Automatisk evaluering af komplekse sensordata

Senest opdateret d. 11/4-2018
FORCE Technology
Resultatkontrakt 2019-2020 under temaerne Informations- og Kommunikationsteknologi, Materialeteknologi og Produktionsteknologi
Steen Arnfred Nielsen
R&D Coordinator

Hvad skal der til for at effektivisere dataanalyse i forbindelse med kvalitetskontrol af fx vindmøllevinger, broer og svejsninger? Denne aktivitet vil anvende kunstig intelligens til automatisk evaluering af testdata.

Som en del af en produktionskontrol eller vedligehold af store konstruktioner skal de inspiceres for fejl. En specialist foretager efterfølgende en manuel evaluering af de opsamlede data. Mængden af data er omfattende, og jo flere fejl der findes, jo længere tid skal specialisten bruge på at analysere data. Automatisk evaluering (AE) af komplekse sensordata vil gøre evalueringen mere objektiv og standardiseret samt reducere behovet for specialistvurderinger, hvilket reducerer analysetiden fra dage til minutter.

Aktiviteten vil med baggrund i tre cases (vindmøllevinger, broer og svejsninger) anvende generiske AE-metoder, der kan tilpasses og implementeres på tværs af brancher. For at AE-metoderne bliver brugbare, skal en computer ”fodres” med data, som tager afsæt i viden om fejludbredelse, materialesammensætning og prøvningsteknologier.

 

Referencer: 

FORSK2025-temaer:

  1. Danmark som digitalt foregangsland
  2. Fremtidens produktion
  3. Materialer til innovation og vækst
  4. Fremtidens bygninger, fysiske infrastruktur og byer

 

Nøgleord

52 kommentarer

Herunder er indlæg og kommentarer fra interessenter på aktiviteter og aktivitetsforslag.

Morten Nielsen (Cluster Manager, RoboCluster)
Lørdag d. 28/4-18 kl. 08:51

Gennem projektet "Positioneringssystemer til inspektionsrobotter" i Innovationsnetværket RoboCluster har FORCE Technology udviklet en robot der kan indsamle komplekse sensordata fra bl.a. møllevinger, bropyloner mv.
Jeg har personligt oplevet interesse fra offshore-industrien for de muligheder der ligger i opsamling og behandling af data for store og ofte utilgængelige konstruktioner.
Det naturlige næste skridt i en effektiv proces er at disse data behandles så automatiseret som muligt. Ikke alene vil det gøre processen mere smidig, men data vil ideelt set kunne behandles realtid og dermed kan der sættes ind med udbedringer, enten straks eller efter meget kort tid. Det gør det stillede forslag yderst relevant.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Tirsdag d. 1/5-18 kl. 15:07

Tak for din positive tilbagemelding. Vi glæder os til et fortsat godt samarbejde med Innovationsnetværket RoboCluster og derved gennem denne aktivitet styrke praktiske anvendelser af automatisk evaluering.

Hans Holten-Lund (Senior FPGA Designer, Ph.D., Prevas A/S)
Mandag d. 30/4-18 kl. 09:59

Hos Prevas, har vi allerede mange års erfaring med udvikling af systemer til automatisk evaluering af data, fra bl.a. vindmøller. I denne case foretager systemet en automatisk live screening af data, og en operatør vil kun blive informeret hvis der er noget der kræver menneskelig evaluering.
I dag er begreber som Machine Learning, Deep Learning og Convolutional Neural Networks ved at komme frem, hvor man populært sagt bygger bro mellem mere traditionel signal analyse og neurale netværk. I dag er vores fokus på implementeringer baseret på Edge computing, dvs. at man foretager beregninger i real-time tæt på kilden af data via embedded computing, gerne baseret på FPGA og GPU teknologi, i stedet for at forsøge at sende alt op i Clouden.
Mvh. Hans Holten-Lund

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Tirsdag d. 1/5-18 kl. 15:17

Tak Hans. Der er ingen tvivl om at vindmølleindustrien vil udfordre os i de kommende år med nye materialekombinationer og krav til fejltolerancer, samtidig forventes en hurtigere og mere automatisk evaluering af sensordata.

