Effektivare gaffeltruckar med hjälp av datadriven innovation
I dagens digitala samhälle är det viktigt att övervaka maskiners produktivitet. Inom maskinaktivitetsigenkänning, eller machine activity recognition (MAR), används data för att effektivisera industrimaskiner. I augusti försvarade Kunru Chen sin doktorsavhandling som har fokus på gaffeltruckar. Hennes forskning, som tar sin utgångspunkt i tillverkarens perspektiv snarare än användarens, ger tillverkare en djupare förståelse för hur deras maskiner används i praktiken.
Gaffeltruckar används på många olika sätt och påverkas av saker som föraren, lasten och arbetsmiljön. Deras flexibilitet gör att det uppstår många utmaningar. Traditionella metoder, där maskiner tränas med förutbestämda data genom så kallad övervakad inlärning samt sensorer, har ofta svårt att hantera variationerna – särskilt när truckarna används i olika miljöer.
– I min avhandling har jag arbetat med att utveckla neurala nätverksmetoder för att känna igen återkommande truckaktiviteter i verkliga miljöer, förklarar Kunru Chen.
Den aktuella forskningen har stor betydelse för industrin. Genom att hjälpa tillverkare att bättre förstå hur deras utrustning används kan det leda till bättre övervakning av produktiviteten och kostnadsbesparingar.
– På lång sikt kan detta bidra till att skapa en mer effektiv och motståndskraftig användning inom industrin, säger Kunru Chen.
Kunru Chen inledde sin forskningsresa på Högskolan i Halmstad 2015.
Innovativa metoder för aktivitetsigenkänning
I sin forskning presenterar Kunru Chen tre metoder för att analysera data som har samlats in direkt från gaffeltruckar.
Den första metoden använder autoencoders, vilket är algoritmer som upptäcker mönster i data. Först tränas de med oklassificerade data som inte har några förutbestämda kategorier. Därefter finjusteras systemet med pseudo-klassificerade data som har tillfälliga kategorier för att styra fortsatt inlärning. Detta sätt att skapa kategorier ger ofta bättre resultat än traditionella modeller som använder data med fasta kategorier från början.
– Detta gör att vi kan extrahera mer detaljerade egenskaper, vilket förbättrar vår förmåga att känna igen olika aktiviteter, säger Kunru Chen.
Den andra metoden använder så kallade Gated Recurrent Units (GRU:s), en typ av neuralt nätverk som är byggt för att känna igen olika typer av aktiviteter i olika situationer. Det gör att modellen kan lära sig olika aktiviteter och hur de följer på varandra, vilket ger mer tillförlitliga och stabila resultat vid aktivitetsigenkänning.
Den tredje metoden, kallad domain-adversarial training, hanterar utmaningar med begränsade klassificerade data när modeller ska anpassas till nya miljöer. Klassificerade data är information som redan har sorterats och märkts upp för att hjälpa modellens inlärning. Denna teknik gör att en modell som har tränats i en viss miljö, till exempel i ett specifikt lager, även kan fungera bra i andra miljöer med olika förutsättningar, utan att behöva stora mängder nya kategoriserade data.
– Den här tekniken skapar representationer som fungerar bra i olika miljöer och låter oss generalisera kunskap om hur utrustning används, även när vi har begränsat med klassificerade data, förklarar Kunru Chen.
Resultaten, som testades tillsammans med industripartner på riktiga gaffeltruckar, har varit lovande.
– Tester visar att vår metod har stor potential för verklig användning och kan anpassas till andra situationer, säger Kunru Chen.
Samarbete och framtida forskning
I sitt nuvarande projekt har Kunru Chen samarbetat med Toyota Material Handling Sweden AB, och detta samarbete har varit avgörande för projektets framgång. Det finns dessutom spännande möjligheter för fortsatt utveckling.
– Vi har nyligen fått två nya ansökningar beviljade, så vårt team kommer att fortsätta utforska det här området, fördjupa våra insikter och bygga fler samarbeten inom industrin, säger Kunru Chen.
En givande forskningsresa
När Kunru Chen reflekterar över sin akademiska resa beskriver hon att tillämpad forskning har varit både mer givande och mer utmanande än hon hade förväntat sig. Hon inledde sin forskningsresa som utbytesstudent 2015, då hon kom till Högskolan i Halmstad för att ta en masterexamen i informationsteknologi. Under den här tiden väcktes Kunru Chens starka intresse för industriella dataapplikationer, vilket ledde till hennes nuvarande doktorandarbete.
– När mina handledare erbjöd mig att delta i ett större projekt inom ramen för min doktorandutbildning tackade jag genast ja! Det har verkligen varit en givande resa, avslutar Kunru Chen.
Text: ANNA-FRIDA AGARDSON
Toppbild: TOYOTA MATERIAL HANDLING SWEDEN AB
Porträttbild: ANNA-FRIDA AGARDSON