Maintenance model-based versus data-analytics


Voorspellend onderhoud in T


Prof. dr. ir. Tiedo Tinga van de onderzoeksgroep Dynamics Based Maintenance, onderdeel van de faculty of engineering technology van de Universiteit Twente (UT), werd begin vorig jaar met een subsidie van 510.000 euro gehonoreerd voor het SUPREME project: Smart Sensoring and Predictive Maintenance in Steel Manufacturing. Met dit project richt de hoogleraar zich op slimme sensoren en voorspellend onder- houd in de staalindustrie. Tinga heeft, los van het project en de staalindustrie, een interessante visie op predictive maintenance, vooral in het huidige big data tijdperk.


inga’s SUPREME project focust zich op voorspellend onderhoud bij een produc- tieproces bij Tata Steel. Wat predictive maintenance is, hoeven we hier niet


meer uit te leggen, maar wat wél de moeite waard om nader uit te leggen, is de achterliggende methodiek van Tinga’s voorspellend onderhoud. “Wij gaan uit van de fysica, in plaats van alleen de data”, begint Tinga. “We proberen te snappen waarom onderdelen stuk gaan, te snappen wat de faalmechanismes zijn, welke belastingen tot falen leiden. Als je dat weet, kun je modellen maken waarin kan worden voorspeld wan- neer apparaten of onderdelen stuk gaan.”


Prof. dr. ir. Tiedo Tinga van de onderzoeksgroep Dyna- mics Based Maintenance, onderdeel van de faculty of engineering technology van de Universiteit Twente (UT)


Structureel De methode van Tinga, de model-based approach, is de tegenhanger van de zogenaamde data-analytics approach. “Bij deze laatste benadering zegt men eigenlijk: ‘Ik hoef niet te snappen hoe het systeem in elkaar zit. Als ik maar veel data heb, vindt de compu- ter vanzelf wel de verbanden en patronen en kunnen we ook voorspellingen doen over de status van onderdelen en machines.’ Wij denken echter dat die data-analytics z’n beperkingen heeft. Wij denken dat het beter is om te weten hoe je applicaties in elkaar zitten en vanuit de reeds genoemde fysica je modellen te maken.” Verreweg de meeste bedrijven die zich bezighouden met predictive maintenance doen dat op basis van de data-analytics approach. Volgens Tinga is dat begrijpe-


lijk: “De afgelopen decennia is er steeds meer data voorhanden gekomen. Partijen zijn daar ingestapt met het idee dat als er toch zoveel data is, je met een aantal slimme algoritmes aan voorspellend onder- houd kunt doen.” De termen ‘model-based’ en ‘data-driven kunnen soms verwarrend zijn. Tinga: “Sommige partijen die data- driven werken, noemen hun modellen vervolgens ‘model-based’, maar het onderscheid is hoe men tot die modellen is gekomen: op een neuraal-netwerk achtige data manier, of op een fysische manier.” Er zijn volgens Tinga zeker wel successen te melden die met data-analytics predictive maintenance tot stand zijn gekomen. “Mijn beeld is echter dat dit voornamelijk toevallige successen zijn op specifieke toepassingen. Het is nog geen enkel bedrijf gelukt om structureel, voor bijvoorbeeld een hele serie machines, dit systeem goed werkend te krijgen.”


Incompleet Volgens Tinga is er een duidelijke reden aan te wijzen waarom data-analytics predictive maintenance vaak niet echt werkt. “De data is vaak niet compleet en ook niet van de beste kwaliteit”, begint hij. “Bedrijven zeggen wel dat ze veel data hebben, omdat ze veel sensoren hebben en veel geld hebben geïnvesteerd, maar als je dan even doorvraagt, kom je er vaak achter dat de data die ze hebben niet erg indicatief is voor mogelijke storingen en voor hoe apparaten gebruikt worden. Soms worden de sensoren simpelweg op de verkeerde plaatsen geïnstalleerd. Het is niet de bedoe- ling dat je maar een serie sensoren lukraak installeert,


Wij gaan uit van de fysica, in plaats van alleen de data. We proberen te snappen waarom onderdelen stuk gaan, te snappen wat de faalmechanismes zijn, welke belastingen tot falen leiden...


6 | nummer 5 | 2018


Page 1  |  Page 2  |  Page 3  |  Page 4  |  Page 5  |  Page 6  |  Page 7  |  Page 8  |  Page 9  |  Page 10  |  Page 11  |  Page 12  |  Page 13  |  Page 14  |  Page 15  |  Page 16  |  Page 17  |  Page 18  |  Page 19  |  Page 20  |  Page 21  |  Page 22  |  Page 23  |  Page 24  |  Page 25  |  Page 26  |  Page 27  |  Page 28  |  Page 29  |  Page 30  |  Page 31  |  Page 32  |  Page 33  |  Page 34  |  Page 35  |  Page 36  |  Page 37  |  Page 38  |  Page 39  |  Page 40  |  Page 41  |  Page 42  |  Page 43  |  Page 44  |  Page 45  |  Page 46  |  Page 47  |  Page 48  |  Page 49  |  Page 50  |  Page 51  |  Page 52  |  Page 53  |  Page 54  |  Page 55  |  Page 56  |  Page 57  |  Page 58  |  Page 59  |  Page 60  |  Page 61  |  Page 62  |  Page 63  |  Page 64