Per Nielsen (Ingeniør, Siemens)
Mandag d. 30/4-18 kl. 11:22

I forbindelse med opsamling og behandling af store datamængder, vil det altid være en klar fordel hvis der kan indlægges en form for automatisk evaluering af data. dels for at spare den manuelle evalueringsproces, men også for at sikre ensartede bedømmelser, hvor den menneskelige faktor elinimeres i videst mulige omfang.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Tirsdag d. 1/5-18 kl. 15:25

Tak for din vurdering. Jeg er helt enig i dine betragtninger, hvor en systematisk tilgang til analyse af store mængder af inspektionsdata uden tvivl vil forøge produktionskapaciteten i de fleste industrier.

Peter Aagaard Kristensen (Vice President Technology, Prevas A/S)
Onsdag d. 2/5-18 kl. 13:44

Udover de åbenlyse fordele ved AE frem for manuel evaluering som Steen Arnfred Nielsen beskriver i sit oplæg, så er det også et interessant område fordi det åbner op for realtids AE on-site. Udover udbedringer med det samme som Morten Nielsen beskriver, så vil man på sigt også kunne lave bedre og mere økonomiske inspektioner ved at koncentrere sin inspektionstid om mistænkelige områder. Med realtids AE on-site kan man starte med en hurtig og grovere inspektion og kun bruge tid på at inspicere i dybden (fx med andre måleteknikker), hvis første inspektion viser et interesseområde.
Hos Prevas har vi gennem årene arbejdet meget med realtidsanalyse on-site, og det ville være yderst relevant med en automatisk evaluering af komplekse sensordata hvor man bruger moderne teknikker indenfor machine learning, statistik og AI. Forskning og udvikling af denne type algoritmer er en forudsætning for at udnytte den rivende udvikling som sker på device siden, med FPGA, GPU + dedikerede AI IC’er og som vi arbejder med i vores projekter.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Fredag d. 4/5-18 kl. 08:12

Tak for perspektiverne. Der er ingen tvivl om at med realtids AE on-site vil man kunne bidrage inspektionen merværdi og jeg er enig at denne "trend" er efterspurgt.

Svend Gjerding (Driftsleder, Konstruktioner & Anlæg, A/S Storebælt)
Onsdag d. 2/5-18 kl. 14:26

Storebælt er allerede i fuld gang med at udføre inspektioner ved hjælp af droner/robotter på nogle af de store konstruktionsdele, og til brug for at analysere de mange tusinde fotos der genereres, har vi etableret en gruppe der arbejder med automatisk billedgenkendelse. Vores håb er at finde skader ved hjælp af "Machine Learning".

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Fredag d. 4/5-18 kl. 08:36

Tak for bidraget. Helt enig, der er store muligheder i teknologierne og vi må forvente, at det kommer til at gå rigtig hurtigt inden for dette felt de næste år.

Erik Steen Jensen (Adm. Direktør, Blade Test Centre (BLAEST))
Onsdag d. 2/5-18 kl. 17:35

Hos BLAEST udfører vi fuld-skala typeafprøvning af vindmøllevinger. I forbindelse med afprøvningen, der typisk tager 4-8 måneder pr. vinge, foretager vi løbende en visuel inspektion af vingen både udvendigt og indvendigt for at afsløre eventuelle skader under udvikling. Såvel selve inspektionen som evalueringen udføres manuelt. Det ville give et kvalitets- og effektivitetsløft, hvis inspektionen kunne automatiseres (og dermed gøres oftere, måske dagligt), og hvis evalueringen kunne automatiseres, og danne basis for udpegning af områder til nærmere undersøgelse. Inspektionen kunne måske udføres ved hjælp af en drone, som styres med et effektivt positioneringssystem.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Fredag d. 4/5-18 kl. 08:43

Tak for kommentaren. Der er ingen tvivl om at billeder fra droner vil være et godt supplement til kvantitative NDT-metoder. Lad os vende mulighederne sammen.

