ANOBADA (Anomalidetektion av fordonsdriftdata)

Viktiga resultat som projektet gav

Projektet syftar till att utveckla en statistisk metodik för klustring och anomalidetektion på fordonsdriftdata. Fordonsdriftdata insamlas under fordonets drift och sparas i former av skalärer, vektorer och matriser. Dessa har en inneboende beroendestruktur mellan elementen som måste hanteras för att få rättvisande resultat vid analys av denna typ av data. Vi har i projektet undersökt och utvecklat ett antal metoder för klustring och anomalidetektion på denna typ av data.

Långsiktiga effekter som förväntas

I och med den ökade mängden insamlade tillståndsdata från fordonen, ökar behovet av effektiva och skalbara metoder för att analysera och dra nytta av denna data. Projektet har utvecklat sådana metoder för klustring och anomalidetektion som bidrar till fordonsbranschens förmåga att tillgodogöra sig informationen som finns i fordonsdriftdata. Utöver detta har projektet bidragit till forskningsfronten, samt till fördjupad samverkan mellan parterna vilket öppnat för ytterligare samarbeten.

Upplägg och genomförande

Projektet har arbetat med en bred ansats där fler olika statistiska metoder utvärderas för att se vilken eller vilka metoder som lämpar sig bäst för klustring och anomalidetektion baserat på fordonsdriftdata. Data som har använts i projektet är fordonsdriftdata från 91 fordon som har lästs ut varje vecka mellan juli 2013 och februari 2016. Demonstration på ytterligare data av samma sort från andra fordon visar att de framtagna metoderna lyckas hitta intressanta avvikelser hos fordonen.