In de onderhoudswereld gaat het steeds vaker over data. Niet zomaar data, maar big data. Als in ‘groot, veel en complex’. De ware ‘technerd’, die zich dagelijks met deze materie bezig mag houden, ziet de potentie. Simon Jagers van Semiotic Labs verwacht dat er de komende jaren veel verandert. ‘We zijn er nog lang niet, maar vanaf nu gaat het wel snel. Over vijf jaar wordt alle nieuwe equipment gemonitord.’

Met big data worden datasets bedoeld die zo groot en complex zijn dat ze niet met de reguliere datamanagementtools of traditionele dataverwerkingsapplicaties kunnen worden verwerkt. Er zijn ingewikkelde algoritmes nodig om verbanden te leggen en conclusies te trekken. ‘Vanuit onderhoudsperspectief is data pas waardevol als je op basis hiervan mitigerende maatregelen kunt nemen’, legt Simon Jagers uit.

Hij heeft zich samen met enkele andere ‘technerds’ – een geuzennaam die Jagers zichzelf en zijn collega’s heeft gegeven – gestort op het verwaarden van data. ‘Hoe kun je beschikbare data efficiënt benutten om te zorgen dat het je bedrijfsvoering ten goede komt? Dat is eigenlijk de centrale vraag. Maar die vraag bleek lastig te beantwoorden.’

Moment van falen

Het oorspronkelijke idee van Semiotic Labs was om algoritmes los te laten op data om deze waarde te geven. De focus lag hierbij op onderhoud. ‘Waarom? Simpel. Bedrijven willen dat dingen het blijven doen en dat betekent dat onderhoud moet worden gepleegd.’

De data is van waarde wanneer op basis van deze informatie het moment van falen tijdig wordt aangekondigd en ongeplande stilstand wordt voorkomen. En als data kan worden vertaald naar een efficiënt onderhoudsplan afgestemd op drie aspecten: de beschikbare mensen, aanwezige reserveonderdelen en de geplande momenten van stilstand. ‘Dat zijn inderdaad nogal wat eisen, maar wij waren optimistisch. Er is zo veel data beschikbaar, daar moet wel waardevolle informatie uit voortkomen.’

Die hoeveelheid data is inderdaad een zegen, maar ook een vloek. ‘Na de eerste projecten moesten we concluderen dat de beschikbare data wel heel divers was en ook nog eens moest voortkomen uit verschillende databases. Het feit dat er veel data is, betekent niet automatisch dat in die data waarde zit. Het was lastig om op voorhand te bepalen of bepaalde data waardevol zou kunnen zijn. Op basis van onze eerste opdrachten was het vaak wel mogelijk om te voorspellen wanneer iets stuk zou gaan, maar pas vlak van tevoren. Er moest meer uit te halen zijn. Dus, mouwen opstropen en door!’

tekst gaat verder onder de afbeelding
(c) Semiotic Labs

(c) Semiotic Labs

Proof of concept

Allereerst werd focus aangebracht. In Europa draaien honderd miljoen elektromotoren en deze werken allemaal volgens hetzelfde principe. Om voor deze motoren patronen van gedrag te kunnen genereren, ontwikkelde Semiotic Labs een sensor die stroom meet. ‘Als we de patronen van een goed draaiende elektromotor als consistent gegeven kunnen beschouwen, dan is alles dat hiervan afwijkt waardevolle informatie’, legt Jagers uit. Ook bleek dat specifieke vormen van falen een eigen vingerafdruk achterlaten in de patronen. ‘We zagen niet alleen vingerafdrukken voor bijvoorbeeld kortsluiting in de stator, maar ook het caviteren van een pomp is duidelijk waarneembaar.’

Driehonderd exemplaren van dit ‘proof of concept’ werden in het eerste kwartaal van het afgelopen jaar geïnstalleerd bij tien early adopters. ‘Wederom zeer leerzaam’, vertelt Jagers ‘De meetgegevens uit het veld waren grilliger dan die we in ons lab hadden gegenereerd. Uit de praktijk bleek namelijk dat het aanslaan van een andere motor of machine effect heeft op de metingen. Ook wanneer in de buurt een lasapparaat wordt gebruikt, is dit zichtbaar in de statistieken.’

Toch kunnen de gemeten pieken wel degelijk worden beschouwd als waardevolle data, maar alleen als deze informatie wordt gekoppeld aan andere data. ‘Deze ‘andere data’ moet dus op de juiste manier worden vertaald. Je wilt weten hoe groot de impact is van andere data op de elektromotor waarvan jij het moment van falen wil kunnen bepalen.’

Om dit te kunnen doen, moest het team opnieuw aan de slag om nieuwe hardware te ontwikkelen.

Derde versie

Met vallen en opstaan heeft Semiotic Labs uiteindelijk een methode ontwikkeld waarin sensoren en algoritmes data omzetten in informatie over de conditie van elektromotoren en rotating equipment. Deze methode is zich nu keihard aan het bewijzen, vertelt Jagers. ‘We brengen het nu echt naar ‘the next level’. We gaan op schepen van de Koninklijke Marine sensoren aanbrengen om met name de gezondheid van de koelinstallatie en de airco te monitoren. Belangrijke assets voor een schip.’