Svend Egenfeldt (Innovator, Egenfeldt Innovation ApS)
Torsdag d. 3/5-18 kl. 00:42

Ofte er evaluerings- og rapporterings-arbejdet langt den største opgave tismæssigt i forbindelse med inspektion og en automatisering af denne proces vil være kærkommen for de fleste. Både af økonomiske årsager (i hvert fald på sigt, da ny teknologi som regel koster en del at implementere), men også fordi evalueringen af data vil blive mere ensartet og sammenlignelig med tidligere undersøgelser af samme komponent eller med andre komponenter af samme type.

Anvendelse af neurale netværk/kunstig intelligens vil yderligere muliggøre nye og mere avancerede prøvningsmetoder, hvor evaluering tidligere har været for kompleks til at det har været praktisk anvendeligt ud over nogle få special-tilfælde.
(f.eks. Asymmetrisk TOFD og 3D UT) Der ud over tror jeg også det sammen med phased array vil blive et virkelig stærkt værktøj.

Synes det er rigtig godt set at FORCE Technology (lige som med P-Scan) også her er i en unik position mht. til kompetencer inden for prøvningsteknologi, materiale fejl, svejsning og softwareudvikling og dermed har muligheden for igen at bringe NDT-teknologien op på et højere teknologisk niveau

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Fredag d. 4/5-18 kl. 08:58

Tak for dit input til vores AE-aktivitet. Vi forventer at anvende generiske AE-metoder, der kan tilpasses og implementeres på tværs af brancher, men vil særligt kigge på løsning til tre cases (vindmøllevinger, broer og svejsninger). Løsningerne bliver tilpasset de individuelle behov som producenterne måtte have. En vigtig målsætning for aktiviteten er at reducere tidsforbruget til evalueringen af data betragteligt.

lars lilleheden (CTO, fiberline)
Torsdag d. 3/5-18 kl. 16:06

Jeg synes det er et rigtigt godt projektoplæg som potentielt kan bringe nyttige resultater - ikke blot i færdige konstruktioner men også i fremstillingsprocesserne for materialerne konstruktioner bygges af. I vores produktion af kompositmaterialer (som anvendes i vindmøllevinger, broer mv) kunne det være ganske nyttigt at kunne have mere avancerede analyse værktøjer til rådighed, analysere af procesdata fra fremstillingsprocessen. Intelligente analyseværktøjer vil kunne anvendes til at optimere kvalitet og fremstillingseffektivitet.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Fredag d. 4/5-18 kl. 09:36

Tak Lars for din positive tilkendegivelse. Jeg er helt enig. Med flere avancerede analyseværktøjer vil man også kunne få et statistisk grundlag, som bidrager til en mere ensartet og objektivt dokumentation.

Ernst Oszadlik (Udviklingsingeniør, Egonik)
Onsdag d. 9/5-18 kl. 13:57

Egonik kan tilbyde kundespecifiserede løsninger og det er derfor et rigtig spændende projektoplæg, som jeg varmt støtter.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Mandag d. 14/5-18 kl. 07:59

Mange tak for din støtte

Rosa Llorca Navarro (Junior Verification and Validation Engineer, Thales)
Mandag d. 14/5-18 kl. 21:36

Really interesting project where advanced technologies are merged and used in order to challenge human decision-making, and avoid tiresome or dangerous tasks to employees. Nowadays, machine learning and artificial intelligence are crucial tools for data analysis, that can easily be used to spot important defects in structures. Building an automatic evaluation system with this agile inspection robot, will definitely reduce the work-time for a whole structure inspection, improve the defects consistency and their position accuracy. I am convinced FORCE will achieve great results.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Onsdag d. 16/5-18 kl. 07:49

