Chalmers Open Digital Repository
Not a member yet
26247 research outputs found
Sort by
LLM-based Log Analysis for Fault Localization in the Automotive Industry
No full textThis thesis investigates the application of large language models (LLMs) to aid
practitioners of log analysis for fault localization in the automotive industry. An
existing LLM-based log summarization tool is extended and evaluated, focusing on
the cognitive load of practitioners and how satisfied they are with the tool. The effect
of LLM-based log summarization on productivity of practitioners in the automotive
industry is investigated through a case study at a company within the automotive
industry. Think-aloud sessions and semi-structured interviews are carried out to
asses the impact of the tool on the fault localization flow of study participants.
Results suggest that LLM-generated log summaries can aid practitioners by giving
them a first glance of the issue, thereby potentially reducing manual effort and
improving productivity. However, the results also suggest that the context of the
issue, domain knowledge, and interactivity of the tool plays a major role for success.
A lack of context and means for the practitioner to guide the tool could result in
a less effective workflow with higher cognitive load. The thesis provides insights on
the integration of LLM-based log analysis tools within fault localization workflows
in the industry, highlighting both the benefits and challenges of deploying LLMs in
real-world fault analysis scenario
Chartering the Future: How FuelEU Maritime Shapes Strategic Decisions for Swedish Tanker Shipowners: An in-depth study focusing on pooling, alternative fuels, financial implications and investment in new tonnage
No full textThe European Union has in order to achieve the European sustainability goals put in place what is known as FuelEU Maritime, which falls under the larger regulatory package “Fit for 55”. The goal of FuelEU Maritime is to push shipowners to transition to less greenhouse gas intense fuels by restricting the amount of GHG allowed to be released per MJ from one ton of fuel. With the maximum GHG allowed to be emitted decreasing every five years. This study explores what kind of strategies the Swedish tanker segment will employee to reach compliance with EU’s regulatory obligations. This is done by interviewing shipowners located in the Gothenburg area and other stakeholders.
Three main strategies have been identified. Pooling of vessels to continue to operate older more inefficient vessels with the help of newer vessels. The incorporation of dual-fuel engines in new tonnage to create a more flexible fleet that can utilise the ups and down of market prices between green fuels and fossil fuels. Future fuels are a crucial component in meeting the increasingly stringent environmental regulations in the maritime sector. Without a transition to more sustainable fuel alternatives, it will be difficult for shipowners to comply with upcoming legislation and operate in a long-term sustainable manner. The shipowners hope that the newly incurred cost of FuelEU Maritime will eventually fall upon their customers. As the regulation was put into practice in 2025, the outcomes remain uncertain. Despite the limitations of having only Swedish companies participate in the interview process and the early stage of implementation, this study represents an important first step in examining how FuelEU Maritime will affect and be managed by shipowners
Lead time forecasting for supplier management using machine learning
No full textForecasting lead times in the supply chain of manufacturing companies is a businesscritical,
yet time-consuming task. Typically, suppliers are contacted regularly to
provide lead time estimations for parts, a process often prone to bias, especially
if suppliers have an incentive to sell express deliveries. To address this issue, a
machine learning pipeline was developed and tested using a case-study involving
Maxon, a high-precision electric drive manufacturer. The pipeline considers the
steps of data collection, filtering, feature engineering, selection, and model training.
Multiple machine learning models were evaluated, and the best-performing model
achieved a prediction accuracy of 0.804 on a test data set, where the supplier’s estimation
reached an accuracy of 0.343. This is a promising result. Furthermore,
a time series analysis indicates that the model’s performance improves with larger
data sets, suggesting the pipeline’s potential for real-world manufacturing environments
Prediktion av hårfärg och ögonfärg från genetiska markörer inom forensisk verksamhet
No full textEtt utvecklingsområde inom forensiska verksamheter är DNA-fenotyping, vilket är en teknik för att utifrån DNA kunna predicera visuella egenskaper för en individ. I detta arbete
undersöktes hur väl statistiska modeller kan utföra prediktion av ögon- och hårfärg utifrån
genetiska markörer i DNA. De modeller som framtogs var logistiska regressionsmodeller som
använde en MCMC-metod med en Metropolis-Hastings-algoritm för att uppskatta posteriorifördelningen. Två binära logistiska regressionsmodeller med två olika priorifördelningar jämfördes, en icke-proper likformig priorifunktion och en multinormal priorifunktion. På samma sätt
jämfördes två multinomiala logistiska regressionsmodeller med samma två priorifördelningar.
Den datamängd som användes i arbetet omfattade ögon- och hårfärg för 85 individer och
bestod av observerade färger samt genetiska markörer kopplade till färgerna. De ögonfärger
som undersöktes var brun, blå och intermediär, medan de hårfärger som undersöktes var brun,
blond, röd och svart.
