header-pattern-bg

Maskininlärning och mänsklig kunskap i kombination kan förbättra fjärrvärme

Del av profilområde Smarta städer och samhällen

Genom att förena maskininlärning och mänsklig kunskap i självövervakande och intelligenta system kan fel och avvikelser upptäckas automatiskt. Forskning vid Högskolan i Halmstad visar att detta kan minska kostnader och öka effektiviteten i fjärrvärmesystem – något som leder till en mer hållbar energitillgång.

Fjärrvärme kan spela en viktig roll i framtidens hållbara energisystem och minska våra koldioxidutsläpp. Men dagens fjärrvärmeteknik har problem som hindrar dem från att fungera optimalt. Jag hoppas att min forskning kan leda till effektivare fjärrvärme och därmed bidra till en mer hållbar energiförsörjning.


Ece Calikus

Många företag och industrier producerar och sparar enorma mängder data om sin verksamhet. Data som kan användas för att övervaka verksamheten och uppnå maximal effektivitet. Ece Calikus doktorerar inom så kallade självövervakande system för industriella applikationer där artificiell intelligens, mer specifikt maskininlärning, används i kombination med mänsklig kunskap.

– Förmågan och möjligheten att effektivt upptäcka avvikelser och förutsäga fel är väldigt viktigt i många industrier för att minska kostnader och öka produktiviteten, samtidigt som resurser sparas, säger Ece Calikus.

Ett intelligent och självövervakande system innebär att industriell utrustning bevakar sig själv. Systemet kan lära sig över tiden och automatiskt identifiera problem eller avvikelser. Det finns dock alltid ett behov av mänsklig tolkning och utvärdering. Mänskliga experter kan ta hänsyn till andra och fler saker än vad automatiska system kan, till exempel affärs- och samhällsaspekter, för att uppnå en helhetsförbättring av verksamheten.

Kvinna som ler och tittar in i kameran.

"Målet med en gemensam människa- och maskininlärning är att skapa ett samarbete där maskiner, eller datorer, och människor lär sig av varandra", säger Ece Calikus som själv varit intresserad av AI sedan barnsben.

Om Ece Calikus

När och hur blev du intresserad av maskininlärning, AI och intelligenta system?

Jag har varit intresserad av AI sedan jag var liten. Mitt barndomsintresse var naturligtvis baserat på böcker och filmer, alltså mer science fiction än vetenskap. Jag började fördjupa mig inom dessa områden under min kandidatutbildning, men den verkliga vändpunkten var att se IBM:s dator Watson vinna Jeopardy. Efter det bestämde jag mig för att vara en av dem som skapar maskiner som Watson.

Var och när är du född?

Jag föddes i Turkiet den 6 mars 1990.

Vad har du för utbildning?

Jag tog min kandidatexamen i datateknik vid Istanbul Technical University i Turkiet 2013 och min masterexamen i datavetenskap vid University of Greenwich i Storbritannien 2015.

När kom du till Högskolan i Halmstad?

Jag kom hit i september 2016.

Varför valde du Högskolan i Halmstad för din doktorandutbildning?

Jag hade letat efter en doktorandtjänst med ett forskningsämne relaterat till maskininlärning och AI. Jag såg jobbannonsen för min nuvarande tjänst i en Google-grupp, som min nuvarande handledare hade publicerat. När jag såg inlägget hade jag redan accepterat en annan doktorandtjänst vid University of Newcastle i Storbritannien. Men jag gillade forskningsämnet i mitt nuvarande projekt mycket mer, så jag bestämde mig för att välja Högskolan i Halmstad i stället.

Vad har du för framtidsplaner?

Jag ska fortsätta min forskning om självövervakning och gemensam människa- och maskininlärning och utveckla mitt licentiatarbete till en doktorsavhandling. Min plan är att disputera i slutet av 2021. Efter min doktorsexamen vill jag fortsätta min karriär inom den akademiska världen. Jag vill vidga min forskningsinriktning till även sociala effekter samt ta mig an frågan hur maskininlärning kan göras mer rättvis.

Människor och maskiner jobbar bättre tillsammans

Kombinationen av maskininlärningsmodeller och mänsklig expertis kallas ”gemensam människa- och maskininlärning”, joint human-machine learning på engelska.

– Målet med en gemensam människa- och maskininlärning är att skapa ett samarbete där maskiner, eller datorer, och människor lär sig av varandra. Människor ska kunna observera, tolka och lära av resultaten från självövervakningen och ge specialkunskap eller återkoppling till det intelligenta systemet, säger Ece Calikus som presenterade sin licentiatuppsats förra året.