Dear Rosa
Thank you for your comments and suggestions. I fully agree in your perspective. As a part of the project we will demonstrate the ability to extract important patterns and parameters from inspection data in as many industrial sectors as possible, and transfer the results across sectors to optimize decision-making from inspection robots. Please, find additional information in our proposal for "Autonom inspektion og opmåling af kritisk infrastruktur"

Bent F. Sørensen (Professor, DTU Vind Energi)
Tirsdag d. 15/5-18 kl. 08:23

Det er et særdeles vigtigt at kunne komme fra billeder (f.ek.s fra ultralydsskanning) til viden om placering, størrelse og type af skader og defekter på en sikker og ensartet måde. Vi er interesseret i at udvikle modeller for skadesubredelse, der muliggør vurdering af restlevetid af vindmøllevinger ud fra skadestilstanden og de relevante bruddata, og her er data til beskrivelse af placering, størrelse og skadestype af hel central betydning.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Onsdag d. 16/5-18 kl. 08:42

Hej Bent
Her er din og i det hele taget hele DTU Vind's dybe viden om hybridmaterialer essentiel. Med en bedre fysisk forståelse af materialerne via modeller kan inspektionsdata være med til at forudsige restlevetid og i visse tilfælde endda anbefale reparationssenarier, som ikke er mulige med konventionelle inspektionsmetoder.

Bjarke Falk Nielsen (Daglig leder, Maybe Robotics)
Tirsdag d. 15/5-18 kl. 09:10

Positionerings systemer er jo altafgørende for at robotterne kan fungere udendørs, og derfor bakker jeg op om denne udviklingspakke fra FORCE. I mit daglige virke hører jeg om masser af udfordringer der kan løses af robotter, og fælles for dem alle er at robotterne skal kunne finde rundt. Det er til en vis grad nemmere indenfor, da man bedre kan optegne rummet, men udendørs er dette umuligt. I min forrige job som leder af RoboCluster har jeg haft den fornøjelse at se de første prototyper til en klatrerobot fra FORCE, der er et stykke vej endnu, men jeg tror de med dette udviklingsmodul kan få held til at løse nogle komplekse opgaver som endnu er manuelle, men som fremover vil være maskinelle/automatiseret. Ved at dykke ned i et specifikt område kan man også skubbe på den generelle viden og dermed skubbe på branchen. - jeg glæder mit til at følge FORCE på denne færd, og ser frem til eventuelle samarbejder.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Torsdag d. 24/5-18 kl. 12:23

Hej Bjarne,
Lige præcis. Det er essentielt, at robotten ved, hvor den er på en given konstruktion. Hvad enten det er indenfor eller udenfor.
Selvkørende robotter kombineret med automatiske evaluering vil reducere antallet af komplekse manuelle opgaver, og frigive mere tid for eksperter til at gå i dybden med fejlindikationer.

Lennart Kuhlmeier (Finetune)
Onsdag d. 16/5-18 kl. 08:29

Automatisk evaluering er uden tvivl fremtiden for en stor del af de sensordata vi i dag bruger ressourcer på at evaluere manuelt.
Konsistent evaluering, høj nøjagtighed og opsamling/bevarelse af erfaring er de umiddelbare fordele. Men på lidt længere sigt er skaleringen af de inspektioner der kan foregå også meget interessant.
Men AE vil der åbnes for muligheder for inspektion og kontrol i et meget større omfang end idag når flaskehalsen for evaluering af data fjernes.
Det arbejder vi med til dagligt hos Finetune. Og vi har allerede udviklet en del metoder til automatisk evaluering. Vi indgår meget gerne i dialog om evt projektpartnerskab eller andet hvis dette projekt startes op.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Torsdag d. 24/5-18 kl. 12:25

Hej Lennart,
Tak for din kommentar, som jeg kun kan være enig i. Det er vigtigt for os at udvikle en teknik, der fjerner flaskehalsen ved dataevaluering, så produktion og vedligeholdelses-arbejdet effektiviseres.