Modellernas prestanda utvärderades genom ROC-grafer (eng: Receiver Operating Characteristic) och tillhörande AUC-värden (eng: Area Under the Curve). Resultatet uppvisade att
modellerna överlag hade låga AUC-värden och därmed presterade dåligt. Ingen av modellerna
lyckades uppnå ett totalt AUC-värde på över 0,75. Däremot presterade modellerna för prediktion av ögonfärg generellt bättre än modellerna för hårfärg. Det upptäcktes emellertid att
modellen för multinomial hårfärg gav bra resultat när det gällde att predicera röd hårfärg med
ett AUC-värde på 0,94. En stor begränsning för modellerna som kan ha påverkat resultatet är
den begränsade datamängden. Finns det inte tillräckliga skillnader i den givna datamängden
över genetiska markörer mellan de olika klasserna av färger får modellen svårt att kunna göra
säkra prediktioner. Eftersom alla modeller har stora begränsningar är de i nuläget inte användbara för användning i praktiken, men genom fortsatt forskning skulle liknande statistiska
modeller i framtiden kunna användas för mer tillförlitliga prediktioner
Automated Statechart Generation from Natural Language Requirements Using AI Techniques in Automotive Software Engineering
No full textContext: Statecharts are widely recognized as an effective modeling technique for describing system behaviors, allowing engineers to clearly represent states and transitions. However, the process of creating statecharts from textual requirements remains largely manual, requiring engineers’ expertise to interpret textual descriptions, define states and transitions, and identify potential errors. As systems grow increasingly complex, this approach faces challenges in scaling, leading to inefficiencies, inconsistencies, and delays in the design and validation phases.
Problem: Existing tools such as Stateflow, Yakindu, and Enterprise Architect, although useful for statechart modeling, still require significant manual effort. These tools are not designed to efficiently generate statecharts from unstructured textual input, which creates a challenge in maintaining the flexibility needed in rapidly evolving industrial settings. Despite advancements in large language models (LLMs), their potential for automating statechart generation has not been fully explored or used in real-world contexts, with a focus on the automotive industry.
Solution: This thesis proposes a framework that takes advantage of Artificial Intelligence (AI), specifically Natural Language Processing (NLP) and Transformerbased models, to automatically generate statecharts from textual requirements. The approach integrates pre-trained language models with fine-tuned domain-specific data, enabling the identification of states, transitions, and the generation of valid statecharts directly from natural language input. This framework represents a significant step towards automating the statechart creation process, making it more efficient and reliable.
Results and Contribution: The results of this research show that fine-tuning LLMs on domain-specific data significantly improves the quality of the LLM generated statecharts in terms of functional correctness and understandability. By automating statechart generation, this work improves productivity, minimizes human error, and offers a scalable solution for the automotive industry. The proposed approach enhances design and validation workflows, enabling faster and more accurate system development in critical domains such as automotive engineering
Riskbedömning och Grundvattenskydd: Metodutveckling genom en fallstudie av Dalsjöfors
No full textGrundvatten utgör en av våra mest värdefulla resurser för dricksvattenförsörjning och är
därmed av största betydelse för samhället. I takt med att klimatförändringar intensifieras och
befolkningen växer, krävs det långsiktiga strategier för att skydda och bevara våra
grundvattenresurser. Ett effektivt sätt att minska risken för förorening är att inrätta
vattenskyddsområden. Tidigare utformades sådana områden med fokus på grundvattnets
transporttid i marken, men modern metodutveckling riktas nu mer uppmärksamhet mot
risken för att föroreningar ska nå akvifären.
Syftet med arbetet var att utveckla en metod för riskanalys av grundvattentäkter, samt att
tillämpa denna metod genom en fallstudie av grundvattentäkten i Dalsjöfors. Målet var att
identifiera potentiella hot, kartlägga riskfaktorer och föreslå relevanta skyddsåtgärder för att
minska risken för förorening av grundvattnet. Genom detta utvärderades även metodens
användbarhet och tillförlitlighet. Arbetet syftade därmed till att ge både konkreta
åtgärdsförslag för Dalsjöfors och ett underlag för framtida riskanalyser av liknande
grundvattentäkter. Utöver detta identifierades ett antal ekosystemtjänster som grundvattnet
bidrar med utöver dricksvatten, för att ge en mer heltäckande bild av dess samhällsvärde och
miljömässiga betydelse.
Riskbedömningen i studien utgår från ett flertal faktorer: markens sårbarhet, sannolikheten att
en händelse inträffar, spridningsförmåga och hälsofara. Bedömning av sårbarheten har
genomförts med hjälp av DRASTIC-metoden, som baseras på områdets geologiska och
hydrologiska förhållanden. Möjliga föroreningskällor har identifierats genom platsbesök samt
genom studie av Länsstyrelsens EBH-karta, där potentiellt förorenade områden har redovisats.
Varje identifierad föroreningskälla har därefter bedömts individuellt utifrån sannolikheten att
en förorening når akvifären och dess potentiella konsekvenser på dricksvattenkvaliteten.
