PETROMAKS2-Stort program petroleum

Dette prosjektet har som mål å effektivisere drift og vedlikehold av avanserte industrielle anlegg med store mengder sensordata ved å tilgjengeliggjøre data for offshore personell, når og der de trenger det. Dette oppnås ved å ta i bruk teknologi for 3D og utvidet virkelighet, samt å forbedre planleggingsverktøy for inspeksjonsroboter. Løsningene vil effektivisere navigasjon og presentere sensordata og annen relevant informasjon på en intuitiv måte. Denne informasjonen vil bli hentet fra den allerede eksisterende Cognite Data Platform som er en skyplattform for samling, håndtering og visning av store mengder av industrielle data. I dag er offshore personell i stor grad overlatt til dokumentasjon på papir i form av brukermanualer og plantegninger av anleggene som er tidkrevende å holde oppdatert, tungvint å slå opp i og vanskelig å ta med seg når de utfører arbeider. Mangelen på god tilgang til statiske data, som tegninger og dokumenter, så vel som dynamiske sensordata, gjør at effektiviteten er lavere enn den kan være. Denne løsningen har potensiale til å dramatisk endre hverdagen til brukerne når de får rask tilgang til akkurat den informasjonen de trenger på stedet. Prosjektet vil bestå av to hoveddeler. Den første delen består av utvikling av metoder for robust og presis lokalisering av bruker / robot og dens synsretning. Inspeksjonsroboter tar bilder og gjør videoopptak som brukes til å gjenkjenne visuelle ?features? som brukes til lokalisering. Dette skjer gjennom oppslag i en visuell database med stedfestede bilder. Oppslaget er implementert ved hjelp av tradisjonelle computer vision metoder med moderne deep learning algoritmer for gjenkjenning av visuelle features. I den andre delen av prosjektet vil vi jobbe med effektiv rendering av komplekse 3D-geometrier og utvidet virkelighet for å visualisere viktig informasjon i sanntid på en god og intuitiv måte. Dette gjøres ved å bryte ned 3D CAD-modeller til enkle bestanddeler (som bokser, rør, etc.) samt å gjenkjenne duplisert geometri og kun representere den en gang. Dette komprimerer modellene drastisk, noe som reduserer krav til båndbredde ved overføring til visualiseringsklienten. Videre deles 3D modellene i avgrensede regioner basert på posisjon, kompleksitet og utstrekning til de individuelle objektene. Når klienter skal vise en 3D modell beregnes en prioritet for hver region ut i fra kamerastillingen. Klienten laster inn data innenfor et gitt budsjett. Rendering av modellene benytter seg av spesialiserte teknikker for de enkelte bestanddelene, noe som resulterer i høy ytelse. Dette gjøres for å håndtere ekstremt komplekse 3D modeller som ikke kan vises i sin helhet på datamaskiner uten dedikert grafikk-hardware. Innovasjoner og teknologi utviklet i prosjektet komplementerer og utvider Cognites eksisterende platform-teknologi, og bidrar til transformasjon fra en platform for data-innsamling, prosessering og lagring, til også å inkludere innsikt og forståelse.

SINTEF og Cognite har utviklet metoder for mer effektivt stedfeste posisjon basert på bildedata på industrielle anlegg. Dette kan brukes til å forenkle fjernstyring av industrielle roboter og kan dermed bidra til å redusere behovet for personell til rutinemessig driftsoppgaver. Det har også blitt utviklet teknikker for høy-ytelses visualisering av komplekse 3D modeller av industrielle anlegg, noe som resulterer i at man kan bygge og tilgjengeliggjøre digitale tvillinger. Cognite mener dette er med på å drive det digitale skiftet framover og kan bidra til en bedret konkurransesituasjon for norsk industri.

Idé: Se for deg følgende fremtidsscenario: En arbeider på et prosessanlegg i drift skal ut for å justere en ventil på et rør. Hun setter på seg vanlig arbeidsutstyr og i tillegg en AR-hjelm, før hun beveger seg til aktuelt område, visuelt rettledet av hjelmen. Den identifiserer og oppdaterer kontinuerlig hva hun ser, med informasjon fra en rekke sensorer tegnet inn. Hjelmen viser henne ventilen som skal justeres, og når hun gjør det blir bildet umiddelbart oppdatert med ny informasjon fra sensorer inne i røret, og hun kan visuelt se effekten av justeringen i sanntid. Med AR-hjelmen har hun begge hendene frie til å utføre arbeidet. Samtidig kan en ikke-tilstedeværende ekspert følge hennes posisjon i en nettleser, se det hun ser, og støtte henne i arbeidsprosessen. For å lykkes med prosjektet har vi satt opp følgende delmål: 1) Robust gjenkjenning av 3D-geometrier fra 3D-skanning og 2D-bildedata AR-enheter lager sine egne 3D-verdenskart av sine omgivelser. Utfordringen er å gjenkjenne objekter fra CAD-modellen i AR-enhetens verdenskart, både for å kunne gi informasjon om det konkrete objektet og for å støtte (2) i å lokalisere brukeren i CAD-modellen. 2) Lokalisering og 3D-sporing i komplekse omgivelser i sanntid Kombiner informasjon fra detekterte objekter med lokalisering-og sporingsfunksjonalitet i AR-enheten for robust og nøyaktig lokalisering (posisjon og synsretning) av brukeren i CAD-modellen. 3) Visualisering av store mengder sanntids-sensordata på en intuitiv måte Utvide situasjonsforståelsen ved intuitiv sanntidsvisualisering av sensordata fra den sentrale datamodellen. 4) Rask sanntidsvisning av 3D-geometri Det kreves en løsning som skalerer, både mht. antall brukere og mengde data per bruker, installasjon samtidig som den lar seg tegne på an AR-enhet med begrensede ressurser. 5) Integrasjon av sanntidsvideo, sensordata-visualisering og 3D-geometri i en AR-modul Det kreves en løsning som fungerer godt både på 2D-skjerm og på 3D-AR-hjelm/-brille.