Säkrare vård med smarta system

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.

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.

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)