I en ny avhandling i datavetenskap vid Blekinge Tekniska Högskola presenteras algoritmer för att klustra data av olika slag eller data som förändras över tid. De avancerade algoritmerna har testats inom olika områden bland annat inom smart logistik och smarta byggnader.
Idag genereras mycket data från olika typer av applikationer som kan analyseras för att få fram intressanta fakta och trender om själva systemet och hur det ska underhållas. Den här typen av data är svår att analysera eftersom den är omärkt, föränderlig, heterogen och har sitt ursprung från flera källor.
Den bästa metoden för att analysera den här typen av data är genom klustring, det vill säga en maskininlärningsteknik för att hitta grupper.
Vishnu Manasa Devagiri har i sin avhandling i datavetenskap tagit fram klustringsmetoder som kan användas just för mätdata som förändras över tid och som är heterogen. Ett exempel på användningsområde är hälso- och sjukvården. Där samlas data från olika källor och data i olika format; text, siffror och bilder. Dessutom kommer data från nya patienter in som ska tas med. Det är här som de avancerade klustringsmetoderna kan användas.
De nya algoritmerna kan användas inom alla områden där det finns data med liknande egenskaper, till exempel inom smart logistik, smarta byggnader och vid prestandaövervakning av industriella tillgångar.
De föreslagna teknikerna kan exempelvis användas för att identifiera fel i ett system i en smart byggnad, vilket gör det möjligt att byta ut systemet i tid och spara energi. De nya algoritmerna ger även bättre funktionalitet vilket i sin tur leder till hållbara applikationer.
Foto: Michael Kauer