Anders Bjorholm Dahl (Professor MSO, Head of Section, DTU Compute)
Onsdag d. 16/5-18 kl. 13:45

Evaluering af kompleks sensordata - især billedata - er often en flaskehals, som kan tage 10-100 gange så lang tid som selve dataopsamlingen. Derfor er der behov for udvikling og generalisering af metoder til automatisk evaluering. FORCE står stærkt i denne sammenhæng, da de ofte er inde over hele processen fra opsamling til afrapportering, og kan naturligt overtage de nyeste udviklede analysemetoder fra billedanalyse inklusiv maskinlæringsmetoder, og bringe dem fra et forskningsstadium til værktøjer, som er anvendt i praksis.
Vi har allerede et godt samarbejde med FORCE indenfor rammerne af MADE omkring automatisk evaluering af ultralydsskanninger af kompositmaterialer, som vi håber kan give ny viden indenfor feltet og kan generaliseres til andre materialer. Desuden bliver vi involveret i RELIABLADE projektet, og vi har en række projekter, som er relateret til evaluering af store strukturer, bl.a. DARWIN til inspektion af vindmøllevinger med brug af kameraer monterede på droner.
Vores forsknings fokuserer på computer vision anvendt til bl.a. 3D geometri og genkendelse af strukturer som er en kerneteknologi til automatisk evaluering af store emner. Vi vil typisk arbejde med udvikling af grundlæggende aspekter af metoder, basert på matematik, statistik og datalogi, og derfor er FORCE en rigtig god partner, som kan sikre en værdiskabelse af vores foskning.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Torsdag d. 24/5-18 kl. 12:25

Hej Anders,
Tak for dine betragtninger og rosende ord. Som du selv nævner så er det uholdbart, at tidsforbruget til evalueringen af data langt overgår tiden brugt til dataopsamling.
Vi er også glade for vores samarbejde og ser frem til at fortsætte det i dette projekt.

Morten Handberg (Chief Blade Specialist & Partner, Wind Power LAB)
Torsdag d. 17/5-18 kl. 17:41

Denne teknologi har stor anvendelse da det vil sikre en ensarter analyse af skader på strukturelle komponenter og sænker risikoer for fejlvurderinger, som følge af at defects I et billed bliver overset. Det giver også en ensartethed I kategorisering af defect og hjælper til at den korrekte reperation bliver anvendt.
Windpowerlab har sådan en metode I anvendelse til vingeanalyse men ser et stort potentiale I andre industrier hvor der ligger et stort manuelt arbejde I vurdering af defects på billeder og hvor specialister med den nødvendige viden er begrænset.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Torsdag d. 24/5-18 kl. 12:28

Hej Morten,
Der rammer du ned i et af de vigtige punkter. Det at ensarte analyser og kategoriseringer vil give ejere og inspektører en langt større hjælp og sikkerhed i deres dagligdag. Ved tvivlsspørgsmål kan specialister involveres.

Morten Handberg (Chief Blade Specialist & Partner, Wind Power LAB)
Torsdag d. 17/5-18 kl. 17:41

Denne teknologi har stor anvendelse da det vil sikre en ensarter analyse af skader på strukturelle komponenter og sænker risikoer for fejlvurderinger, som følge af at defects I et billed bliver overset. Det giver også en ensartethed I kategorisering af defect og hjælper til at den korrekte reperation bliver anvendt.
Windpowerlab har sådan en metode I anvendelse til vingeanalyse men ser et stort potentiale I andre industrier hvor der ligger et stort manuelt arbejde I vurdering af defects på billeder og hvor specialister med den nødvendige viden er begrænset.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Onsdag d. 30/5-18 kl. 11:06

Hej Morten

Tak for opbakningen. Meget relevant kommentar, der understreger din pointe og viser vigtigheden af projektet.

