JavaScript is currently disabled.Please enable it for a better experience of Jumi.
 ETN.fi  Annonsera Utgivningsplan Månadsmagasinet Prenumerera Konsultguide Om oss  About / Advertise
tisdag 22 september 2020 VECKA 39

Ett verktyg som öppnar hel nya möjligheter för analys av strömmande data i realtid. Det lanseras av Uppsalaföretaget Stream Analyze. Prediktivt underhåll är en av många tillämpningar

En erfaren bilmekaniker sätter örat till motorhuven och talar direkt om vad som surrar eller dunkar i motorn och snarast behöver åtgärdas.

Motsvarande typ av diagnos gjord automatiskt kallas ”anomalidetektering”.

Det sker genom att maskiner av alla de slag kontinuerligt tappas på sensordata. Den analyseras sedan av algoritmer. Vid avvikelser utlöses larmet.

Det som är mest värt är att kunna identifiera symtom på problem som är under uppsegling. Det är genom att stoppa problemen i sin linda som man kan undvika de stora kostnaderna för skador och produktionsstopp. Det kallas preventivt underhåll.

När det handlar om realtidsanalys av strömmande data, finns inget som kan konkurrera i effektivitet med SA:s (Stream Analyze) plattform, om man får tro företaget. SA säger sig har flyttat fram gränserna för vad som ens går att göra inom området.

Konkret består SA:s produkter av mjukvara, närmare bestämt optimerad C-kod. Med full funktionalitet ryms den i 5,2 Mbyte. Vid behov kan den bantas ner till ett fotavtryck på bara 101 kbyte, genom att funktionaliteten bantas ner.

Koden kan installeras på olika sätt, men det som verkligen öppnar möjligheter är när koden körs direkt i maskinens styrkort. Eller maskinernas – plural – i flera kopior. Genom att göra alla beräkningar lokalt i varje ändnod öppnas nämligen möjligheten att bygga i princip oändligt skalbara systemlösningar. De kan användas för att övervaka eller styra av maskinparker eller fordonsflottor.

Preventivt underhåll är bara en av många tillämpningar. Företaget har byggt system för energioptimering, pay-per-use och utveckling av medicinteknik.

En klurig ingenjör kan hitta många sätt att dra nytta av möjligheten att i realtid snabbt kunna analysera strömmar av data från maskiner. Ett av de första projekten, där SA också lade grunden för en del av sin teknik, var att detektera slirning i kopplingen hos en hjullastare från Volvo.

Idag gör SA tillämpningar inom självkörande bilar. Företaget är partner med amerikanska Nvidia som bygger självkörningskort och samarbetar med svenska självkörningsbolaget Zenuity.

Jan
Nilsson

–Den här typen av funktionalitet blir nödvändig när det gäller online-underhåll av autonoma fordon där en operatör inte finns tillgänglig, berättar SA:s ordförande Jan Nilsson.

Företaget bygger på forskning ledd av Uppsalaprofessorn Tore Risch, numera emeritus. Det är första gången han knoppar av ett företag. Desto mer entreprenörserfarenhet finns hos partnern Jan Nilsson som under de senaste 25 åren varit med och grundat företag som Framfab, Bredbandsbolaget och HBO Nordic.

 

Tore Risch är professor i databaser. Så vart han än vänder sig i världen ser han förstås ett databassystem.

Sensordata som strömmar ur en maskin i realtid – det ser han som en sorts evigt växande databas av avläsningar. Analysen som görs av dessa strömmande data tänker han på som slagningar i de senaste raderna i den databasen.

Strömmande data är en sorts evigt växande databas. Tore Risch har effektiviserat implementeringar av sådana databaser i två decennier. 

Det som skapar SA:s konkurrenskraft är att Tore Rischs forskargrupp med arbetat upp en stor effektivitet i sina implementationer av sådana databassystem, som närmare bestämt kallas DSMS:er, data stream management systems.

Idén till företaget föddes när Jan Nilsson och en annan av grundarna, Erik Zeitler, doktorand vid Tore Rischs institution, råkade hamna i samspråk med Tore Risch.

–Vi kom ganska snabbt in på vilka tekniska och affärsmässiga möjligheter som dataströmsanalys i realtid öppnar upp, berättar Jan Nilsson.

Samtidigt konstaterade de att området i sig stod inför en disruption.

–Vi insåg att kraftiga förskjutningar i existerande värdekedjor skulle komma att äga rum.

Så de grundade Stream Analyze år 2015. Idén var att utveckla ett kommersiellt system för interaktiv realtidsanalys i ändnoder.

Det finns fortfarande en gratis och öppen forskningsversion kvar av plattformen. På företagets webbplats finns länkar till forskningsartiklar som beskriver de viktigaste genombrotten bakom tekniken. Det handlar bland annat om distribuerade beräkningar, RAM-databaser och indexering.

För närvarande är nio personer verksamma inom bolaget. Nya anställda håller på att handplockas.

–Vi räknar med att öka personalstyrkan rejält under det kommande året, berättar Jan Nilsson.

Finansiering kommer hittills helt från grundarna själva, men externt kapital ska enligt planerna tas in under detta år.

Företaget samarbetar med ett antal större nordiska industriföretag. Ett av dem som SA får berätta om är HMS Industrial Networks som enligt Jan Nilsson ska göra SA:s system till en central del av sitt ekosystem. Tillämpningen för HMS är kontinuerlig utveckling, test och driftsättning av modeller för att effektivisera maskiner och fabriker. Systemet kommer att användas av såväl HMS som av dess kunder och partners.

