Smart hårdvara söker efter avvikelser i systemen

Vi vet i vilket spann en människas kroppstemperatur normalt sett ligger. Högre eller lägre indikerar ett problem.

På liknande sätt är det möjligt att övervaka en industriell process, en komplex produkt eller någon annan del av en verksamhet: skaffa kunskap om vad som är ett normalläge och övervaka sedan för att upptäcka avvikelserna.

Vid Högskolan i Halmstad startade förra sommaren projektet Semi (Självövervakning för innovation – metaramverk för gruppbaserad självövervakning). Det är en fortsättning på ett forskningssamarbete som högskolan har bedrivit med Volvo sedan 2006.

– Det första projektet med Volvo gick ut på att bygga en liten hårdvara som avlyssnade trafiken på nätverket i en buss. Det kan finnas upp till hundratals elektroniska enheter som kommunicerar med varandra på olika sätt, säger Stefan Byttner, lektor och docent vid Högskolan i Halmstad.

Läs mer:

Avlyssningen skedde helt passivt för att inte riskera att påverka elektroniken i bussen, och därmed föra in eventuella säkerhetsproblem. Utifrån avlyssningen kunde forskarnas programvara bygga en bild av normalläget.

– I bussarna fanns redan programvara för att detektera fel. Men den letade bara efter kända möjliga fel. Det vi och Volvo ville ta reda på var om det gick att utveckla programvara som hittade tidigare okända fel, säger Stefan Byttner.

Nyttan med en sådan lösning skulle bland annat vara lägre utvecklingskostnader. Att utveckla programvara för att hitta fel är dyrt, i form av utvecklingstid, testning, men det är också svårt att kunna förutspå vad som kan gå fel.

I projektet kunde forskarna visa att det var möjligt att detektera avvikande signalmönster i bussens nätverk, dels genom att upptäcka intressanta datamönster på enskilda fordon, dels för att upptäcka avvikelser mellan fordon i en grupp.

– När vi hade lyckats med det var nästa steg att förklara vad avvikelserna beror på. Vi bestämde oss för att ta in servicehistoriken för att skapa en bild av vad som hänt i närheten av en avvikelse.

Här stötte Stefan Byttner och de övriga i forskningsprojektet på en ny utmaning: sällan hade teknikerna i verkstaden bara åtgärdat en enda sak vid ett verkstadsbesök. Lösningen blev att skapa en bild över många liknande avvikelser, vilka reparationer som verkar vara återkommande vid samma avvikelse.

– Resultaten av arbetet går att använda på två sätt. Det ena är att bygga specifika diagnosverktyg utifrån de samband vi hittade, att en viss avvikelse betyder ett visst fel. Men vi insåg också att det borde gå att bygga ett generellt diagnosverktyg som gör en kontinuerlig analys som är användbar för många andra industrier med liknande problem.

Läs mer:

Den tanken blev grunden för det nya forskningsprojektet. Tillsammans med sex företag är målsättningen att bygga ett verktyg för att göra det så enkelt som möjligt för företag att kunna dra nytta av möjligheterna med självövervakning.

Företagen i projektet sysslar med underhåll av värmepumpar, med industriella nätverk och med fjärr- värme. De tre branscherna har specifika utmaningar som forskarna nu ställs inför.

– Värmepumpar ser väldigt olika ut, med olika storlekar, olika behov. Det gör det svårt att placera in dem i grupper med jämförbara enheter. I de industriella nätverken skickas många olika typer av data, vilket ställer oss inför utmaningen vilken information som är relevant. Och slutligen är fjärrvärmesystemen en utmaning angående vad som är ett normalläge respektive avvikelse.

Forskning har tidigare visat att upp till 70 procent av substationerna i ett fjärrvärmenät är felkonfigurerade.

– Hur ska man utifrån data upptäcka vad som är normalt under de förutsättningarna? säger Stefan Byttner.