Mer tid til fisken? -Hvordan håndtere utfordringene ved økt bruk av automasjon i havbruket. Atlantic Salmon (Salmo salar)

Transkript

1 Mer tid til fisken? -Hvordan håndtere utfordringene ved økt bruk av automasjon i havbruket. Brohodekonferanse Høst 2017, 1.November, Frøya Thor Hukkelås, Director Aquaculture R&D, Kongsberg Maritime Atlantic Salmon (Salmo salar)

2 En automatisert industri kan gi oss overskudd og tid til å sitte og beundre solnedgangen Interview in newspaper: Fædrelandsvennen, mars 1965 Jens. G. Balchen ( ) Founder of Institute of Engineering Cybernetics, 1954

3

4

5 Has the evolution of man s cognitive abilities kept pace with the development of technology?

6 Are we loosing control of the machines? Man vs Machines = Conflict? or Man + Machines = Partners?

7 The Paradox of Automation Says that the more efficient the automated system, the more crucial the human contribution of the operators. Humans are less involved, but their involvement becomes more critical. Efficient automation makes humans more important, not less Complexity Consequences Risk

8 Mer tid til fisken? Formålet med all teknologi er å gi mennesker (og alt levende) bedre liv Bevar mennesket (og fisken) i loopen!

9 Norske oppdrettsanlegg 10 merder pr farm fisk/merd 2 mill fisk x 5 kg = t 50 kr/kg Total verdi: 500 mill NOK Behov for sanntids monitorering Behov for økt grad av automatisering

10 Kjernespørsmål Viktige forutsetninger for å ta gode beslutninger er å ha best mulig situasjonsforståelse (situational awareness) og kunne kombinere denne med erfaring og innlært reaksjonsmønster. Dette er like viktig for maskiner som for mennesker - Hvordan øke kunnskapen om og forståelsen av fiskens adferd og velbefinnende i samvirke med omgivelsene? - Hvordan visualisere situasjonen under vann hvor mennesket er prisgitt målinger fra sensorer, hvordan disse «fuses» og visualiseres for operatøren? - Hvordan få tidlig nok varsling på at feil har oppstått eller andre uforutsette hendelser har inntruffet? - Hvordan trene på å håndtere ikke bare normal drift, men også feilsituasjoner?

11 Biocybernetics and Ocean Models - What if we could model the ocean and all what s in there? - Let the fish swim in the computer! Modeling, Prediction & Control of Fish Behaviour Control and Dynamic Systems, 1979 External variables FISH Biology Behaviour Population ZOOPLANKTON Biology Behaviour Population CHEMICAL OCEANOGRAPHY Phytoplankton Jens. G. Balchen ( ) Founder of Institute of Engineering Cybernetics, NTNU, 1954 PHYSICAL OCEANOGRAPHY

12 Fish Spy world s first unmanned surface vehicle? Diplomoppgave NTH 1976, Thor Hukkelås

13 Look to Trøndelag Frohavet, 2017 Ocean Farming sept Hopavågen, 1972 «Feedback control of fish» Prof J.G. Balchen Hitra, 1970 World s first salmon fish farm Grøntvedt brothers

14 Kongsberg Maritime & Ocean Space Smart Maritime Transport Exploring the Deep Smart Marine Operations Clean Ocean Energy Sustainable Seafood

15 Ocean Farming 1 Diameter: 110 m Height: 67 m Volume: m 3 Salmon: >6000 tons, 1,6 mill 5 kg fish Objectives of KM-OF R&D Programme: Obtain optimal fish welfare (en glad laks etc ) Minimize environmental footprint

16 «The anatomy of autonomy» Mentale & matematiske modeller og kontrollsløyfer

17 Cause Nature / Reality / Environment Effect Observe Observe Human Learning by observing

18 Cause Nature / Reality / Environment Effect Act Observe Human Learning by doing / Human in the loop

19 Cause Nature / Reality / Environment Effect Act Act Human Machines Observe Observe Human Doing by Machines

20 Cause Nature / Reality / Environment Effect Act Machines Human Observe Human Human back in the loop?

21 Situational Awareness (Monitoring) & Decision Support Decision Support Needed Alternative 1 Alternative 2 Alternative n Perception of data and the elements of the environment (Level 1) Comprehension of the meaning and significance of the situation (Level 2) Projection of future states and events (Level 3) Decision Action Effect Nature / Reality / Environment Cause

22 Ocean Farming: Extensive subsea sensor suite Sensor Observation 12 Echo sounders Vertical and horizontal distribution of fish, biomass index, fish size, growth, forage spill, feeding control, behaviour, escape. 4 Cameras Appetite, forage spill, feeding control, behaviour, sea lice amount and sickness. Damages to net, size distribution, growth, welfare 16 Oxygen Growth, welfare, feed indigestion, appetite, death rate 16 Temperature Appetite, fish welfare 2 ADCP Water current outside cage. Horizontal and vertical. Swimming behavior, welfare, feeding control, forces on cage, vessel entering. 4 Vector Local water current inside cage, feeding control Salinity Water quality, fish welfare Hydrophone Behaviour and stress, fish welfare MRU Behavior and stress, forces on cage