Rasmus Ahrenkiel Lyngby (PhD Fellow, DTU Compute)
Tirsdag d. 22/5-18 kl. 09:47

Der er flere konkrete problemstillinger i forbindelse med industriel brug af machine learning på data optaget fra store emner. Machine learning modeller er baseret på statistik og kræver derfor annoteret data. I snart et årti har diverse modeller baseret på Neurale Netværk, også kendt som "Deep Learning", givet gode resultater indenfor stort set alle anvendelsesområder, men denne type modeller kræver ofte hundredetusindevis af allerede annoterede eksempler, hvilket kan være problematisk at skaffe indenfor mange industriapplikationer. Som beskrevet i aktivitetsforslaget bruges der i høj grad manuel inspektion indenfor mange industrier, hvorfor historisk træningsdata (udover resultater) sjælendt er tilgængelige. Dette gælder især når nye måle-modaliteter introduceres. Nylig forskning har fokuseret på hvordan generative modeller kan bruges til at skabe kunstig træningsdata, som kan bruges på tænkte eksempler i den virkelige verden. Det ville være meget interessant at overføre disse metoder til indutriel brug og teste nøjagtigheden af modeller trænet med kunstig data.
Store emner har, ikke overraskende, stor rumlig udbredelse. Derfor må de ofte måles i mindre bider, hvorfor der er et lokaliseringsproblem i at samle stykmålingerne og til sidst at genfinde detekterede anormaliteter på det fysiske objekt. Det vil med god sandsynlighed være muligt at bidrage til forskning indenfor dette område igennem aktivitetsforslaget.
Sidst, men ikke mindst, vil det også være muligt at bidrage til forskningen indenfor den specifikke anvendelse af Neurale modeller på 3D punkt data. Dette er et liden udforsket område, hvilket især skyldes de involverede kompleksiteter.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Torsdag d. 24/5-18 kl. 13:52

Hej Rasmus
Tak for at fremhæve nogle problemstillinger omkring machine learning på data optaget fra store emner. Det vil vi naturligvis have fokus på, når projektet går i gang.
Godt at høre, at I er interesserede i at være en del af forslaget. Og anvendelsen af neurale modeller på 3D punkt data lyder yderst interessant.

Martin Løkke (Vice President, Programs & Systems, Terma A/S)
Søndag d. 20/5-18 kl. 09:35

Terma vil gerne gøre endnu mere brug af sensorer i vores produkter til hele tiden at forbedre pålideligheden og funktionaliteten.
Radar-systemer er installeret over det meste af jorden, udsat for al slags vejr og skal operere 24/7 med en høj pålidelighed. Radar-systemerne er op til 7m og roterer kontinuert, hvilket minder om vindmøllesystemer i anvendelse med nogle af de samme mekaniske udfordringer.

Dette projektforslag kunne derfor være interessant for Terma i forhold til viden om sensorer og analyse af komplekse sensordata på Radar-systemerne.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Torsdag d. 24/5-18 kl. 13:53

Hej Morten

Tak for din kommentar. Det er netop vores mål, at forslaget kan genere viden om sensorer og analyse af komplekse sensordata, der kan implementeres på tværs af brancher og industrier.

Tanya Sørensen (Director QSE, Global Castings)
Søndag d. 20/5-18 kl. 18:54

Dette projektforslag er meget interessant, da mange virksomheder laver manuelle vurderinger af kompliceret testresultater, men risiko for fejlvurderinger. Desuden tager mange af disse analyser også lang tid, kræver certificeret personale, som kan være svært at få.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Torsdag d. 24/5-18 kl. 13:59

Hej Tanya

Det er også et vores hovedmål at reducere tidsforbruget og antallet af fejlvurderinger i forbindelse med manuelle vurderinger af fx inspektionsdata.
Vi vil arbejde på at udvikle en teknik, hvor det kun er nødvendigt at involvere certificeret personale til evaluering af eventuelle tvivlsspørgsmål.

