Ny publikation: Automatisk aktiv diagnostik för detektion av smutsiga syregivare

Hur tillämpbart är maskininlärning när förutsättningarna är realistiska och begränsade till dagens tillgång på data?

Originaltitel:
Automated active fault detection in fouled dissolved oxygen sensors

Författare:
Oscar Samuelsson, Anders Björk, Jesús Zambrano, Bengt Carlsson

Sammanfattning:
I artikeln har olika typer av både enkla och avancerade maskininlärningsmetoder jämförts utifrån hur väl de kan skilja på smutsiga och rena syregivare. Smutsiga givare ger upphov till avdrift i mätvärde s.k. bias och i studien var målet att upptäcka en avdrift på 0.5 mg/L.

Maskininlärningsmetoderna justerades in (tränades) automatiskt genom att enbart använda den mängd data som idag finns tillgänglig på reningsverk.

Resultaten visade att det inte var de mest avancerade maskininlärningsmetoderna som gav bäst resultat. Några avancerade metoder begränsades av tillgången på representativa data, vilket enklare metoder var mer robusta mot. Trots utmaningar med små datamängder lyckades flera metoder nå målet och detektera en avdrift på 0.5 mg/L.

Vad innebär resultaten för svenska VA-system?
Tillgång på väl beskrivna reningsverksdata (exempelvis givarens tillstånd: ren/smutsig) som kan användas för att träna och utvärdera maskininlärningsmetoder var en flaskhals i studien. I framtiden blir det därför avgörande med system och rutiner som kan automatiskt märka upp data utifrån givarens eller processens tillstånd.

Länk till artikelnlänk till annan webbplats

Senast ändrad: 2019-10-16
NYHETER

Webbplatsen administreras av IVL Svenska Miljöinstitutet AB | © IVL