Ece Calikus är doktorand vid Akademin för informationsteknologi och verksam vid Centrum för forskning om tillämpade intelligenta system (CAISR) på Högskolan i Halmstad. Där jobbar hon i ett forskningsprojekt som heter Self-Monitoring for Innovation (SeMI). I sin licentiatuppsats fokuserar hon på att ta fram ett självövervakningssystem som kan lära sig av dataflödet och upptäcka avvikelser och fel med hjälp av gemensam människa- och maskininlärning.

– I licentiatuppsatsen tar jag upp ett antal specifikt utformade metoder för självövervakningssystem. Metoderna bildar även ett sammanhängande ramverk, säger Ece Calikus.

Om Centrum för forskning om tillämpade intelligenta system (CAISR)

Ece Calikus är verksam vid Centrum för forskning om tillämpade intelligenta system (CAISR) vid Högskolan i Halmstad. Där arbetar forskare tillsammans med partner från privat och offentlig sektor i projekt i syfte att utveckla och förbättra industri och samhälle. Ett av projekten som Ece Calikus arbetar med är SeMI (Self-Monitoring for Innovation) som finansieras av KK-stiftelsen. Målet med SeMI är att utveckla system för självövervakning i olika branscher, samtidigt som kunskap och erfarenhet överförs mellan olika industrier.

Mer information om CAISR Länk till annan webbplats, öppnas i nytt fönster.

Mer information om SeMI (på engelska) Länk till annan webbplats, öppnas i nytt fönster.

Om licentiatuppsatsen

Uppsatsen: Self-Monitoring using Joint Human-Machine Learning: Algorithms and Applications Länk till annan webbplats.

  • Licentiatseminarium: 25 februari, 2020, på Högskolan i Halmstad
  • Opponent: Rita Ribeiro, doctor, University of Porto, Portugal
  • Handledare vid Högskolan i Halmstad:
    Sławomir Nowaczyk, professor
    Onur Dikmen, universitetslektor
    Stefan Byttner, universitetslektor

Forskningen är finansierad av KK-stiftelsen.

Fjärrvärme förbättras genom automatisk feldetektering

Självövervakningssystem kan tillämpas på en rad olika industrier. Ece Calikus fokuserar i sin forskning på att applicera dessa intelligenta system på fjärrvärme för ökad effektivitet. Forskningen görs i samarbete med två energibolag, HEM och Öresundskraft. Företagen har stått för både data som används i forskningen och kunskap om fjärrvärme.

– När ett självövervakande system används inom fjärrvärme kan det automatiskt upptäcka fel och avvikande mönster i ett fjärrvärmenät genom att jämföra värmebehov mellan olika kundgrupper, säger Ece Calikus.

När fel och avvikelser upptäcks i tid kan energibolagen använda den informationen för vidare utredning, för att reparera fel och optimera verksamheten.

– Framtida energisystem står inför stora utmaningar, exempelvis den stadiga ökningen av energibehov, uttömning av energiresurser och ökade utsläpp av koldioxid och andra växthusgaser. Fjärrvärme kan spela en viktig roll i framtidens hållbara energisystem och minska våra koldioxidutsläpp. Men dagens fjärrvärmeteknik har problem som hindrar dem från att fungera optimalt. Jag hoppas att min forskning kan leda till effektivare fjärrvärme och därmed bidra till en mer hållbar energiförsörjning, säger Ece Calikus.

Person står vid rör och mäter något

När fel och avvikelser upptäcks i tid kan energibolagen reparera detta och optimera fjärrvärmenätet.

Hennes metod tar minuter – i stället för år

Ett mål med Ece Calikus forskning har varit att automatisera en mycket tidskrävande manuell metod för att analysera mönster i värmebelastning i syftet att identifiera avvikande byggnader i ett fjärrvärmenät.

– Den manuella analysen begränsades till 140 byggnader och tog flera år för en grupp forskare att genomföra. Mitt mål var att automatisera deras manuella arbete med en datadriven metod som kan användas på tusentals byggnader på mindre än tio minuter, säger Ece Calikus.

Ece Calikus förväntade sig att upptäcka samma mönster som de andra forskarna gjorde, men automatiskt och mycket snabbare. Ece Calikus och hennes kollegers metod fångade dock inte bara samma värmebelastningsmönster utan fann också nya och avvikande mönster som inte hade upptäckts tidigare.

– Det var förvånande och väldigt spännande att se hur våra resultat gav helt ny kunskap till fjärrvärmeområdet. Dessutom avslöjade mitt arbete begränsningar i de kunskaper som hittills fanns inom området och hur viktiga intelligenta system är för ökad energieffektivitet, säger Ece Calikus.

Text: LOUISE WANDEL
Bilder: ROLAND THÖRNER och ISTOCK