niet, ben je waarschijnlijk allerlei dingen aan het meten die helemaal niet relevant zijn voor die storing.”


Failures Een ander probleem is dat veel bedrijven voor het genereren van hun data gebruik maken van bestaande sensoren in hun ap- paratuur. “Tegenwoordig hebben heel veel apparaten veel sensoren aan boord. Die sen- soren zijn echter meestal niet zozeer ont- worpen voor conditiebewaking, maar veel meer voor process control, het aansturen van het proces dus. Allerlei SCADA-achtige applicaties houden dus prima de druk, flow en temperatuur bij, maar zijn niet bedoeld om storingen te detecteren en al helemaal niet om storingen te voorspellen.” En dan is er nog een probleem: de data-dri- ven approach is ingericht op het verzamelen van zoveel mogelijk data die voorspellend zijn voor storingen. Echter, de maintenance- sector is ingericht op het voorkómen van deze storingen. Tinga: “Het aantal echte failures dat je tegenkomt is dus per definitie vrij klein, terwijl die data-driven modellen juist die failure data nodig hebben om tot een enigszins betrouwbare werkwijze te kunnen komen.”


Verschillen Volgens Tinga zijn er grote verschillen tussen diverse (industriële) sectoren op het gebied van datakwaliteit. “Als je naar de luchtvaart kijkt, zie je dat door de strenge eisen de data nog van redelijke kwaliteit is. Maar als je de luchtvaart vergelijkt met de maritieme sector, of het spoor, dan is direct merkbaar dat door lagere veiligheidseisen de kwaliteit van data afneemt. In de procesindustrie zijn er ook verschillen tussen veiligheidseisen in de onderliggende sectoren en ik kan me voorstellen dat er daarom ook in de industrie sterke onderlinge verschillen zijn.”


Honderd jaar Er is een reden dat je meer data-based dan model-based predictive maintenance tegen- komt in de praktijk. Tinga: “Model-based kost enorm veel tijd om te ontwikkelen. Dat gaat echt op component niveau. In com- plexe systemen, bijvoorbeeld een compleet marineschip, ben je honderd jaar bezig voordat je al die modellen per component af hebt. Op zo’n schip ga je dus geen model- len maken van alle afzonderlijke componen- ten, maar focus je meteen op de kritische onderdelen. Voor alle overige componenten moet je die modellen op een andere manier vormgeven. Ofwel data gedreven, of op basis van ervaring, of door het overnemen van de richtlijnen van de fabrikant.”


8 | nummer 5 | 2018


Het goede van de huidige ontwikkelingen op het gebied van predictive maintenance is dat men er in ieder geval mee bezig is...


Hybride Volgens Tinga is het niet zo dat men in de procesindustrie compleet op het verkeer- de spoor zit. “Het goede van de huidige ontwikkelingen op het gebied van pre- dictive maintenance is dat men er in ieder geval mee bezig is. Data driven modellen hoeven ook niet persé slecht te zijn, maar ik denk dat je daarnaast heel handig ge- bruik moet maken van de kennis die aan- wezig is over de componenten vanuit de fysica. Ik denk dat er op termijn toekomst


is voor hybride modellen waarin enerzijds die fysica wordt meegenomen en ander- zijds gebruik wordt gemaakt van big data. Ook voor een fabriek is het namelijk, net als dat marineschip, niet te doen om op com- ponent niveau die modellen te genereren. Dat is niet feasible. Maar de andere kant, waarbij een component een soort black box is en waarbij een engineer volledig moet vertrouwen op een model dat op basis van veel data iets voorspelt, die werkt ook niet. Je moet dus naar een hybride vorm toe.”


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