Dessa faktorer har sammanvägts i en riskpoängsmatris som genererat en slutgiltig riskpoäng
för varje källa. Denna poäng ligger till grund för rekommendationer kring hur skyddsområden
bör avgränsas samt vilka ytterligare åtgärder som kan krävas för att minimera risken för
påverkan på grundvattnet.
Genomförande av vald metod resulterade i en karta över markens sårbarhet framtagen med
DRASTIC-metoden, identifiering av 17 riskkällor i analysområdet och riskpoäng för samtliga.
Poängsättningen för varje riskkälla motiveras kort med avseende på de parametrar vars
bedömning föranletts av egna avvägningar och antaganden.
Riskanalysen visar att täkten är särskilt utsatt på grund av områdets geologi. De riskkällor som
utgör de största riskerna är textilindustri, träimpregnering, deponier, bränder och vägtrafik.
Dessa hotar grundvattentäkten, vilket motiverar behovet av förstärkta skyddsåtgärder.
Metoden som utvecklats i arbetet bedöms vara måttligt framgångsrik. Resultatet är i vår
mening rimligt men metoden har en del brister som skulle behöva åtgärdas. Några exempel på
svagheter som identifierats är hanteringen av läckage från nedlagda föroreningskällor samt
bristande stringens i poängsättningen av vissa parametrar. En utvecklad variant av metoden
som framtagits skulle kunna användas i bred skala för att göra sårbarhetsbedömningar av
grundvattentäkter runt om i landet
Manipulation strategies of different objects applied to industrial settings - Identification of Objects and 6D Pose Estimation
No full textAbstract
6D pose estimation involves determining the three-dimensional position and orientation of an object, which is crucial for industrial automation tasks such as robot manipulation and assembly. Due to limitations such as occlusion, different lighting conditions, and complex geometric shapes, traditional methods based on deep learning often face difficulties in complex industrial environments. This article studies and compares two 6D attitude estimation methods. Firstly, the effectiveness of the YOLO-6D framework in factory environments was explored, which integrates contour-based learning and geometric constraints. Afterwards, the SAM-6D model was attempted for 6D pose estimation, which is a zero-sample method that utilizes
the Segment Analysis model (SAM) for instance segmentation and hierarchical geometric inference. For the implementation of the two methods, Blenderproc2 was first used to generate a virtual dataset of factory parts, which is used to collect a set of images in the actual factory environment. Afterwards, the model is trained using a virtual dataset and tested using real images. The results indicate that although YOLO-6D was trained on a synthetic dataset, its performance on real images is poor due to the geometric complexity of the parts and limited model capacity. In contrast, SAM-6D exhibits excellent generalization ability in semantic alignment, appearance consistency, and geometric compatibility, achieving an accuracy of 97%
in challenging simulation scenarios. This study emphasizes the importance of SAM- 6D for 6D pose estimation in industrial applications where training data is scarce and object diversity is prevalent. The main contributions include optimizing the computational efficiency of SAM-6D by adjusting GPU-CPU allocation and verifying its robustness to traditional methods. These findings provide a foundation for deploying adaptive attitude estimation systems in dynamic industrial environments
An Investigation of using Simulated Data for Machine Learning
No full textMonitoring meiofauna is an effective way of assessing the effects of pollution in an
environment. The current method of manually extracting data from samples is,
however, very time consuming. If one instead uses a machine learning model for
image recognition and segmentation a lot of this manual work can be automated.
Furthermore, if one can use simulated data for training the model then new models
can be created more easily. This work therefore investigates the possibility of simulating
two groups of meiofauna, Nematodes and Nodosarias, by developing its own
simulations and measuring the performance of a model trained on them. The found
results shows promise both in terms of results and methodology. The findings also
highlight the fact that simulations are not necessarily easily created and require new
effort for every new group that should be simulated
Investigation of Basic-acid Site Properties on Catalytic Depolymerisation of Nylon-6: A Study on Metals and Metal Oxide Supports
No full textShaping Rewards with Temporal Information to Guide Reinforcement Learning
No full textReinforcement learning (RL) methods that apply pretrained Vision-Language Models
(VLMs) to compute rewards typically use a single observation of the environment
to do so. This is problematic because any information emerging from the sequential
nature of RL, i.e. temporal information, is therefore disregarded. This thesis
explored how temporal information can be incorporated into the VLM reward computation,
by first distinguishing between fixed and adaptive temporal information.
In fixed temporal information, additional inputs are provided to describe the environment’s
progression through time, but these inputs remain unchanging throughout
each episode. In contrast, adaptive temporal methods take additional inputs that
can change as the episode progresses. Positional and directional rewards were defined
to take advantage of fixed and adaptive temporal information respectively,
along with new supervised finetuning methods for the directional reward functions.
Evaluated with a sample efficiency metric over 6 robotic manipulation tasks, the
best new positional rewards performed 18.4% better than previous methods, while
directional rewards performed 23.0% better. Combining positional and directional
rewards showed a 25.4% improvement, which was the best performance achieved by
any method in this thesis