Nordic Test Forum er en tilbagevendende begivenhed, som i Snekkersten hvert år i december tiltrækker test- og måleudstyrsfolk fra hele Norden. 2025-eventen kunne lokke imponerende 90 deltagere til, men emner som AI, skjulte hardware- og softwarelag og hurtigere testforløb er nu meget i fokus
Artiklen har været bragt i Aktuel Elektronik nr. 1 – 2026 og kan læses herunder uden illustrationer
(læs originaludgaven her)
Af Rolf Sylvester-Hvid, Nordic Test Forum 2025
Hvis man overvejer kompleksiteten i moderne elektronik og ser det i forhold til vores evne til at håndtere kompleksiteten under udvikling, produktion og ikke mindst testforløb undervejs, så er der løbende opstået en stadigt større afstand mellem DUT’ens (Device-Under-Test) kompleksitet og de værktøjer, som skal bruges i produktets vej fra idé til salgbart produkt. Det er selvfølgelig en enorm udfordring for ingeniører i alle lag – og ikke mindst inden for testmiljøerne – og det er nok en meget væsentlig grund til, at NTF – Nordic Test Forum – i sin seneste ”udgave” i Snekkersten i december 2025 kunne tiltrække 90 testingeniører fra hele Norden.
– Vi står nok over for den største teknologiske udvikling nogensinde, og den øgede kompleksitet udfordrer produktudvikling på en række områder, hvor pris, time-to-market, ydelse, præcision og flere andre forhold trækker parametrene i hver sin retning. Det gør markedet ekstremt uoverskueligt. AI har sat turbo på udviklingen af elektronikken i en grad, vi aldrig har set før. Det er faktisk så galt, at enkelte store udbydere af AI-løsninger med de nødvendige datacentre i dag køber cementfabrikker for at kunne bygge datacentrene hurtigt nok. AI har på under otte år ført til en forøgelse af ydelsen på rundt regnet en faktor 1000, investeringer på over 250 milliarder USD årligt og en udvikling, som i dag er tre gange hurtigere end Moores lov, indleder Kevin Schultz, CTO fra Emerson Test and Measurement (National Instruments) ved åbningen af NTF-konferencen.
Han påpeger, at AI er meget mere end ”bare” Large Language Models (LLM), og uanset om vi taler om machine learning, deep learning, generisk AI eller lignende, så er det de samme overvejelser, man bør gøre sig, og det gælder lige fra selve produktet eller DUT’en til det test- og måleudstyr, der skal bruges til at udvikle, modne og verificere nutidens og fremtidens elektroniske produkter. Virkeligheden inden for AI er teknologisk set placeret et sted mellem skeptikernes, ja, skepsis i forhold til AI’s anvendelighed og drømmernes tro på AI’ens uanede muligheder. Kevin Schultz mener, at vi bør tænke i generisk AI på samme måde, som vi for rundt regnet 25 år siden arbejdede med søgning på internettet. Hvis første prompt giver håbløse resultatet, så bør man justere sine prompts, for i sidste ende opnår man nok de relevante resultater.
– Kort opsummeret handler AI om at eliminere de arbejdstunge, manuelle processer, som ikke tilføjer nogen nævneværdig værdi til testforløb eller DUT. Vi kan også bruge AI til en mere effektiv visualisering af måleresultaterne. Vi bør lade os drive fremad af eksperternes viden om marked, produkt og testudstyr, så mennesket faktisk indledningsvis er i centrum af udviklingen. Næste skridt er at anvende komponenter og metoder, der er ”industrielt klar til brug” på en sikker, gennemskuelig og sporbar måde. Sidst kan vi forbedre produkt og test med AI, og det skal være en løsning, som accelererer arbejdet på en sømløs og let tilgængelig måde, konkluderer Kevin Schultz.
Fjern testmiljøets ”stille dræbere”
Box-instrumenter findes stort set i alle laboratorier, og selv om de da ”er helt nye”, er det sjældent tilfældet. De har som regel været i virksomheden længere, end man lige er opmærksom på. Det er nu sjældent dataopsamlingen, der viser sig at være ineffektiv, men nok snarere operativsystemer, displays og lignende support-funktioner i instrumenterne. Ifølge Mher Minasyan fra Emerson T&M (NI) er det et generelt problem, som man kan komme uden om ved at vælge en mere modulær arkitektur, hvor de enkelte komponenter kan samles i et kundespecifikt testsystem, hvor de ”stille dræbere” i hardware og software ikke ødelægger den samlede pris for testen – eller pålideligheden for den sags skyld …
– Backplane-baserede chassis-løsninger som PXI formår meget effektivt at adskille de forskellige domæner som dataopsamling, efterbehandling/viewers og interfaces til højere hierarkier i testmiljøet. På den måde bremser man ikke måleeffektiviteten eller præcisionen med en intern langsom processor med et gammelt windows-operativsystem i et box-instrument, men kan i stedet lynhurtigt overføre en højpræcis og high-speed dataopsamling til en lynhurtig ekstern computer, fortæller Mher Minasyan.
