäkerhet och tillgänglighet att tillverka. En effektiv underhållsorganisation går däremot inte ut på att genomföra mer underhåll än vad som egentligen är nödvändigt utan att genomföra underhåll i rätt tid. På traditionellt sätt så genomförs detta genom att ersätta slitage delar och serva utrustningen med fastställda mellanrum för att förebygga att haveri, vilket kallas för förebyggande underhåll. De tidsintervaller som angivits för service bestäms av leverantörerna och grundar sig i en generell uppskattning av slitagedelarnas livslängd utifrån tester och analys. Till skillnad från att köra utrustningen till den går sönder som kallas för Avhjälpande underhåll så kan underhåll genomföras vid lämpliga tider så att det inte påverkar produktion och tillgänglighet. Men de tidsintervall som leverantörerna rekommenderar till företagen garanterar inte att slitage delen håller sig till det intervallet, delarna kan exempelvis rasa tidigare än angivet eller till och med hålla längre. Av denna anledning är det naturliga steget i underhållets utveckling att kunna övervaka utrustningens hälsa i hopp om att kunna förutspå när och varför ett haveri ska uppstå. Den här typen av underhåll kallas för tillståndsbaserat och prediktivt underhåll och medför ultimat tillgänglighet av utrustning och den mest kostnadseffektiva underhållsorganisationen, då god framförhållning och översikt uppnås för att enbart genomföra underhåll när det behövs. Det som gör tillståndsbaserat och prediktivt underhåll möjligt är den fjärde industriella revolutionen “Industri 4.0” och teknologierna som associeras med den som går ut på absolut digitalisering av produktionen och smarta fabriker. Teknologier som IoT, Big Dataanalys och Artificiell Intelligens används för att koppla upp utrustning till nätet med hjälp av givare för att samla in och lagra data som ska användas i analyser för att prognosera dess livslängd. Uppdragsgivaren AstraZeneca i Södertälje tillverkar olika typer av läkemedel som många är livsviktiga för de patienter som tar dessa mediciner. Om AstraZenecas produktion står still på grund av fel i utrustningen kommer det inte enbart medföra stora ekonomiska konsekvenser utan även påverka de människor som med livet förlitar sig på den medicin som levereras. För att försäkra produktionens tillgänglighet har AstraZeneca gjort försök att tillämpa tillståndsbaserat och prediktivt underhåll men det är fortfarande enbart i startgroparna. Eftersom ventilation är kritisk del av AstraZeneca produktion då ett fel i ventilationssystemet resulterar i totalt produktionsstopp i byggnaden förens problemet åtgärdas och anläggningen sanerats blev det även rapportens fokusområde. Arbetets uppgift går därför ut på att undersöka möjligheter för AstraZeneca att utveckla deras prediktiva och tillståndsbaserat underhåll på deras ventilationssystem, för att sedan kunna identifiera och presentera förslag på åtgärder. Dessa förslag analyserades sedan med hjälp av verktygen QFD-Matris och Pugh-Matris för att kunna uppskatta vilket förslag som är mest kostnadseffektivt, funktions effektivt samt vilket förslag som kommer tillföra mest nytta för underhållet på AstraZeneca. / Maintenance is an activity that every production wants to avoid as much as possible due to the costs and the time associated with it. Despite this, a well-functioning maintenance operation is essential to promote the production's availability to manufacture and operational reliability. Running an efficient maintenance operation is not about carrying out more maintenance than is necessary but carrying out the right amount of maintenance at the right time. Traditionally speaking this is done by replacing worn parts and servicing the equipment at set intervals to prevent breakdowns, this method is called preventive maintenance. The intervals specified for service are determined by the suppliers and are based on general estimates of the service life for the spare parts from test and analytics. Preventive maintenance allows for maintenance to be carried out at appropriate time to not affect production and availability unlike running the equipment until breakdown, which is called reactive maintenance. However, these intervals that the suppliers recommend do not guarantee that the parts adhere to the given interval, the part can for example break down earlier than expected or even outlast its prescribed lifetime. Because of this, the natural step in the development of maintenance is giving companies the ability to monitor the health of the equipment in hope of being able to predict potential breakdowns. This is what Condition-Based and predictive maintenance is and it provides the ultimate availability of equipment and the most cost-effective maintenance organization, because the good foresight and overview allows maintenance to be carried out only when needed. The fourth industrial revolution “Industry 4.0”, absolute digitalization of production, smart factories and all the technologies associated with this is what makes this type of maintenance possible. Technologies such as IoT, Big Data Analytics and Artificial Intelligence are used to connect equipment to the network using sensors so that data can be stored and collected to be analyzed to forecast the lifespan of parts and equipment. AstraZeneca in Södertälje manufactures different types of medicine, many of which are vital for the patients who take them. If their production comes to a standstill due to equipment failure, it will not only have major financial consequences but also greatly affect the people who rely on the medicine offered with their lives. To ensure the availability of production, AstraZeneca has made attempts to apply condition-based and predictive maintenance, but it is still only in its infancy. Since ventilation is a critical part of AstraZeneca's production, as a failure here will result in a total production stoppage for the building affected and will not resume before the problem is remedied and the plant is decontaminated, it also became the report's focus area. The task at hand is therefore to investigate the opportunities AstraZeneca must develop their predictive and condition-based maintenance for their ventilation systems, in order to be able to present proposals for measures. The proposals will then be analyzed using tools like the QFD-Matrix and the Pugh-Matrix in order to estimate which is more cost effective, function effective and which one will bring the most benefit to AstraZeneca.