Hans Bonde (Senior Industry Consultant, SAS Institute)
Tirsdag d. 22/5-18 kl. 11:14

Produktionskvalitet er et område, hvor Analytics virkelig kan gøre en forskel – hvad enten det er indenfor masseproduktion eller enkeltstyks-produktion. Brugen af billedmateriale som datagrundlag for en automatisk analyse af produktionskvaliteten er også noget der er arbejdet med, bl.a. i elektronikindustrien, hvorfor dette projekt synes særdeles relevant. Jeg ser frem til at følge resultaterne.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Torsdag d. 24/5-18 kl. 14:02

Hej Hans

Jeg er fuldstændigt enig i din betragtning. Der er rig mulighed for at forbedre produktions-kvaliteten på baggrund af data og analyser. Jeg håber du får gavn af at følge projektet og at du kan bruge vores resultater.

Henrik Böhmer (Project Manager, Offshoreenergy.dk)
Onsdag d. 23/5-18 kl. 10:51

Gennemsyn af billeder og generel behandling af data er meget tidskrævende og der er stort potentiale for at automatisere og gøre processen både hurtig og objektiv. Dette vil også åbne op for at anvende en større del af de kæmpe mængder data der bliver genereret af alverdens sensorer, målere osv. Mange virksomheder har i flere år arbejdet på netop løsningen med deep learning og AI og derfor vil jeg opfordre til en grundig markedsanalyse og samarbejde med relevante virksomheder for at ramme plet. F.eks. er der en række virksomheder, der arbejder med automatisk genkendelse af skader på vindmøllevinger. Specielt case 1 og 2 har stor relevans for offshorebranchen og kan bidrage med rimelig omkostningsbesparelse. Igen opfordres til samarbejde og sparring med slutbrugere for at ramme de mest relevante behov.
Opbakning herfra!

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Torsdag d. 24/5-18 kl. 14:05

Hej Henrik

Tak for opbakningen til vores forslag. En hurtig og objektiv dataevaluering bringer mange fordele med sig. Og du har ret, det er vigtigt med en grundig markedsanalyse og at etablere samarbejder med relevante virksomheder. Det er alpha og omega for at ramme plet med forslaget.

Peter Kjul (CEO, Kjul & Co. ApS)
Torsdag d. 24/5-18 kl. 10:15

Det er vigtigt at ny teknologi bringes på banen overfor SMV’er. Der er i særdeleshed en stor gevinst hvis der kan udvikles nye teknologier, som kan være med til at nedsætte fysisk belastning af medarbejdere og samtidig optimere produktivitetsmulighederne ved anvendelse af automatisk evaluering af data. Der ligger dog en udfordring i at implementere teknologierne i mindre virksomheder. Her deltager vi gerne med de kompetencer vi har.
Så vi er for initiativer af denne art.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Fredag d. 25/5-18 kl. 13:49

Hej Peter

Tak for dit meget relevant bidrag. Jeg er helt enig, det er vigtig at nedsætte den gentagne monotone dataanalyse, der ofte følger en specifik procedure. Det er her den automatiske evaluering af data har sin styrke.

Morgan Troedsson (Produktchef, MacTeen Consulting)
Torsdag d. 24/5-18 kl. 17:41

Ved enhver form af systematisk inspektion af mekaniske strukturer genereres en meget stor mængde af data. Ved traditionel evaluering må man bruge erfarne specialister til at fejlfortolke (type/størrelse) og reducere denne datavolumen til de korrekte fortolkninger. Adgang til erfaringsdata og godkendelseskrav er helt nødvendige. En proces som kræver kvalificerede ressourcer og betydende tid hvis datavolumen er stor.

Med automatisk evaluering (AE) af inspektionsdata afklares den nødvendige datareduktion meget hurtigere, og den ansvarlige kvalitetsspecialist må kun tage sig af med de aller mest komplekse problemstillinger. Kvaliteten på evaluering af inspektionsdata kommer at forøges, da komplekse data til stor del analyseres med hjælp af kunstig intelligens, gennem algoritmer med skrappe strukturelle fejlkriterier. Sikkerheden mod fejlagtige konklusioner minimeres.