Tekniskt går utvecklingen hos SA vidare med att minska fotavtrycket ytterligare, för att trimma prestandan ännu mer, för att anpassa plattformen för fler tillämpningar och för att förenkla utvecklingen ytterligare.

Stream Analyze:

20 års forskning ligger inbäddad i företaget.

Stream Analyze programvara är en komplex produkt. Här finns inte bara de effektiva databasalgoritmerna utan även en massa komponenter för att utveckla, sjösätta, driva och underhålla analyssystemet från moln och fält.

Många av mjukvarkomponenterna är helt enkelt integrering med standardteknik. Kärnan i plattformen är ändå de komponenter som kör databasen, administrerar beräkningarna och hanterar djupa neuronnät.

I drift kan programvaran distribueras på olika sätt i systemet. Flest möjligheter finns när den laddas direkt i ändnoderna i styrkorten. Där läser progranvaran en ström lokala data och kör analysalgoritmer på plats i realtid, snarare än att tanka upp data till molnet.

Koden kan få snurra på samtliga fordon i en flotta eller maskiner i en fabrik. En distribuerad lokal lösning av det slaget ger högre kapacitet och kortare fördröjningar. Även cybersäkerhet blir ett mindre problem när inga data snurrar omkring på Internet eller i molnservrar där de kan bli avlyssnade.

Framför allt blir systemet skalbart när det är distribuerat. Varje gång systemet byggs ut med en nod, får denna nod egna små beräkningsresurser för att ta hand om sina egna beräkningar.

– Det finns generella system för händelsehantering på kantenheter, men dessa har mycket högre systemkrav och mer begränsad funktionalitet, säger Jan Nilsson.

– Vi känner inte till något som är lika generellt och kraftfullt. Konventionella system för händelsehantering arbetar på en betydligt lägre nivå med begränsad funktionalitet.

Jan Nilsson hävdar att SA:s system är enkelt både för utvecklare och användare.

– Vi är inte medvetna om något lika generellt och kraftfullt system, som gör det möjligt för analytiker som inte är programmeringsspecialister att interaktivt utveckla, ändra och driftsätta avancerade analysmodeller direkt på kantenheter.

Även utvecklingen av systemet kan ske med koden på plats i de skarpa produkterna. Den metodiken öppnar ytterligare möjligheter. Det normala tillvägagångssättet omständligare: generera en volym testdata, ladda upp data till en arbetsstation för att utveckla modeller, ladda modellen i det skarpa systemet och gör sedan ett nytt varv av test, utvärdering och utveckling. Repetera.

SA låter dig istället arbeta iterativt med att förfina en modell samtidigt som den snurrar skarpt i systemet.

Det som analyseras är typiskt en sekvens av de senaste sensoravläsningarna. Ofta räcker det att titta på statistiska egenskaper i datasekvensen – som medelvärden och varians. Eller så kan sekvensen bli indata till ett neuronnät som använder sin svarta magi för att tolka vad som pågår.

Neuronnäten kan vara tränade på ett datacenter. Men de kan därefter tränas vidare på plats efter sjösättning.

– På så sätt kan man köra systemet i bakgrunden under lång tid för att kontinuerligt lära av strömmande sensordata när enheten inte är upptagen av annat.

Maskininlärning och deep learning används och stöds av SA. Men det är faktiskt inte lika dominerande inom området prediktivt underhåll som det blivit inom andra fält där stora volymer sensordata analyseras.

Det finns enligt Jan Nilsson nämligen ofta en bra förståelse av de fysiska egenskaper hos maskinerna som ska analyseras. Därmed kan enklare matematiskt-statistiska modeller fungera bra.

Maskininlärning har dessutom en utvecklingströskel i att den i regel kräver massor av uppmärkta data innan träningen och utvecklingen kan gå vidare.

Om du föredrar ytterligare någon annan analysmodell för dataströmmen går det också bra. Det finns flera att välja mellan i SA:s programpaket och gränssnittet är öppet så att du även kan plugga in kod du själv utvecklat. Analysalgoritmer ska kunna utvecklas av analytiker, ingenjörer och dataanalytiker utan djup programmeringskunskap.

– Vårt mål är att kunden ska bli helt självständig. Vi hjälper kunden att komma igång med systemet. Kunden kan sedan utveckla modeller på egen hand, säger Jan Nilsson.

Samtidigt kan SA fungera som resurs ända fram till dess att produkten sjösatts. Och även senare, när sjösatta system fortsätter att fintrimmas.

– Ibland behöver kunden även hjälp med att anpassa sin befintliga affär för analys på deras kantenheter, vilket också är något vi hjälper till med.

MER LÄSNING:
 
Pappersmagasinet Nyhetsbrev
SENASTE KOMMENTARER
Kommentarer via Disqus

Vi gör Elektroniktidningen

Anne-Charlotte Sparrvik

Anne-Charlotte
Sparrvik

+46(0)734-171099 ac@etn.se
(sälj och marknads­föring)
Per Henricsson

Per
Henricsson
+46(0)734-171303 per@etn.se
(redaktion)

Anna Wennberg

Anna
Wennberg
+46(0)734-171311 anna@etn.se
(redaktion)

Jan Tångring

Jan
Tångring
+46(0)734-171309 jan@etn.se
(redaktion)