I podkasten LØRN.TECH inviterer Silvija Seres & venner hele Norge til læringsdugnad for teknologi. Gjennom konkrete og inspirerende episoder lærer man om teknologier som blockchain, droner, VR/AR, kunstig intelligens og big data. Tore Lie, Chief Product Officer i eSmart Systems, er blant de som har tatt en prat med Silvija Seres om droner og hva de kan brukes til.

I episode #20 «Droner som passer på strømmen vår», forteller Tore blant annet om det å jobbe i tverrfaglige team og å skape noe nytt ved å kombinere ulike teknologier. Han forteller også hvordan eSmart Systems bruker kunstig intelligens, maskinlæring og droner for å innovere energibransjen.

Hør intervjuet her! Alternativt kan du lese transkriberingen av samtalen nedenfor.

#20: Droner som passer på strømmen vår 

Silvija: Vi skal lære folket om droner, for droner er gøy. Hva gjør dere med droner? 

Tore: Vi i eSmart bruker sensorer på droner til å hente inn informasjon sånn at vi kan finne feil i strømnettet og hjelpe strømselskaper med å holde strømmen på.

Silvija: Fordi strømselskapene har fått helt nye type problemer nå. Nå som folk driver og lagrer strømmen sin selv og har induksjonsovner og elbiler og sånt. Så er nettet veldig lite stabilt og så snør det og blåser. Hva skal man med droner da?

Tore: Vi bruker det egentlig i to use caser, eller to scenarier. Det ene er det at når strømmen går, så forsøker vi å bruke droner til å komme ut - fort ut i felt for å finne feilene. Fortere og tryggere enn det mennesker kan gjøre. Du kan tenke deg i Norge for eksempel, i snøvær. I vinter, særlig i Agder slet de kolossalt med strømbrudd, og med tradisjonelle metoder så må du gå da, og stabbe i mange meter med snø for å finne feilen. Og klatre opp. Så det er det ene og kanskje viktigste scenariet. Så har vi også det andre scenariet som vi har jobbet mest med og det er å inspisere strømnettet for å prøve å finne feil før de forårsaker strømbrudd da.

Silvija: Altså prediktiv? Hvordan gjør man det? 

Tore: Det vi gjør er at vi flyr med dronene, oppe i lufta, tar bilder, og så har vi et analyseteam som jobber med såkalt maskinlæring og deep learning, og oppgaven er da å prøve å tolke bildene som kommer inn fra dronene og identifisere feil som kan forårsake strømbrudd. Det er det ene området. Og det andre som jeg synes er veldig spennende og fascinerende det er at vi ved hjelp av bilder etter hvert kan klare å lage en digital forståelse av utstyret ute i felt. For det er det ikke alle som har oversikten over i dag. 

Silvija: Jeg skjønner fortsatt ikke hvordan dere gjør det. Altså hva kan man måle for å vite hvor ting kan gå i stykker? 

Tore: Da vi begynte med dette her for noen år siden så startet vi et innovasjonsprosjekt og da hadde vi en hypotese om at vi kunne klare å identifisere ting som vi kan se med det blotte øyet. For eksempel så er det sånn at i Norge så er det mye tremaster. Og fordi det er fuktig så blir det satt på en topphatt på toppen av tremasten, den blir satt på fordi det ikke skal bli råte i tremasten. Hvis det blir råte i tremasten så kan den etter hvert knekke eller hvis en montør klatrer opp så kan masten knekke og så kan det bli uhell. Og så kan jo det føre til strømbrudd. Så det er et helt konkret eksempel på at man flyr over en strømmast, med drone, tar bilder og så klarer da den kunstige intelligensen å gjenkjenne forskjellen på en tremast med eller uten den topphatten.  

Silvija: Ja. Vi skal egentlig ikke.. Altså fokus er droner, men jeg vil veldig gjerne at du også sier bittelitt om hva som er greia med eSmart Systems. For energisystemer er også i veldig dramatisk transformasjon og hva gjør dere da? 

Tore: Vi begynte med å se på nye måter å samle inn data på for å gi strømselskapene ny innsikt om tilstanden i nettet deres. Og nå vet vi at nå rulles ut smartere strømmålere. Det var der vi begynte for en del år siden. Disse smarte strømmålerne vår de kan sende signaler til oss som sier noe om tilstanden. Det kunne jo ikke de gamle manuelle strømmålerne. Så der begynte egentlig eSmart å bygge softwaren sin.

Silvija: Prøver å lage systemer som lytter til de smarte målerne.

