Datadrivna metoder för att detektera avvikande mätvärden inom dammsäkerhet

Rapporten handlar om hur sensorer och datadrivna metoder för analys av sensordata kan användas för att höja säkerheten på svenska dammar. Detta genom att fånga upp avvikande tillstånd hos dammar eller värden från givare monterade vid/intill dammar. Vi ser att datadrivna metoder för dammsäkerhet är redo att implementeras i Sverige, och bedömer att i kombination med väl utformad instrumentering och rätt givarplacering kan de bidra till väsentligt höjd dammsäkerhet.

Sammanfattning

Vi gör en litteraturstudie av state of the art i dammsäkerhet och tar reda på vad som har gjorts i andra länder. Vi tittar även på teorier och metoder som inte ännu har använts i dammsäkerhet.

Det är lätt att komma igång med datadriven analys med hjälp av färdiga verktygslådor som finns öppet tillgängliga. Vi diskuterar därför kring vanliga fallgropar vid dataanalys och hur man undviker dem.

Mycket av den vetenskapliga litteraturen inom datadriven dammsäkerhet handlar om tillämpning av maskininlärningsmetoder. Den struntar ofta i förbehandling och antar att alla sensorer fungerar. Vi summerar resultat om förbehandling av sensordata och hur avvikelser kan detekteras, och ser att här finns ett gap i dammsäkerhetslitteraturen.

Vi ser att väl förstådda och utredda metoder som PCA och PLS, tidsseriemodellering, SPC/MSPC och neurala nätverk är lämpliga för vidare studier.

Med stöd av tiotals års erfarenhet av forskning och utveckling i datadrivna metoder ger vi rekommendationer för hur ett arbete för att implementera datadrivna metoder för att höja dammsäkerheten i Sverige skulle kunna utformas.

Vi ser att datadrivna metoder för dammsäkerhet är redo att implementeras i Sverige, och bedömer att i kombination med väl utformad instrumentering och rätt givarplacering kan de bidra till väsentligt höjd dammsäkerhet.

Prenumerera på våra nyhetsbrev