Automatisk evaluering af komplekse sensordata

Senest opdateret d. 15/1-2019
FORCE Technology
Resultatkontrakt 2019-2020 under temaerne Informations- og Kommunikationsteknologi, Materialeteknologi og Produktionsteknologi
Henrik Hassing
Technical Vice President

Automatisk evaluering (AE) af komplekse sensordata reducerer behovet for manuel analyse. Computeren skal dog først ´fodres´ med data om fx sensorer, materialer og fejltyper. AE tilpasses bl.a. kompositmaterialer, svejsninger og betonkonstruktioner.

Store konstruktioner skal inspiceres for fejl både i produktionen (produktionskontrol), og når de har været i brug i en given tid (vedligeholdelsesarbejde). Det kan enten gøres med håndholdt eller automatiseret inspektionsudstyr. Efterfølgende foretager en specialist en manuel evaluering af de opsamlede data. Mængden af data er omfattende, og jo flere indikationer på 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 og dermed reducere analysetiden fra dage til minutter. ”I forbindelse med opsamling og behandling af store datamængder (fra vindmøllevinger), 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 elimineres i videst muligt omfang.”, Per Nielsen, ingeniør hos Siemens Gamesa, Bedreinnovation.dk

Teknologisk serviceydelse og relevans
Aktiviteten vil kort fortalt udvikle følgende:
• Metoder til automatisk evaluering af komplekse sensordata fra kompositmaterialer, svejsninger og betonkonstruktioner. Herunder lokalisering af fejl-indikationer i de opsamlede data med positionssystemer, der tilpasses et konkret miljø.

Udviklingen med fundament i tre cases, hvor vi vil anvende AE-metoder, der 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 sensorer, fejltyper, fejludbredelse, materialesammensætning, prøvningsteknologier og positionssystemer. Særligt positionssystemer er ikke kun en forudsætning for velfungerende AE, det er også vigtigt i udviklingen af automatiseret inspektion, da de ”fortæller” robotten, hvor den skal køre og hvordan. De tre cases er kort beskrevet nedenfor.

Case 1: Automatisk evaluering af sensordata fra kompositmaterialer
Der er brug for AE i markedet, som Lars Lilleheden, CTO i Fiberline Composites, skriver: ”I vores produktion af kompositmaterialer (som anvendes i vindmøllevinger, broer mv.) kunne det være ganske nyttigt at have mere avancerede analyseværktøjer til rådighed, der analyserer procesdata fra fremstillingsprocessen. Intelligente analyseværktøjer vil kunne anvendes til at optimere kvalitet og fremstillingseffektivitet.” Fiberline Composites startede i 1979 med fire ansatte og er nu en af verdens førende producenter af kompositmaterialer. Resultaterne fra denne case er relevante for vingeproducenter, underleverandører af kompositmaterialer til skibs-, tog- og flyindustrien, testcentre for kompositmaterialer samt inspektionsvirksomheder.

Case 2: Automatisk evaluering af sensordata fra svejsninger i bærende konstruktioner
Dette projektforslag er meget interessant, da mange virksomheder laver manuelle vurderinger af komplicerede testresultater, med risiko for fejlvurderinger. Desuden tager mange af disse analyser også lang tid og kræver certificeret personale, som kan være svært at få.”, Tanya Sørensen, Director QSE hos Global Castings , der er en førende leverandør af støbte emner til vindmølleindustrien. Resultaterne fra denne case er relevante for producenter af vindmølletårne og tanke, underleverandører af stål- og metalkomponenter, forsikringsselskaber samt inspektionsvirksomheder.

Case 3: Automatisk evaluering af sensordata ifm. on-site tilstandsvurdering af betonkonstruktioner
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”, Svend Gjerding, driftsleder hos A/S Storebælt, Bedreinnovation.dk. Resultaterne fra denne case er relevante for ejere af broer og tunneller, rådgivende virksomheder og inspektionsvirksomheder.

Væsentlige delaktiviteter i aktivitetsperioden
I aktivitetsperioden vil der være to altoverskyggende delaktiviteter, som er afgørende for om aktiviteten bliver en succes eller ej.

Tilpasning og test af AE-metoder
I aktivitetsperioden skal der tilpasses tre AE-metoder; en for hver case. Det er ikke muligt kun at udvikle én AE-metode, der kan benyttes på alle tre cases, da det drejer sig om forskellige sensordata, materialer, miljøer, positionssystemer, fejltyper samt godkendelseskrav og standarder. Udviklingen vil ske i samarbejde med DTU Compute. Derefter skal metoderne testes ude hos aktivitetspartnerne.

Udvikling af koncepter til reduktion af store datamængder og cloud-løsninger
Den anden store delaktivitet er at få reduceret de enorme datamængder til nogle filstørrelser, der hurtigt og problemfrit kan komme ´op i skyen´. Derfor skal der også udvikles en sikker cloud-løsning, der kan håndtere datafilerne nemt og sikkert. Denne udvikling vil ske i et samarbejde mellem FORCE og DTU Compute. Derudover vil vi sammen med Alexandra Instituttet bygge bro til SMV’er, der ønsker en bedre forståelse for anvendelsen af komplekse sensordata.

AE-metoderne vil både blive brugt i forbindelse med FORCEs datadrevne serviceydelser og i vores produkter samt solgt på licens til virksomheder.

Budget:
2019: 3.612.500 kr.
2020: 3.612.500 kr.

Baseret på aktivitetsforslag:  Automatisk evaluering af komplekse sensordata

Nøgleord