Jaguar Land Rover (JLR) on kahden ikonisen brittiläisen automerkin lippulaiva, tunnettu kestävästä suunnittelustaan ja luksuksesta. Varmistaaksemme laadun ja luotettavuuden, jota asiakkaamme vaativat, laitamme paljon painoarvoa edistyneelle suunnittelulle, insinöörityölle ja teknologialle - mikä on saanut meidät investoimaan enemmän tutkimukseen ja tuotekehitykseen kuin mikään muu tuotantoyhtiö Iso-Britanniassa.
Niille yli 400 insinöörille, jotka työskentelevät teholinjan kalibroinnin ja ohjauksen osastollamme, tämä investointi pitää sisällään uusien ja NI:n ratkaisujen toteuttamista, joilla parhaiten kerätään ja hallitaan valtavia määriä raakatestidataa. Sen avulla teemme älykkäämpiä päätöksiä ennen kuin ajoneuvo ehtii markkinoille.
Kun pääsemme paremmin kiinni parempaan dataan, voimme tehdä paremmin perusteltuja päätöksiä huippuluokan ajoneuvojen valmistamisessa, parantaa JLR:n mainetta ja mikä tärkeintä, toimittaa asiakkaillemme tuotteita, jotka vastaavat korkeita laatuvaatimuksiamme.
Koska meidän pitää hallita jopa 500 gigatavua päivittäin kerättyä aikasarjadataa huomasimme usein toistavamme testejä, koska emme pystyneet kunnolla paikantamaan erityisiä tuloksia. Alkuperäinen analyysirutiinimme perustui manuaaliseen prosessiin. Tiimi arvioi, että se vei aikaa 20 kertaa enemmän kuin nykyratkaisu, joka perustuu täysin automatisoituun analyysikäytäntöön. Käytimme perinteisesti useita analyysityökaluja, jotka kaikki vaativat erikoisskriptejä algoritmien toteuttamiseksi, joten mitään ei ollut standardoitu, mukaan lukien metadata ja kanavanimet.
Tämä prosessi johti meidät analysoimaan vain 10 prosenttia siitä datasta, jonka keräsimme ajoneuvoja testatessamme. Jos ymmärtää vain murto-osan testidatastaan, on iso riski että avaininformaatiota jää huomaamatta, mikä voi johtaa tehottomuuteen suunnitteluprosessissa ja kalliisiin viivästyksiin.
Vastataksemme tähän Big Analog Datan esittämään haasteeseen vertailimme yhdeksää työkalua määritelläksemme, mikä alusta sopisi parhaiten sovellukseemme. Järjestelmävaatimuksiin sisältyi kyky automatisoida datansyöttö, yhdistää metadataa useista lähteistä, lisätä metadataa jota ei alun perin ollut tallennettu ja kyky hakea tiedostoja metadatasta. Tarvitsimme myös interaktiivisen työkalun, jolla suunnittelijamme voivat ajaa omia, ennalta määriteltyjä rutiineja tai räätälöityjä ad-hoc -analyysejä. Meidän piti pystyä ajamaan analyysejä valituille tiedostoille tai komentojonoprosessina, ja raportointimalleja tarvittiin tuottamaan säännönmukaisia, luotettavia raportteja päätöksenteon avuksi. Lopulta alustan piti integroitua olemassa oleviin datankeruuprosesseihimme, jotta sitä voitaisiin tulevaisuudessa laajentaa JLR:n muille osastoille.
Arvioituamme nämä yhdeksän työkalua päätimme rakentaa ratkaisumme DIAdem -ohjelmiston ja DataFinder Server Editionin varaan useista syistä, yllämainittujen kriteerien lisäksi. Yksi tärkeimmistä syistä on, että DataFinder Server Edition osaa indeksoida metadataa, johon tiimi voi kohdistaa hakuja löytääkseen spesifejä testituloksia. DIAdemin avulla tiedämme, että voimme ladata yli tuhat tiedostoformaattia, joten mikäli datankeruuprosessimme muuttuu, meidän ei tarvitse huolehtia yhteensopivuudesta data-analyysiohjelmistomme kanssa. Voimme myös interaktiivisesti luoda analytiikan ohjausnäkymiä ilman ohjelmointia ja valikoiden ladata dataa useista tiedostoista.
Testatessamme ajoneuvoja keräämme data useilla tavoilla monilla datankeruulaitteilla. Oli kyse sitten antureiden informaation keräämisestä dataloggereilla testiajon aikana tai kannettavien tietokoneiden liittäminen ajoneuvoon suoraan verkkodatan keräämiseksi - CAN-, MOST-, FlexRay- tai ECU-protokollilla CCP, XCP, ETK - kaikki data joka kerätään siirtyy automaattisesti data-analyysiprosessiin, jossa se tarkistetaan oikean metadatan osalta. Useista lähteistä tulevaa metadataa vertaillaan ristiin ja laskemme mahdolliset puuttuvat parametrit (kuten keskilämpötila, nopeus, polttoaineenkulutus jne.). Tämän jälkeen data tallennetaan palvelimelle, joka perustuu DataFinder Server Editioniin.
Tässä vaiheessa kuka tahansa JLR-insinööri voi tiedustella dataa ja ajaa analyysirutiineja kaikelle testituloksilla, jota täyttävät määritellyt parametrit. Dataan voidaan kohdistaa eri tyyppisiä analyysejä. Insinööri voi valita komentotukiprosessin, joskus tuhansista tiedostoista, käyttää ennalta määriteltyä analyysirutiinia tai luoda ad-hoc -analyysirutiinin datalle, joka tarvitsee lähempää tarkastelua. Kaikkien analyysirutiinien tulos esitetään raporttimallina, joka auttaa meitä tekemään datalähtöisiä päätöksiä nopeammin.
Yhden vuoden sisällä tämän ratkaisun kehittämisestä ja toteuttamisesta arvioimme nyt, että pystymme analysoimaan jopa 95 prosenttia datastamme ja olemme pienentäneet testauksen kustannuksia ja vuosittaisten testien määrää, koska meidän ei tarvitse ajaa testejä uudelleen.
Automatisoitu järjestelmä, joka käyttää DIAdem-ohjelmistoa ja DataFinder Server Editionia mahdollisti sen, että pystyimme analysoimaan jopa 95 prosenttia keräämästämme datasta.
Näiden ja muiden etujen ansiosta pystymme nyt löytämään ja ratkaisemaan enemmän vikoja ennen kuin lopullinen tuote ehtii asiakkaalle.
Artikkelin ovat kirjoittaneet Jaguar Land Roverin Simon Foster & Pablo Abad.
Kun suurteholaskennan (HPC) työkuormat monimutkaistuvat, generatiivinen tekoäly sulautuu yhä tiiviimmin moderneihin järjestelmiin ja lisää kehittyneiden muistiratkaisujen tarvetta. Vastatakseen näihin muuttuviin vaatimuksiin ala kehittää uuden sukupolven muistiarkkitehtuureja, jotka maksimoivat kaistanleveyden, minimoivat latenssin ja parantavat energiatehokkuutta.