23 Human in the loop Feeding control Automation Ctrl Navs/Comms Human Decision Making Decision Support Visualization (3D) Monitoring Interaction Layer Human in the loop Human Machine Interface Visualization Knowledge database Decision Support Machine Controller Sensor Fusion Communication Layer Communication Layer Effectors Sensors

24 Train as you fight fight as you train Skill Can you do this? Do you know this? Time

25 Dynamic Positioning (DP) of Diving Support Vessel The Loop «DP is 99% boredom and 1% panic»

26 Take Away #1 Bevar mennesket og fisken i loopen Ha godt utdannede og interesserte folk som har «Passion for salmon» Ha mennesker som har fått ferdighetstrening gjennom bruk av realistiske simulatorer. Etabler gode systemer for beslutningsstøtte Unngå nesegrus fasinasjon for ny teknologi skal bidra til bedre liv og en renere natur

27 Modeling, Prediction & Control of Fish Behaviour Echo sounder Max growth rate Min mortality Forage factor -> 1 Min enviromental footprint Effektorer Environment Sensorsystem #2 Biology Controller - - Sea current Oxygen Temperature Salinity Sensorsystem #1 Camera Math. Models

28 Next step: Close the loop: The machines do the feeding The best feeders experience and competence will the be available on all fish farms. Max growth rate Min mortality Forage factor -> 1 Min enviromental footprint Effektorer Environment Sensorsystem #2 Biology Controller - - Sensorsystem #1 Math. Models

29 Take Away #2 Cybernetic Thinking: Kontroll og styring oppnås kun gjennom dypgående forståelse av, og kunnskapen om biologien i samvirke med omgivelsene Økt grad av sensorer i nettverk Matematisk modeller i en kontinuerling læringsprosess Evidence-based fish farming høyest mulig grad av presisjon

30 Situational Awareness og mennesker i loopen?

31 Maritime Rescue Coordination Centres Military Command, Information & Control Centers (CICs) Air Traffic Control centers

32 Maritime Rescue Coordination Centres Air Traffic Control centers

33 Aircraft cockpits & Ship Bridges VTS Vessel Traffic Services centers

34 Hva har alle disse beslutningstakerne til felles? De sitter alle sammen og ser på skjermer som presenterer fragmenter av verden utenfor eller maskinen som de kontrollerer. De kommuniserer med verden utenfor enten via tale eller digitalt, computer computer.. Beslutningene de tar er for en høy grad avhengig av informasjonen som blir presentert og på hvilken måte format informasjonen blir presentert på. De er (er ikke vi alle?) fullstendig overgitt SW nerdene som har programmert Human Machine Interface (HMI)!

35 Take Away #3 - Visualisering Optimal situasjonsforståelse er en forutsetning for gode beslutninger KISS Keep It Simple, Stupid! Intuitive og enkle brukergrensesnitt Høy grad av integrasjon (sensor fusion) Sømløs overføring av informasjon mellom mange flater

36 If I had an hour to solve a problem I'd spend 55 minutes thinking about the problem and 5 minutes thinking about solutions.

37 Innovasjonsutfordringen Som ingeniører, så ender vi ofte opp med løsninger som leter etter problemer (Vel, det er vel derfor vi ble ingeniører, fordi vi elsker å designe og bygge disse fantastiske maskinene, ikke sant?) Men, kanskje vi heller skulle lete etter løsninger for reelle problemer?

38 Human Centred Design 1. Active involvement of users and understanding of user and task requirements. 2. Multidisciplinary design teams. 3. Appropriate allocation of functions between users and technology. 4. Iteration of design solutions. If I had asked people what they wanted, they would have said faster horses. Henry Ford

39 Take Away #4 Design Thinking : Tverrfaglige team Involvere sluttbruker fra dag 1 Iterativ utvikling, rapid prototyping, fuzzy front Design a little, build a little, test a little, and learn a lot! Men viktigst av alt: Finn fram til skapergleden og ha det moro sammen med andre!

40 Mer tid til fisken? Ja, helt klart, man oppnår en helt annen presisjonsgrad, bedre fiskevelferd og lavere miljøavtrykk, samt kan opptre proaktiv i stedet for reaktivt. Det vil også føre til langt tryggere og mer interessante arbeidsplasser. Men tenk helhetlig og vær menneske- og biologiorientert, ikke teknologifokusert. Husk: All bruk av teknologi skal gi mennesker (og alt levende) bedre liv

41 Keep the human in the loop!

42 Aquaculture = Biology + Technology. Takk for oppmerksomheten!