Tore: Riktig. Og så begynte vi da med dette FoU-prosjektet Connected Drone for noen år siden og da var det egentlig ut i fra hypotesen om at går det an å skaffe oss innsikt i de delene av nettet hvor det er blind spots. Hvor man ikke har noen eksisterende datasystemer. Det finnes jo ikke målere på hver enkelt tremast for eksempel. Så derfor så er det vi forsøker å gjøre det å samle informasjon fra mange forskjellige kilder og så legge på analyser på det for å prøve å forutse tilstanden i strømnettet for nettselskapene. 

Silvija: Og data dere samler er stort sett bilder? 

Tore: I dronesammenheng så har det vært det. Vi begynner nå å se på andre sensortyper også; laser, lidar, termobilder og så videre; men vi begynte med bilder fordi at det var det som var praktisk mulig da vi begynte for noen år siden. 

Les også: Intelligente droner: Et effektiviseringsverktøy 

Silvija: Du, vi har snakket i noen andre podcastepisoder om droner - stort sett med folk som bygger droner. Og de elsker droner selvfølgelig. Du er mer en avansert bruker av droner. Og jeg har veldig lyst til å høre, hva er den mest positive overraskelsen og den mest negative overraskelsen med droner? 

Tore: Altså, jeg vil jo si det at da jeg begynte med det her i 2016 så kunne jeg ingenting om droner, jeg kunne heller ingenting om maskinlæring, men jeg fikk muligheten til å jobbe sammen med veldig mange flinke teknologer som både kunne droner og kommunikasjon og kunstig intelligens. Og det som er det absolutt mest positive det er at, som jeg aldri har vært med på før, det er at vi nå begynner å jobbe på en helt annen måte. Vi klarer å sitte sammen og bygge helhetlige løsninger og bygge på teknologikompetansen til forskjellige spesialeksperter og bygge noe helt nytt. Og det har vi fått til nå. Droner pluss kommunikasjon pluss analyser gir resultater. Og det å få lov da som en pedagog og få disse utrolige dyktige teknologene som ikke nødvendigvis er så veldig komfortable da, med å dele kunnskap. Kanskje de sitter og tenker, nei den doktorgraden din altså, den er ikke god nok, altså det er jo litt sånn, det er mye fagstolthet. Men når man klarer å få folk til å åpne seg og dele uten å være redd for å drite seg ut, uten å være redd for å komme med de nye ideene. Da er det veldig gøy. Og det er min rolle. Jeg er klovnen. Jeg stiller alle de dumme spørsmålene, da vet de hvert fall at det er en som ikke er redd for å drite seg ut. Så jeg kunne godt krabbe bortover gulvet her jeg hvis det åpner diskusjonen, men det å skape noe nytt med en kombinasjon av mange teknologier. Det er helt suverent.

Det som er skuffende, det må jeg si, da jeg kom inn så trodde jeg vi skulle komme mye, mye lenger på to år, for jeg var så optimistisk.

Silvija: På hva da? På maskinlæring eller på dronenes kraft eller hva da? 

Tore: Ja, det er jo fryktelig mye som skal sitte da, for at man skulle fly veldig langt i kjempekrevende forhold. Jeg håpet at vi kunne fly stiv kuling og i tåke og alt mulig rart. Det kan vi ikke ennå. Men det vi kan det er at vi kan transportere de bildene fra mange forskjellige droner og helikoptre og datamaskiner, vi kan få de inn. Og så begynner vi å se nå at den maskinlæringen kan begynne å hjelpe de ekspertene ute i nettselskapene til å finne feil fortere. Men vi er fremdeles, synes jeg da, i startgropa. Men det som er veldig spennende er at det går så fort. Det går så rasende fort fremover.

Klikk her for å høre hele samtalen mellom Tore og Silvija.

Droner og kunstig intelligens bidrar til å effektivisere prosesser og ressursbruk

Droner er et fantastisk verktøy for å samle inn data fra perspektiver som ellers kan være farlig, dyrt og tungvint. I energibransjen er dagens manuelle innsamlingsmetoder i strømlinjeinspeksjon både ressurskrevende og ineffektive. Bruk av kunstig intelligens kombinert med droner kan være kostnadsbesparende for å effektivisere prosessene og ressursbruken. 

 Vil du vite mer om linjeinspeksjoner ved hjelp av droner? 
Last ned vår e-bok Thundercloud: Unleashing the Power of End-to-End Drone Operations in Power Line Inspections