Avvikelsedetektion kan förhindra skador och olyckor

Avvikelsedetektion innebär att urskilja data som är statistiskt ovanligt eller annorlunda ur en stor mängd data.

— Det man vill hitta är fall som sticker ut bland stora mängder ”vanliga” fall, berättar Anders Holst som är forskningsledare i avancerad dataanalys vid Centrum för tillämpad AI på RISE.

För avvikelsedetektion nyttjar man statistisk maskininlärning, som är ett område inom artificiell intelligens, AI. Det är en metod som tillämpats länge, till skillnad från Deep Learning som kommit starkt de senaste åren. 

— Vi har jobbat med avvikelsedetektion i nära samarbete med olika företag sedan 2001, och det kan tillämpas inom en rad olika områden, fortsätter Anders. 

En tillämpning kan vara att tidigt hitta fel på utrustning för att undvika allvarligare fel senare. Det man använder för att hitta avvikelserna är olika signaler från utrustningen, som tex loggade kommunikationsmeddelanden.

— Genom att analysera frekvensen på olika loggmeddelanden för tex tåg eller lastbilar, kan man urskilja ovanliga avvikelser som kräver åtgärder. Det kan handla om allt från att upptäcka trasiga brandvarnare till bromssystem som behöver servas. Det att viktigt att hitta anmärkningsvärda avvikelser som annars kan orsaka större skada eller olyckor senare, säger Anders.

Olyckor som kan påverka miljön är ett exempel som samhället verkligen vill undvika. Det kan handla om att förhindra fartyg att gå på grund och orsaka oljeläckage. I det fallet använder man detektion av avvikande fartygsrörelser. Upptäcks ett avvikande rörelsemönster, tex ett fartyg som inte längre följer farleden utan går mot grunt vatten, kan man skicka ett larm som bidrar till att undvika grundstötning. Ett sådant system har utvecklats av RISE i samarbete med Kustbevakningen och är i drift sedan 2016. Metoderna utvecklas vidare i EU-projektet AI-ARC.

— Den största utmaningen inom avvikelsedetektion handlar om att välja vilka parametrar som ska undersökas. När man definierat det är själva AI-modelleringen lättare, och man kan hitta det man letar efter, förklarar Anders. 

Parametrar kan vara alla möjliga typer av data — såsom höjd, vikt, hastighet, rörelse osv. Det som är grundläggande är alltid att sätta ett normalvärde, och vilket intervall som räknas som normalt. Om ett värde plötsligt sticker i väg kan det tyda på ett fel. I mer avancerad avvikelsedetektion, med flera samverkande parametrar, tittar man på liknande sätt på normala och avvikande kombinationer av parameterar.

—Vi på RISE är metodexperter, men vi behöver alltid samarbeta med domänexperter som förstår vilka indikationer som kan finnas just där, dvs vilka parametrar som ska beaktas. Tillsammans kan vi hitta intressanta avvikelser att undersöka, säger Anders. 

Vill du veta mer om avvikelsedetektion och AI?