Den allerstørste gevinst opstår gennem den stærkt reducerede tidsadgangen. Evaluering af komplekse inspektionsdata bliver pludseligt oplevet som langt enklere og sikrere, da objektivitet og tillid forhøjes. Den erfarne inspektionsspecialist har pludselig et smart, intelligent og effektivt hjælpeværktøj til rådighed og overgår til at overvåge kvalitetsvurderingen ved inspektion.

Samlet set er det et henrivende projektforslag, med hensigten at effektivisere og kompilere store batcher af inspektionsdata. Tillempelig enten til analyse af digitaliserede overfladebilleder (fx. GBI, droner) eller ved datareduktion fra klassiske strukturelle NDT-metoder (fx. ultralyd, shearografi, radiografi). Den menneskelige fantasi er en begrænsende faktor.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Fredag d. 25/5-18 kl. 14:00

Hej Morgan

Tak for at fremhæve nogle interessante problemstillinger omkring komplekse sensordata. Jeg er helt på linje med dig. Værdiskabelsen i projektet ligger i, at vi kan tilføje den automatiske analyse viden om samspillet mellem materialesammensætning, fejlmekanismer og sensorer. Det vil vi naturligvis have fokus på, når projektet går i gang.

Christian Berggreen (Lektor og laboratorie-leder (CASMaT - DTU Structural Lab), DTU Mekanik)
Mandag d. 28/5-18 kl. 09:56

På DTU Mekanik arbejder vi med simuleringsværktøjer, der kan forudsige skadesudvikling i komposit-konstruktioner og disse værktøjer anvendes i skadesevalueringer og beslutningsstøtteværktøjer for blandt andet vindmølleoperatører. En essentiel del af et sådan beslutningsstøtteværktøj er at kunne lokalisere og måle omfanget af de øjeblikkelige skader i konstruktionen for derefter at kunne forudsige kritikaliteten af skaden og restlevetiden af konstruktionen. Nærværende forslag til udviklingsområde hos FORCE er derfor er stor interesse for DTU Mekanik.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Tirsdag d. 29/5-18 kl. 08:24

Hej Christian

Tak for din kommentar. Helt enig. Viden om skades-udvikling i kompositkonstruktioner og samspillet med sensorteknologier er bestemt en spændende udfordring for automatisk evaluering - og der er da klart et potentiale for at få diskuteret muligheder sammen med jer.

Torsten Freltoft (CEO, AcouSort AB)
Tirsdag d. 29/5-18 kl. 10:42

Ingen tvivl om, at med IoT og lign. teknologiudvikling bliver Automatisk evaluering af komplekse sensordata en vigtig og nødvendig kompetence i fremtiden.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Onsdag d. 30/5-18 kl. 11:10

Hej Torsten

Tak for din kommentar, som jeg kun kan være enig i. Med dette projekt vil vi forbedre denne kompetence hos danske virksomheder.
Det er vigtigt for os at udvikle teknologier, der fjerner tidskrævende analyse ved dataevaluering, så et produktionsflow kan optimeres.

Jan Larsen (Direktør, Professor PhD , Danish Sound Network/ DTU Compute)
Onsdag d. 30/5-18 kl. 06:15

De sidste mere end 28 år har vi i Sektionen for Kognitive Systsmer på DTU Compute beskræftiget os med machine learning modeller (bla. neurale netværk) herunder mange projekter med fokus på semi-automatisk anaylse af sensordata, bl.a i relation til fejl i vindmøller, prædiktiv maintenance af vindmøllefarme, skibsmotorer, nanosensorer og andet. Vi vil meget gerne bidrage til projektet.

Steen Arnfred Nielsen (Projektleder, F&U koordinator, FORCE Technology)
Onsdag d. 30/5-18 kl. 11:11

Hej Jan

Tak for at fremhæve nogle centrale applikationsområder, hvor automatisk evaluering af komplekse sensordata giver værdi. Det vil vi naturligvis have fokus på, når projektet går i gang. Der er ingen tvivl om, at et samarbejde med DTU Compute vil give os masser af relevant viden, vi kan bruge i projektet. Godt at høre, at I gerne vil bidrage.