header-pattern-bg

Säkrare vård med smarta system

Del av fokusområde Hälsoinnovation

Självövervakande system togs till en början fram för att undvika allvarliga maskinkraschar, men krävde att man kände till mekaniken och det specifika fel man ville undvika. Pablo del Moral har i sin doktorsavhandling undersökt så kallade hierarkiska metoder för självövervakande system. Målet är att kunna förutse fler typer av fel i sjukhusutrustning.

När man kör felprognoser i komplexa system kan rätt felhierarki förbättra det prediktiva underhållet. Det gör att vissa typer av fel som annars inte hade kunnat förutses kan förutses.


Pablo del Moral, doktor i datavetenskap

Pablo del Moral är verksam vid Akademin för informationsteknologi på Högskolan i Halmstad. I sin doktorsavhandling har han undersökt hierarkiska metoder, vilket är en typ av dataanalys. Syftet med forskningen har varit att förbättra det prediktiva underhållet för självövervakande system, det vill säga att kunna förutse framtida typer av fel genom att titta på de data som redan finns tillgängliga.

Maskininlärning, prediktivt underhåll och hierarkiska metoder

Maskininlärning: bygger på metoder som låter datorer lösa uppgifter baserat på de data som redan finns tillgängliga.

Prediktivt underhåll: ett sätt att i förväg kunna förutse det framtida underhållsbehovet baserat på de data som redan finns, och på så sätt minska underhållskostnader och driftstopp samt öka utrustningens livslängd.

Hierarkiska metoder: används för att analysera data. Data grupperas i ett träd av kluster, innan de kluster som är mest lika varandra identifieras och slås samman. Syftet är att producera ett hierarkiskt träd av datakluster som förenklar dataanalysering.

Självövervakande system undviker allvarliga kraschar

Lösningar med självövervakande system togs till en början fram för att undvika allvarliga kraschar i säkerhetskritiska mekanismer. Designen byggde på sensorer och krävde att man kände till mekaniken och det specifika felet man ville undvika. Pablo del Moral fokuserar i stället på självövervakning av komplexa maskinsystem – i detta fall sterilisatorer som sjukhus använder för att sterilisera verktyg – som består av flera komponenter där ett stort antal olika fel kan uppstå.

Det finns redan många modeller för att bevaka komplexa system, men de saknar ofta möjligheten att på ett korrekt sätt bevaka alla specifika problem som skulle kunde uppstå. Det Pablo del Morals forskning bidrar till är identifiera symtom på pågående fel i de data som finns tillgängliga. Sedan används dessa symtom för att identifiera vilket särskilt fel som händer i maskinen och när detta fel kommer att resultera i ett haveri.

– Vissa fel ger data med tydliga symtom, medan andra inte gör det. Det mest intressanta är att det finns grupper av fel som har gemensamma symtom i de data som har registrerats, säger Pablo del Moral.

Om Pablo del Moral

Pablo del Moral föddes i Granada i Spanien 1989. Han har en kandidatexamen i fysik från Universidad Complutense de Madrid, och två masterexamina – en i partikel-, kärn- och astrofysik från Technische Universität München och en i datavetenskap från Universidad de Granada. Intresset för informationsteknologi började efter att han hade lämnat fysiken, och han insåg att fysiker även kunde bli bra på datavetenskap.

Pablo del Moral kom till Högskolan i Halmstad 2016 eftersom han ville bedriva forskning kring verkliga problem och samarbeta med industrin. I framtiden planerar Pablo del Moral att börja på Ekkono, ett startup-företag som arbetar med prediktivt underhåll och självövervakande system.

Leende man i glasögon. Foto.

Pablo del Moral har undersökt hierarkiska metoder, vilket är en typ av dataanalys.

Att utnyttja likheter mellan fel förbättrar prestandan

Pablo del Morals avhandling utgår från tesen att man kan lära modellerna för maskininlärning att utnyttja likheterna mellan olika fel för att förbättra prestandan för självövervakande system. I sin forskning har han valt att gruppera de här likheterna i felhierarkier.

– När dessa hierarkiska metoder tillämpas gör de att både feldiagnostik och felprognoser förbättras väsentligt, berättar Pablo del Moral.

Pablo del Moral och hans forskarkolleger har också identifierat vanliga fallgropar när metoder utvecklas för att ta fram hierarkier. De har även sett att variationsrikedomen när det gäller avgränsningar av val kan förklara varför vissa hierarkier fungerar bättre än andra.

Förbättringar leder till ökad säkerhet

När Pablo del Moral får frågan om det är något resultat som är särskilt överraskande svarar han:

– När man kör felprognoser i komplexa system kan rätt felhierarki märkvärt förbättra det prediktiva underhållet. Framför allt gör detta att vissa typer av fel som annars inte hade kunnat förutses kan förutses. Förbättringen av tekniken bakom självövervakande system leder på så sätt till maskiner får prestanda, säkerhet och pålitlighet.

Text: EMMA SWAHN
Bild: ALBIN EDIN, iSTOCK (toppbild)

Samverkan mellan Högskolan i Halmstad och Getinge Sterilization AB

Högskolan i Halmstad och Getinge Sterilization AB, som tillverkar sterilisatorer som används för att sterilisera sjukhusutrustning, har samarbetat under många år. Under år 2020 inleddes ett tioårigt strategiskt samverkansavtal, och tillsammans vill parterna främja utveckling inom forskning, innovation och utbildning med särskilt fokus på digitalisering. Syftet är att kunna hitta lösningar på olika samhällsutmaningar inom hälsoområdet.

Om disputationen

Disputationen skedde den 14 oktober vid Högskolan i Halmstad.

Avhandlingens titel: ”Hierarchical Methods for Self-Monitoring Systems: Theory and Application” Länk till annan webbplats.

  • Opponent: Niklas Lavesson, professor, Blekinge tekniska högskola
  • Handledare: Sławomir Nowaczyk, professor, och Sepideh Pashami, univeristetslektor, båda från Högskolan i Halmstad

Forskningen har bedrivits inom projektet ”Predictive Intelligent Maintenance Enabler” (PRIME), som har målet att förutse fel inom steriliseringsutrustning på sjukhus runt hela världen.