Automatisk evaluering af komplekse sensordata
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.
Intelligent monitering af funktionskritiske stålkonstruktioner (iMON)
Robust energi- og transportinfrastruktur og grøn omstilling er drivere for dansk økonomi, og udviklingen går mod at optimere asset management for større, funktionskritiske komponenter i den trafikale infrastruktur og forsyningssektoren en teknisk rapport fra Dansk Energi a), og fremhævet i FORSK2025 b). Denne udvikling skaber et enormt potentiale og behov for innovation indenfor drift og vedligehold for at minimere cost of ownership (COO), som kan opnås gennem øget digitalisering og monitering.Potentialet udspringer af den rivende udvikling indenfor sensorik, Internet of Things, Big Data og avanceret dataanalyse, som muliggør udvikling af smarte og kosteffektive løsninger. Særligt ift. at planlægge vedligehold af stålkonstruktioner, fx procesanlæg, termisk- og biogas-energiproduktion, broer og vindmøller samt via monitering af belastninger under drift at optimere design- og miljøomkostninger gennem optimering af levetid.
Digitalisering af opsamling og analyse af data er trædesten på vejen til optimering af drift og vedligehold på kritiske stålkonstruktioner. Industrien kalder på beslutningsstøtteværktøjer som enablere for at innovere indenfor feltet, og aktiviteten vil udvikle serviceydelser til faciliteringen af denne innovation:
Projektets omdrejningspunkt er således fire serviceydelser med fokus på fremme af innovation indenfor drift og vedligehold:
• IT-platform til smart monitering af kritiske stålkonstruktioner
• Evaluering, validering og værdiskabelse baseret på datastrømme
• Monitering af mekaniske påvirkninger på kritiske stålkonstruktioner
• Monitering af skjulte påvirkninger over større komponentarealer
Aktiviteten vil have en samfundsøkonomisk effekt på to fronter: Dels ved reduktion af COO, dels ved at bidrage til at fastholde og udbygge de sammenlagt ca. 97.000 arbejdspladser i den primære og sekundære målgruppe og dens underleverandører, som i alt tæller mere end 11.300 SMV’er c) d).
a) Asset Management i netselskaber, Dansk Energi, 2015
b) FORSK2025 – fremtidens løfterige forskningsområder, Styrelsen for Forskning og Uddannelse, juni 2017. ”For offshore vind er der […] behov for forskning rettet mod radikal innovation installation, drift og vedligehold”, s.70. samt afsnittet ”Infrastruktur til effektiv transport”, s.96, ”[…] økonomisk og miljømæssigt bæredygtig udvikling og vedligeholdelse af havne, jernbaner, veje, broer […]”.
c) http://ipaper.ipapercms.dk/Windpower/Branchestatistik/samfundsbidrag/
d) IT-Branchens Nøgletal 2017, https://itb.dk/styrk-din-forretning/analyser-rapporter
Intelligente Datadrevne Produktionssystemer (INTELLISYS)
Danske produktionsvirksomheder er under et konstant, internationalt konkurrencepres, der kræver en hurtig reaktionsevne og adoption af nye teknologier samt en løbende udvikling og tilpasning af forretningen for at forblive konkurrencedygtige på det globale marked. Industri 4.0 (I4.0), i sin helhed, har længe været anset som løsningen på disse udfordringer, dog uden at der er fremkommet konkrete løsninger til de mange danske SMV’er. Denne aktivitetsplan fokuserer på et delområde af I4.0, nemlig hvordan man leverer konkrete teknologisk funderede løsninger til realisering og udbredelse af intelligente og datadrevene produktionssystemer henvendt til det danske SMV segment.For at sikre de danske produktionsvirksomheders konkurrenceevne, både i Danmark og på det globale marked, er der et behov for at anvende intelligent datadreven produktion, eksempelvis i form af automatisk at overvåge, styre og optimere produktionen ved hjælp af realtidsdata. Dette giver konkrete muligheder for at få systematisk og faktabaseret indsigt i produktionen, og dermed mulighed for at understøtte af bedre og hurtigere beslutninger, samt for at udnytte data i nye digitale services og digitale forretningsmodeller.
For at implementere og anvende kost-effektive intelligente produktionssystemer hos danske virksomheder kræves det at der arbejdes med en række teknologier, som eksempelvis Kunstig Intelligens (AI), Additive Manufacturing (AM) og Digitale Tvillinger. Flere af de nødvendige teknologier er tilgængelige allerede i dag, men muligheden for at kunne bruge de forskellige teknologier sammen (eller mangel på samme) samt den aktuelle prissætning gør at rentabiliteten for langt størstedelen af de danske virksomheder forsvinder, og derfor er antallet af egentlige intelligente produktionsanlæg begrænset. En aktuel analyse viser eksempelvis at AM og AI kun anvendes af hhv. 3% og 6% af danske fremstillingsvirksomheder .
INTELLISYS tager derfor udgangspunkt i fire fokusområder, som tilsammen er helt centrale for intelligent datadreven produktion, inden for hvilke der vil blive udviklet nye teknologiske serviceydelser, der fremmer og understøtter anvendelsen af intelligente og datadrevene produktionssystemer i danske små og mellemstore produktionsvirksomheder:
1. Digitale Tvillinger
2. Intelligent proceskontrol og dynamisk kvalitetskontrol
3. Asset management og monitorering
4. Digitale forretningsmodeller og datadrevne services
En af årsagerne til at antallet af egentlige intelligente produktionssystemer i Danmark er begrænset, er at implementering heraf , er meget omkostningskrævende at igangsætte. Dette skyldes hovedsageligt, at det for mange virksomheder er meget ressourcekrævende først at identificere den relevante teknologi, og senere bringe den praktisk i anvendelse – i særdeleshed for SMV’erne. Dette understreger netop vigtigheden i skabe overblik over teknologi, potentiale og perspektiv hos de enkelte produktionsvirksomheder.
Derfor fokuserer aktivitetsplanen på at gøre leverandører i stand til at kunne levere relevante teknologikomponenter og systemer, primært til danske SMV’er, samtidig med at produktionsvirksomhederne opkvalificeres gennem kurser, workshops og eksemplificeret anvendelse af banebrydende intelligent teknologi. Dette gøres bl.a. ved at opbygge et I4.0 demonstrations- og testlab, der muliggør praktisk eksperimentering og konkret teknologi test med fokus på reel anvendelse i industrien. Tilsammen sikre dette et bredt kompetenceløft i den danske produktionsindustri.
Aktivitetens primære målgruppe er systemintegratorer (SI) og teknologileverandører som mangler specifikke kompetencer til at kunne levere højteknologiske produkter og services til SMV’erne. Den sekundære målgruppe er fremstillingsindustrien der har et behov for større viden ift. effektiv anvendelse af, og positive gevinster fra, tilgængelige højteknologiske komponenter. Herigennem kan de forbedre deres forretningsgrundlag via intelligente og datadrevene produktionssystemer.
