Civilingenjör i intelligenta system på Utexpo

Automatic Brightness Adjustment for Display and Interior Illumination

• Participants: Marcus Boström and Gabriel Johnsson.
  
• Collaborator: Volvo Cars.

The project focuses on developing a system for automatic brightness adjustment of infotainment system with an emphasis on improving safety in automotive environments. By dynamically adapting screen brightness to surrounding light conditions the system helps reduce driver distraction and ensures visibility under varying lighting.

The system uses a light sensor to continuously measure ambient light levels. Based on these readings, a software algorithm adjusts the screen brightness in a controlled and responsive manner. Early in the project, we explored different control strategies including PID regulation. However, after evaluating performance and stability, we decided to implement a ramp-based function with hysteresis.

Parts of the system were designed and simulated in Simulink. The design process involved evaluating response time, stability and user experience with safety as a guiding principle.

Drone-based geofencing to minimize contamination of evidence at crime scenes

• Participant: Vincent Phan.
  

This thesis explores a drone-based system designed to minimize evidence contamination during indoor crime scene investigations. A DJI Tello drone was used to capture downward-facing images over a simulated scene, which were stitched into a 2D map using OpenCV. A custom YOLOv11 model then detected evidence like weapons and bloodstains, with restricted zones marked in red. A shortest-path algorithm calculated a safe path around these zones to guide investigators. The system was tested on 20 mock crime scenes, achieving 95 % recall and 82 % accuracy in detection. Compared to human-drawn paths, the AI-generated paths were shorter and more direct, avoiding only actual evidence. While limitations such as drone drift and occasional false detections exist, the project demonstrates that low-cost drones combined with AI can effectively assist forensic teams in navigating and documenting crime scenes with increased safety and efficiency.

Hantering av effekttoppar på lokalt elnät med hjälp av ett energilagringssystem

• Deltagare: Liam Hägg.
  
• Samarbetspartner: Halmstad Energi och Miljö.

Projektet handlar om att undersöka om ett energilagringssystem kan fungera för att hantera effekttoppar på en undersökt del av elnätet. Effekttoppar uppstår då det under en tidsperiod är hög belastning på en transformatorstation, orsakat av att slutanvändare efter denna station samtidigt använder mycket elektricitet. Syftet är att med hjälp av en simulering i MatLab Simulink ta fram storlekar på viktiga parametrar, såsom lagringskapacitet och urladdningseffekt, som behövs hos ett energilagringssystem för att klara av att kapa effekttoppar till önskad nivå. Parametervärden jämförs sedan med befintliga energilagringssystem på marknaden för att avgöra om dessa är av en hanterbar storleksordning. Detta projekt har gjorts i samarbete med Halmstad Energi och Miljö.

Hårdvaruutveckling av ett automatiskt intravenöst droppsystem

• Deltagare: Oscar Pålsson.
  
• Samarbetspartner: J&D Assisting Systems, CYTO365.

I detta examensarbete har en ny version av ett automatiserat intravenöst droppsystem utvecklats med fokus på förbättrad hårdvara, minskad storlek och ökad tillförlitlighet. Det tidigare systemet led av begränsad precision, hög energiförbrukning och tog upp mycket plats, vilket hindrar praktisk användning inom vårdmiljöer. Genom att designa ett kompakt kretskort, implementera hall-sensorer samt optimera energihanteringen för komponenter, såsom solenoiden och motordrivningen, har flera av dessa problem åtgärdats. RGB-lysdioder användes för att ge tydlig visuell återkoppling och öka användarvänligheten. Resultatet är en betydligt mer integrerad och energisnål hårdvaruplattform. Arbetet utgör en stabil grund för fortsatt mjukvaruutveckling samt kommande tester och certifieringar.

Implementering av OEE på en äldre stansmaskin

• Deltagare: Amadeus Strålsjö.
  
• Samarbetspartner: EAB.

Overall Equipment Effectiveness (OEE) är ett nyckeltal som används för att bedöma en maskins effektivitet utifrån tre huvudkomponenter: tillgänglighet, prestanda och kvalitet. Ett lågt OEE-värde signalerar att maskinens kapacitet inte utnyttjas fullt ut, och bör därför analyseras i relation till dessa tre faktorer.
Syftet med detta arbete är att utveckla ett externt och icke-invasivt system för produktionsövervakning och beräkning av OEE för den äldre, semiautomatiska stansmaskinen 3217 GEKA, som helt saknar inbyggd datainsamling. Systemet är uppbyggt med IO-Link sensorer, säkerhetsmatta, knapp- och maskinsignaler, en IO-Link master, CloudRail och molnbaserade tjänster. Den insamlade datan har bearbetats i Microsoft Fabric, vilket möjliggjort ett kontinuerligt flöde av realtidsdata. Eftersom maskinen är semiautomatisk har den manuella hanteringen medfört vissa utmaningar vid både datainsamling och tolkning av insamlad information.

Resilience of Machine Learning Hardware Accelerators Against Accuracy Degrading Trojans

• Participants: Filip Grimsholm and Cassandra Westergren.
  

Machine learning hardware accelerators have become critical components in modern computing systems, enabling efficient and high-speed processing for a wide range of applications. However, the integrity and reliability of these systems are increasingly threatened by the presence of Hardware Trojans, malicious modifications intentionally introduced into the hardware design.

Hardware Trojans are particularly concerning in machine learning accelerators because of their potential to covertly manipulate the weights of trained models. Even slight tampering with weights can cause significant deviations in model outputs, leading to reduced accuracy, erroneous predictions, or targeted misclassifications. This vulnerability can be exploited to create backdoors or enable undetectable attacks, undermining the reliability of machine learning systems in critical scenarios.

Existing techniques for detecting and mitigating Hardware Trojans often fall short in identifying subtle yet impactful manipulations, particularly those that exploit the unique characteristics of machine learning workloads. Furthermore, current methods lack the ability to systematically evaluate and categorize the potential impacts of weight manipulation, leaving machine learning accelerators exposed to sophisticated threats. To address these challenges, our thesis focuses on the resilience of machine learning hardware accelerators against accuracy-degrading Hardware Trojans.

Utveckling av en testrigg för jämförande motoranalys

• Deltagare: Emma Christiansen.
  
• Samarbetspartner: Axis Communications.

Examensarbetet har genomförts med målet att vidareutveckla en testrigg för mätning av vridmoment och varvtal hos DC-motorer och stegmotorer. Testriggen är tänkt att användas i utvecklings- och testmiljöer där verifiering av motorspecifikationer är avgörande för kvalitetssäkring. Fokus har legat på att öka mätnoggrannheten, förbättra användarvänligheten och skapa ett mer tillförlitligt och robust mätsystem.

Projektet bygger vidare på en befintlig prototyp och innebar en genomgripande teknisk uppgradering. Ett nytt styr- och mätsystem har tagits fram med en mikrokontroller som central enhet. Lastcell och optisk sensor används för att mäta vridmoment respektive varvtal. Dessa komponenter har integrerats i en mekaniskt stabil struktur tillsammans med förbättrad motordrivkrets och kommunikationslösning via USB, med potential för framtida trådlös överföring via Wi-Fi.