"Availability" som driver for IoT

IoT er i en rivende udvikling, og mange virksomheder kæmper for at sætte systemer i drift i Danmark. Vi har set mange pilot-projekter over de seneste år, men når systemerne skal til at sættes i drift, er det nye udfordringer man står overfor, sammenlignet med de udfordringer, der er ved at skabe en proof-of-concept. En proof-of-concept foregår normalt i mindre skala og i mere kontrollerede miljøer, men når IoT-systemer rulles ud i stor skala, bliver de udfordrede af nedbrud og deraf følgende manglende data pga. miljø, netværksfejl, installationers forskellighed, variation i data fra sensorer og den overordnede integritet i systemet. Eller sagt på en anden måde: tilgængeligheden (”availability”) af funktionen.

I denne artikel fokuserer vi på, hvad der sker, når data fra elektronikken bliver en del af supply chain, og hvilke betragtninger man skal gøre, når man ruller større trådløse netværk ud. 

Supply chain

De fleste virksomheder i elektronikbranchen lever stadig af at sælge produkter. Men i trit med adoptionen af IoT i virksomhederne, får flere og flere øjnene op for servicebaserede modeller, hvor det ikke er produktet man sælger, men i stedet selve funktionaliteten. Dette kan fx være til tracking af lastbiler. Her er det vigtige for vognmanden, at data om hvor lastbilerne er, bliver leveret pålideligt. Vognmanden besidder normalt ikke selv de ressourcer, som det kræver at administrere og drive datanetværk og vedligehold af enhederne. Derfor vælges ofte at benytte en systemleverandør, som bliver målt på den service, der leveres, det vil sige at levere pålidelige data fra enhederne. Derved bliver elektronikken og netværket en del af den supply chain, som er nødvendig for at levere denne service og derfor skal pålideligheden af disse tages i betragtning i relation til supply chain styringen.

Trådløs dækning

Som led i dette har Sigfox (et trådløst netværk dedikeret til IoT) introduceret et certificeringsprogram, hvor producenterne, der leverer elektronik til netværket, bliver vurderet og testet op imod forskellige parametre, som er relevante for, at enhederne sikkert kan levere data til slutbrugeren. En af disse parametre er antenneimplementeringen. Her bliver enhederne testet for, hvor gode enhedernes’ antenner er, da det har direkte indvirkning på, hvor god dækning der opleves hos slutbrugeren.

I figur 2 ses de fire forskellige klasser, som enhederne inddeles i på baggrund af testen. Ved at gøre dette kan det direkte relateres til den oplevede dækning og derved afdække, hvor stor risiko der er for, at den testede enhed vil miste forbindelsen og den oplevede service hos slutbrugeren forringes.

I figur 3a & 3b ses dækningskortet for Sigfox i Danmark. På kortet til venstre kan man se, at der er meget nær 100 % dækning i Danmark, hvis udviklerne hos producenten har sikret gode antenner og opnår klasse 1U. Hvis de derimod ikke har haft styr på antenneintegrationen, kan man se på dækningen på kortet til højre, at der i dele af landet vil opleves udfald i forbindelsen.

Statistisk analyse er nødvendig

Det essentielle er at indse, at når man går fra proof-of-concept (POC) som IoT udvikler til en storskala udrulning, bliver producenterne nødt til at vurdere sine enheder statistisk. I POC-projektet vil man oftest arbejde med at demonstrere, at der er dækning, og at denne er tilstrækkelig, for at systemet kan opfylde sine formål. Derimod når der udrulles tusindvis af enheder ud over landet, og disse skal være i drift over længere tid, vil det være essentielt at betragte dækningen ud fra en statistisk tilgang. Her vil der oftest benyttes en normal fordeling til at vurdere, hvor god signalstyrke der er tværs over landet og derved den service, der kan leveres (se eksempel i figur 4).

Dette kan eksemplificeres ved at kigge på erfaringer fra Svebølle, hvor SEAS har skabt nordens første ”smart village” til at afprøve IoT-teknologien i praksis. Her er der opsat sensorer til fx parkering, monitorering af fodgængere, gadebelysning og smarte målere til gas, el, vand og varme. Gennem en periode på ca. 9 måneder har FORCE Technology i Energy Bigger projektet monitoreret den trådløse kommunikation baseret på LoRA-teknologien. 

For at FORCE Technology ikke skulle have adgang til samt at behandle potentielt følsomme data, blev der ikke udvekslet krypteringsnøgler. Derved kunne data i beskederne ikke aflæses – kun tidsstempler og modtaget signalstyrke. Derfor kan der i forhold til selve radionetværket stadig uddrages mange konklusioner baseret på de lidt under 700.000 pakker, som blev modtaget i perioden. Hvis man blot kigger på en enkelt enhed (se figur 5a & 5b), kan man se den gennemsnitlige modtaget effekt er -125 dBm med en standardafvigelse på 5,5 dB. Det betyder, at der er 2,5 % sandsynlighed for at effekten er lavere end -136 dBm, som er følsomheden for en LoRA-radio. Med andre ord er der 2,5 % sandsynlighed for, at data fra enheden ikke modtages ved den pågældende transmission.

Det vigtige er, at hvis antennerne ikke er implementeret korrekt, vil middelværdien blive lavere, og derved bliver sandsynligheden for, at man mister pakken, højere. Hvis man fx mister 5,5 dB på grund af en dårlig antenne, vil sandsynligheden blive 16 % i stedet for 2,5 %, selvom enheden er installeret samme sted. Derfor har FORCE Technology i IoT & Wireless klubben i samarbejde med Anritsu og Bluetest opbygget en testfacilitet, så man kan teste, hvor god IoT-enheden er i forhold til antennens følsomhed.

Klassiske kompetencer

Det essentielle er at forstå, at denne tilgang ikke kun er relevant for den trådløse dækning, men også gælder de andre parametre, som enhederne bliver udsat for. Jo flere enheder der er i drift, og jo længere tid de skal være ude i marken, desto flere forskellige ekstremer vil de blive udsat for. Dette kan fx være temperatursvingninger, fugtighed i miljøet, størrelsen af spændingstransienter, som de oplever i forsyningsspændingen, samt vibrationer, dér hvor de bliver monteret. 
 
Hvis man fx installerer et netværk med 10.000 enheder, der skal være i drift i 10 år, vil de tilsammen opleve 100.000 års drifttid dvs. ca. 850 millioner timer. Selvom sandsynligheden, for at enhed hver time oplever 80 C varme i et industrielt miljø, kun er 1 ud af en million, vil 850 enheder opleve dette rent statistisk gennem netværkets levetid. Skal disse udskiftes af en servicetekniker til en timepris på eksempelvis 650 kr. plus kørsel, kan det hurtigt tage 3 timer og derved koste 2.000 kr. i reparationstid, hvilket for hele netværkets i driftperiode ender på 1,7 mio. kr. Alt sammen baseret på en sandsynlighed der er stort set umulig at forudse ved et proof-of-concept forsøg. 

Når man udruller IoT-systemer i storskala, er det derfor essentielt, at man har indkalkuleret de sandsynligheder, som er i spil, når mange enheder er i drift over længere tid, så tilgængeligheden af deres data er sikret. Dette vil være direkte relateret til den service, som virksomheder er i stand til at levere, når de også leverer services og ikke blot produkter.