Teknologiske fremskritt gir oss i mye større grad enn tidligere muligheten til å få detaljert informasjon om hvordan transportmidlene kan utnyttes bedre. Data og informasjon om transportmønster, brukeratferd og ladeprofiler kan legge til rette for en mer strømlinjeformet transportsektor der forholdet mellom privat og offentlig transport optimaliseres.
Intelligente transportsystemer
Samvirkende, intelligente transportsystemer (C-ITS) kan gjøre transport sikrere, mer effektiv og bedre for klima og miljø. C-ITS handler om at de ulike ITS-systemene (personlig, kjøretøy, veikant og sentral) kommuniserer med hverandre, utfører tjenester for hverandre og deler data. For å kunne realisere dette kreves at de ulike ITS-systemene samhandler, basert på standarder utarbeidet av CEN, ISO og ETSI. Vi arbeider innen:
- Mulighetsstudier
- Kravspesifikasjoner (også for grensesnitt mellom ITS-systemer)
- Testing av prototyper i virkelige og virtuelle trafikkmiljø
- Evaluering av implementerte ITS-applikasjoner
Smart datafangst
Vi utvikler metoder for å hente data fra bilens sensorer og fra smarttelefoner. Det gir oss verdifull informasjon om reise- og kjørevaner. Data fra bilens sensorer kan gi oss informasjon som er viktig for sikkerhet, miljø og klima. Data fra smarttelefoner gjør det mulig å analysere folks reisemønster når de går, sykler eller tar buss.
Ved å koble data fra smart datafangst med åpne data er det mulig å bygge proaktive systemer som kan forebygge ulykker og uønskede hendelser i trafikken.
Vi kan vurdere nytteverdien, definere KPI-er (nøkkelindikatorer), spesifisere databehov og kilder, vurdere datakvalitet, tilpasse og koble til utstyr for innsamling av data i fra kjøretøy, inkludert bil, MC og sykkel.
Det svært viktig at personvernet ivaretas ved smart datafangst. Det jobber SINTEF aktivt med i samarbeid med Datatilsynet.
Tilstandsovervåking
Tilstandsovervåkning er viktig for å overvåke og forutsi skader på bruer, tunneler, rullebaner, og togskinner. At vi bruker sensorer for å overvåke tilstanden på biler, båter eller et fly er dog ingen nyhet. Det uutnyttede potensialer ligger i økt sammenstilling av data fra ulike sensorer samt bruk av sensorer kombinert med avanserte analyseverktøy.
For eksempel vil prediktivt vedlikehold (slitasje oppdages og repareres før feil inntreffer) kunne øke sikkerheten i alle former for transport og spare store vedlikeholdskostnader.
Å få til dette krever nye og mer effektive sensorløsninger enn vi har i dag. De må kunne dekke store overflater og lokale variasjoner av parametere som vibrasjon, kraft, temperatur, tøyninger, trykk, samt elektriske verdier. Utfordringen med flere sensorer er at det fører til økt vekt på grunn av økt antall kabler. Derfor blir det viktig å utvikle trådløse kommunikasjonsteknologier, noe som vil spare betydelig vekt, spesielt i større fartøy som fly og skip.
Digitale tvillinger av transportløsninger
Digitale tvillinger kombinerer modeller, måledata og andre datakilder for å lage en nøyaktig, digital kopi av et fysisk objekt eller system. Dette gir et hav av muligheter for bedre design, drift, utvikling og vedlikehold.
Digitale tvillinger vil være nødvendige for å kunne sikre rask og bærekraftig utvikling av nullutslipps transportløsninger, for eksempel gjennom å modellere komponenter som hydrogenbrenselceller, en elektrisk drivlinje eller et større system som en elektrisk ferge eller operasjoner på en flyplass.
Data fra eksempelvis en elektrisk ferge kan mates inn i den digitale tvillingen, og så kan tvillingen brukes til å forutse hvordan ulike deler slites og når de bør byttes. Eller, man kan bruke tvillingen til å teste ulike videreutviklinger av hydrogenbrenselceller for å se hvordan de best utvikles. Å bruke digitale tvillinger til denne typen prediktivt vedlikehold eller optimalisering er spesielt viktig for fartøy bygget med nye materialer og drevet av miljøvennlig energi hvor man ikke har like lang driftserfaring som med etablerte fossildrevne flytyper.
Der er fortsatt store muligheter for utvikling av det digitale økosystemet og algoritmene for å øke graden av realisme og evnen til predikasjon av oppførsel fremover i tid, begrense tidsbruk og ressursbruk for å etablere og drifte de digitale tvillingene, og forbedre menneske-maskin interaksjon.
Autonome kjøretøy
Fartøy til vanns, på land og i luft får stadig økt muligheten for automatisering, og dette gir store muligheter innen blant annet person- og varetransport, datainnhenting og intervensjon.