Dit brengt nieuwe uitdagingen met zich mee. ‘Aan boord wordt de elektriciteit geleverd door generatoren, dus de spanning is van een andere kwaliteit dan we gewend zijn. Daarnaast is het schip constant in beweging en ook dit is van invloed op de elektromotoren.’

De grote vraag is nu of het bedrijf ook aan boord van een schip kan monitoren. Jagers: ‘De marine gaat een eigen conditiemonitoring uitvoeren zodat de gegevens naast elkaar kunnen worden gelegd. Deze vraag zal dan al snel kunnen worden beantwoord. Evenals de vraag of een systeem voor datagedreven onderhoud de marine gaat helpen om onderhoud efficiënter uit te voeren.’

Groot onderhoud, vervangingen of falen van equipment tijdens een missie zijn geen optie. Kan dit worden gepland op een moment dat medewerkers en reserveonderdelen beschikbaar zijn? ‘Wij denken van wel.’

Hoogste mate van beschikbaarheid

Moraal van dit verhaal is dat de grote hoeveelheid beschikbare data wel degelijk waarde heeft, mits je het waarde geeft. In het tijdperk van het internet of things is het mogelijk om het functioneren van machines te modelleren in patronen die iets zeggen over de staat waarin ze verkeren. Jagers legt uit hoe dit proces er in grote lijnen uitziet. ‘Verschillende sensoren genereren data en dit wordt naar de cloud gestuurd. Hier draai je vervolgens algoritmes op.’

Een algoritme is een reeks instructies, die wordt gebruikt om een probleem op te lossen. Uiteindelijk zal hier ‘actionable information’ uit voort komen, waardevolle, bruikbare inzichten over de gezondheid van de machines. ‘De klant wil immers weten of hij werkzaamheden moet uitvoeren en ook wanneer en hoe.’ Alles is erop gericht om de hoogste mate van beschikbaarheid van kritieke apparatuur te waarborgen door middel van datagedreven inzichten.

tekst gaat verder onder de afbeelding
(c) Semiotic Labs

(c) Semiotic Labs

Neveneffecten

Volgens Jagers wordt er tot op heden al wel veel over big data gesproken, maar hebben we nog een lange weg te gaan. ‘We beseffen dat het waardevolle input is, maar we zijn er nog lang niet.’ Hij heeft het niet alleen over de juiste technieken van verzamelen en analyseren van de data. ‘Het gaat ook over nieuwe businessmodellen, wie is eigenaar van de vergaarde data? Je gaat steeds meer zien dat de leverancier van de machine, die ook verantwoordelijk is voor het onderhoud, geen machines meer levert, maar draaitijd.’ Dit principe wordt ook wel servitisation genoemd waarin een productleverancier op basis van het product een dienst gaat leveren. ‘Een interessante ontwikkeling, want hierdoor werken zowel asset owner als OEM’er aan een optimalisatie van de machine, terwijl de serviceafdeling voorheen onderdeel was van het verdienmodel van de machinebouwer.’

Jagers erkent dat deze ontwikkeling ook gevolgen heeft voor de manier waarop het onderhoudswerk wordt uitgevoerd. ‘Waar een monteur vroeger zijn zintuigen gebruikte om informatie te krijgen – hoe klinkt de machine, hoe ziet het eruit – kan hij nu data uitlezen. Op basis daarvan kan hij bepalen of equipment naar behoren draait. Worden afwijkingen geconstateerd, dan kunnen we gericht uitzoeken of we weten wat de oorzaak hiervan is en of onderhoud of vervanging nodig is. Maar de specialist blijft belangrijk. Het laagwaardige werk wordt overgenomen door sensoren maar sensoren en algoritmes doen slechts de eerste beoordeling. De specialist kan vervolgens effectiever worden ingezet.’

Toekomst

Jagers denkt dat over vijf jaar alle nieuwe equipment wordt gemonitord en dat over tien jaar correctief onderhoud tot het verleden behoort. ‘Dit is niet een ontwikkeling die op zichzelf staat. Alles heeft met elkaar te maken. Het is een onderdeel van de vierde industriële revolutie waarin bijvoorbeeld ook de sensor- en batterijtechnologie is verbeterd en waarin opslag en verwerking van data in de cloud betaalbaar en nagenoeg oneindig is.’ Hiermee is het mogelijk om continu te meten. ‘Continue opslag is overigens niet nodig. Alleen afwijkingen en samples worden opgeslagen.’

Datagedreven onderhoud is tevens een antwoord op de problematiek rondom het vinden van nieuwe technici. ‘Deze techniek geeft ons de gelegenheid om onderhoud veel efficiënter uit te voeren zodat we met de beschikbare mensen toe kunnen.’

Honderd procent voorspelbaar onderhoud is volgens Jagers binnen bereik. ‘Maar het moet wel een mix zijn van kwaliteitsdata die op de juiste manier wordt vergaard en geanalyseerd.’ Een samenwerking tussen technici en data-analisten dus, waarbij de data wordt ingezet als versterking van de mens die nog altijd beschikt over capaciteiten die ook zeer waardevol zijn: ervaring en intuïtie. En daar valt geen algoritme op los te laten.

Openingsfoto: Laura van der Linde