CIM er en af de virksomheder, som har benyttet de fordele, der ligger i den modulære sammenbygning af instrumenter – ikke mindst fordi CIM’s marked hen ad vejen har ændret sig, så det nu er farma, der udgør det største kundeunderlag for Hørsholm-virksomheden. CIM tager også afsæt i National Instruments- og Labview-økosystemet, og det giver mulighed for en mængde genbrug af blandt andet kode, men det kræver selvfølgelig fuldt styr på såvel source-kode som visionering. Sporbarheden bliver også bedre, hvis man respekterer sin versionering, når flere teams eller enkeltpersoner arbejder på det samme projekt.
– Det vil være katastrofalt at komme i en situation, hvor man laver om på hele måleapplikationen, hvis man bare ønsker at udføre nogle få ændringer på tilsvarende få punkter i målesystemet. Skal man for eksempel arbejde på visiondelen af en dataopsamling, er der ingen grund til at gå dybt i den eksekvérbare kerne i testløsningen. Versionering og partitionering er derfor glimrende hjælpeværktøjer for at holde styr på strukturen i hele systemet. Det minimerer risici for at ødelægge alt, konstaterer Anders Rohde fra CIM A/S.
Kompatibilitet, sporbarhed og digitale twins
En spændende case-historie kommer fra TRI test Research Europe GmbH. Virksomhedens foredragsholder, Anthony Wang, fortæller, hvordan man har forbedret et testforløb ved at skifte arkitekturen fra et parallelforløb til en fishbone-konfiguation. Det er gjort ved at have brugt en digital twin-løsning baseret på Nvidia Omniverse, som med AI er blevet programmeret og tunet, så en ny løsning har kunnet udvikles virtuelt, mens den eksisterende testløsning kørte – om end ikke så optimalt som det senere er blevet tilfældet.
– Vi har udført til simulering med en UPH-beregning (enheder i timen) med en efterfølgende verificering i en praktisk opsætning. Procesoptimeringen sker gennem en simulering af workflows, hvor det har været muligt at identificere de områder, hvor effektiviteten har kunnet forbedres. Det har også været muligt at beregne den prisreduktion, som et ændret setup af et testforløb har kunnet medføre. Og det er ikke noget tænkt forløb, men en komplet AXI-løsning (røntgeninspektion) til effekt-invertere til elbiler, fortæller Anthony Wang.
Med en forventet præcision på 90,5 procent i beregningerne udført af den digitale twin opnår man en tidsforbedring, hvor ”manuelle” opgaver, der tidligere tog 30 minutter, nu kan udføres på et minut med AI. I sin komplette form har det betydet, at tidsforbruget på at opsætte testløsningen er blevet reduceret med ca. 46 procent. Ved ydermere at køre AI ind i testforløbet har det været muligt at minimere antallet af tilkald af operatører, da kombinationen af trænede AI-modeller og inferens giver en klart forbedret billedkvalitet, ligesom AI-delen reelt formår at udføre over 64 procent af testarbejdet. Det betyder, at én operatør nu kan overvåge to linjer. Det sparer i sagens natur penge – og yield for gennemløbet af korrekt fungerende invertere i den faktiske applikation er blevet rundt regnet 10 procent bedre, samlet set.
– Det viser, hvordan digitale twins og AI-værktøjer i såvel setup som drift faktisk hjælper til at give bedre og mere fremtidssikrede testløsninger, slutter Anthony Wang.
Billedtekster:
1: Kevin Schultz peger på veje, hvor man kan indføre brugbare generiske AI-modeller til at forbedre sit testforløb. Det handler om at eliminere de arbejdsgange, som ikke tilfører værdi, og om at bruge AI som et styringsværktøj, der reducerer kompleksiteten i både DUT og testmiljø. Mennesket vil fortsat være i centrum – også i forhold til koderne.
2: Teit Poulsen fra Altoo repræsenterer nu også Rohde & Schwarz i Danmark og Norge. Altoo havde netop medbragt et 8-kanals MX03-oscilloskop fra Rohde & Schwarz.
3: ICT digitale twins fra Nvidia Omniverse bruger AI til programmering og tuning. Det kunne Anthony Wang fra TRI fortælle i et indlæg med et praktisk eksempel som udgangspunkt.
4: Der var fin summen i lokalet ved siden af konferencerummet, hvor 12 virksomheder viste innovative testløsninger og nye instrumenter.
