Forskar om gruppintelligens
Tidigare i vår presenterade Yuantao Fan sin doktorsavhandling om ”gruppens intelligens” eller “Wisdom of the Crowd” inom signal- och systemteknik. Fokus har varit bussar, men metoden som han har utvecklat fungerar med många sorters utrustning. Yuantao Fan kom först till Högskolan i Halmstad som masterstudent. Efter avslutad forskarutbildning har han nu en postdoktortjänst här.
Vad handlar din avhandling om?
– Avhandlingen visar hur man genom att använda artificell intelligens (AI) och konceptet ”Wisdom of the crowd” eller gruppens intelligens kan upptäcka fel och även övervaka i vilket skick industriell utrustning, till exempel stadsbussar, är. Metoden som används i avhandlingen, Consensus Self-Organizing Models (COSMO), utgår från att de flesta fordon fungerar ok och att fordon som avviker från majoriteten kan vara i behov av översyn. I min forskning har jag studerat och tillämpat metoden på flera olika övervakningsinstrument för att upptäcka fel och förutse oplanerade stopp i industriella maskinparker, säger Yuantao Fan.
Yuantao Fan har i dag en postdoktortjänst vid Högskolan i Halmstad.
Har några av resultaten förvånat dig?
– COSMO-metoden är allmängiltig och fungerar med många olika typer av system eller utrustning för preventivt underhåll. Det visar jag i min avhandling genom tre fallstudier, övervakning av en flotta med stadsbussar, icke-destruktiva tester på metall och prognos på en uppsättning turbomotorer. Att göra intelligent felprognos har många fördelar, exempelvis förbättras säkerheten och utrustningen blir mer tillförlitlig, vilket gör att transportsystem blir säkrare eftersom fel och stopp indikeras proaktivt och det leder till att det blir färre oplanerade stopp och olyckor. Det är intressant att se att ett oövervakat system, utan att få se exempel på tidigare felaktigheter, kan vara proaktivt genom att indikera möjliga fel och förutse stopp. I fallstudien, som handlade om tryckluftssystemet på stadsbussar, visade metoden ett lika bra resultat som ett expertbaserat system.
Hur valde du det här ämnet i din avhandling?
– Jag är intresserad av artificiell intelligens i allmänhet och var öppen för många olika relevanta ämnen. Jag gillar särskilt att arbeta med ”riktiga” problem där forskningsbidraget verkligen kan göra nytta som en del av en industriell applikation och lösning. Den här forskningen passar väl med mina intressen eftersom den baseras på samverkan med vår industripartner Volvo, där vi utvecklar, testar och utför maskininlärningsmetoder för att förutse behovet av underhåll på tunga fordon. Metoden får allt mer uppmärksamhet från industrin i allmänhet och från forskare. Men många aspekter av den återstår att undersöka.
Varför valde du att doktorera vid Högskolan i Halmstad?
– Innan jag påbörjade min forskarutbildning var jag utbytesstudent på Masterprogrammet i inbyggda och intelligenta system vid Högskolan i Halmstad, och jag jobbade också som forskningsingenjör vid Akademin för informationsteknologi. Mina kollegor tipsade mig om möjligheten att doktorera. Min grundutbildning läste jag vid Shanghai University of Engineering Science (SUES) i Kina.
Vilka är dina planer för framtiden?
– Jag kommer att fortsätta forska om felsökning och prognosmetoder för underhåll av industrisystem, som postdoktor här på Högskolan i Halmstad. Jag är knuten till CAISR (Center for Applied Intelligent Systems Research) där jag ska jobba med maskininlärningsmetoder för förebyggande underhåll, med särskilt fokus på att utveckla livstidsmodeller för vitala komponenter i hybrid- och elbussar, säger Yuantao Fan.
Text: KRISTINA RÖRSTRÖM
Bild: ISTOCK och KRISTINA RÖRSTRÖM