Selvkjørende biler og busser er på vei inn i samfunnet og økt autonomi i ubemannete fartøy gjør at vi kan hente inn informasjon fra vanskelig tilgjengelig områder og generelt hjelpe mennesker i repetitive, farlige, fjerntliggende operasjoner i ugjestmilde omgivelser.
For å kunne realisere autonome fartøy som kan håndtere krevende situasjoner må det forskning og utvikling til innen blant annet sensorteknologi, tolkning av sensordata, energisystemer, automatisk planlegging, sikkerhet (både "cyber security" og "safety") samt på det operasjonelle nivået med hvordan slik teknologi best tas i bruk.
Robuste teknologier og løsninger innen sensorer, datatolkning og styring er et avgjørende fundament for å utføre operasjoner med autonome fartøy. Men hvordan skal fartøyet kunne sette sammen alt dette og samtidig ta hensyn til operasjonsmiljøet sitt (f.eks. vær og vind), endringer underveis og andre faktorer som spiller inn slik at det autonome fartøyet løser oppdraget sitt på best mulig måte?
For å løse dette utvikler SINTEF nye metoder for automatisk planlegging. Med disse metodene vil fartøyene selv kunne planlegge hvilke oppgaver som skal utføres og hvordan de skal utføres for å kunne løse oppdraget sitt.
Høy grad av autonomitet for et fartøy er ikke et mål i seg selv. Det dreier seg om å finne rett grad av autonomitet. I den sammenheng har SINTEF utviklet en verktøykasse av metoder for å designe autonome operasjoner og systemer. I verktøykassen ligger blant annet "Autonomous Job Analysis". Denne er inspirert av Business Model Canvas og Safe Job Analysis og er et verktøy for få frem viktige krav til autonome operasjoner, samt å etablere en felles forståelse blant de ulike interessentene (utviklere, sluttbrukere, osv.), hva som er formålet og rett grad av autonomitet for operasjonene som skal utføres.
Vi arbeider innen disse områdene:
- 3D-syn og flash-LIDAR
- SHM (Structural Health Monitoring - tilstandsovervåkning) av fly
- Sensorer til droner
- SHM av jernbanespor
- CBM av tog
- Nye Mems sensorer til SHM
- Ny elektronikk og instrumentering for SHM sensorer
- Software-hardware in-the-loop
- MTO (Mennneske-maskin-organisasjon) perspektiv
- Implementering av ny teknologi
Typiske oppdrag for oss er:
- Optimaliserer innpakking, instrumentering, kommunikasjon for “Off the shelf” sensorer.
- Lager nye sensorer hvor standard enheter ikke strekker til.
- Lager produkt og kundetilpasset instrumentering når det er nødvendig.
- Bygger piloter for tilstandsovervåkning av strukturer og mobile enheter.
- Benytter “Edge Computing” til lokal analyse av data.
- Lagrer sensordata til sky og lager GUI for presentasjon av data.
- Lager lokale tvillinger hvor vi sammenkobler sensorsimulering med målte verdier.
- Bygger og installerer måleoppsett i lab og i felt.
- Analyserer sensordata for å sikre kvaliteten og riktig anvendelsen av målingene.
- Modellere, designe og optimalisere hybride brenselcellesystemer til bruk i ulike kjøretøy og fartøy
- Videreutvikle teknologi for anvendelse i transportsystemet og implementering.
Hvem gjør vi dette for?
- Transportetater
- Teknologileverandører
- Interesseorganisasjoner
- Bilindustri
- Knutepunktsorgansisasjoner
Vi arbeider innen disse områdene:
- 3D-syn og flash-LIDAR
- SHM (Structural Health Monitoring - tilstandsovervåkning) av fly
- Sensorer til droner
- SHM av jernbanespor
- CBM av tog
- Nye Mems sensorer til SHM
- Ny elektronikk og instrumentering for SHM sensorer
- Software-hardware in-the-loop
Typiske oppdrag for oss er:
- Optimaliserer innpakking, instrumentering, kommunikasjon for “Off the shelf” sensorer.
- Lager nye sensorer hvor standard enheter ikke strekker til.
- Lager produkt og kundetilpasset instrumentering når det er nødvendig.
- Bygger piloter for tilstandsovervåkning av strukturer og mobile enheter.
- Benytter “Edge Computing” til lokal analyse av data.
- Lagrer sensordata til sky og lager GUI for presentasjon av data.
- Lager lokale tvillinger hvor vi sammenkobler sensorsimulering med målte verdier.
- Bygger og installerer måleoppsett i lab og i felt.
- Analyserer sensordata for å sikre kvaliteten og riktig anvendelsen av målingene.
- Modellere, designe og optimalisere hybride brenselcellesystemer til bruk i ulike kjøretøy og fartøy