1030 | WEEK 50-51 13 DECEMBER 2023


HOOGLERAAR TIEDO TINGA VERZAMELT NOODZAKELIJKE DATA ‘Smart maintenance levert fikse kostenbesparing op’


45


Condities die in de praktijk vaak heel anders zijn dan op testfaciliteiten.


ENSCHEDE “Traditioneel is van tevoren al be- paald wanneer er onderhoud moet plaatsvin- den”, steekt prof.dr.ir. Tiedo Tinga van wal. Hij is hoogleraar dynamics-based mainte- nance aan de Universiteit Twente (UT) en de Nederlandse Defensie Academie (NLDA). Hij zoekt constant naar manieren om onderhoud van bij voorbeeld scheepsmotoren – dankbaar studieobject – en onderdelen daarvan just- in-time te kunnen uitvoeren, zodat er een kos- tenbesparing wordt gerealiseerd. “Onderhoud vindt nu nog plaats op vaste intervallen. Een x-aantal draaiuren en dan worden onderde- len preventief vervangen”, vertelt hij. “Die zijn soms nog lang niet stuk.”


vervangen, hoe meer reservedelen hij hierdoor verkoopt.” Het belang van de gebruiker is juist het tegenovergestelde, weet de hoogleraar. “Die wil graag zo weinig mogelijk onderhoud ple- gen, om zo de kosten zo laag mogelijk te hou- den.” Maar niemand uit deze laatste groep die de grens werkelijk durſt op te zoeken. Immers: draait de motor in de soep, dan ben je nog veel verder van huis. Toch zit er wel degelijk ‘rek’ in de levensduur van onderdelen. Rek die Tinga en zijn team proberen te vinden.


ALEX DE JONG


Desondanks noodzakelijk, zo denkt men, om- dat de reparatiekosten bij het kapot gaan vele malen hoger kunnen uitvallen. Maar wat als een onderdeel veel langer meegaat dan je denkt? Kortom: dat moet anders kunnen, vindt Tinga. En met hem ‘de markt’, die hier al jaren om vraagt. Inmiddels wordt er hard gewerkt aan het verzamelen van de noodzakelijke data. Diverse testopstellingen verspreid over het land moeten deze data opleveren, zo- dat ook defensie beter kan voorspellen wanneer iets moet worden vervangen. Uiteindelijk leiden deze in- zichten tot dynamisch on- derhoud, oſtewel: ‘smart maintenance’.


“Vergeet ook niet dat machines en hun onderde- len door de leveranciers getest worden in door- gaans ‘ideale’ omstandigheden, onder condities die in de praktijk vaak heel anders zijn.” Sterker nog: per ‘gebruiker’ zijn er steeds weer andere omstandigheden denkbaar, zodat er geen ‘one size fits all’-oplossing kan bestaan. Kortom: een standaard voldoet maar zelden aan de verwach- tingen van de individuele gebruiker. Dus moet er onder alle denkbare situaties worden getest. Professor Tinga: “Wij willen graag ieder speci- fiek gebruik meenemen in het bepalen van het meest ideale onderhoudsinterval.”


Hoogleraar Tinga


Tinga: “Bij onderhoud is het altijd de uitdaging om precies het juiste mo- ment te bepalen. Als je een beurt te vroeg plant, pleeg je onderhoud aan of ver- vang je dingen die nog niet versleten zijn. Maar doe je het te laat, dan faalt het systeem: draait een motor stuk en heb je er nog veel meer gedoe mee.” Het voorspellen van het juiste onderhoudsmoment vraagt om data, weet hij. Veel data. “Data die nog onvoldoende beschikbaar zijn.” Vandaar de diverse testop- stellingen, waarbij machines en onderdelen net zo lang doordraaien, totdat ze echt stuk gaan. Want alleen zo kan de daadwerkelijke levens- duur worden vastgesteld.


Reserveonderdelen Klinkt leuk, maar: hebben de leveranciers niet al de levensduur van een onderdeel of machine bepaald? “Ja, zij geven natuurlijk al richtlijnen mee”, merkt de hoogleraar lachend op. “Maar daarbij spelen tegengestelde belangen een rol. De leverancier levert namelijk ook de reserve- onderdelen, dus die heeſt er economisch be- lang bij om die levensduur niet al te hoog aan te houden. Hij zal dus aan de veilige kant gaan zitten, want hoe eerder het onderdeel wordt


‘Onze stip op de horizon - waar we graag naartoe willen - is dat we voor honderd procent kunnen voorspellen wanneer een bepaald machineonderdeel stukgaat’


Modelontwikkeling De testlocaties (In Den Helder op de NLDA, op de Haagse Hogeschool en in Twente op de UT) zullen diverse situaties en omstandigheden na- bootsen en zo uiteenlopende data verzamelen over wanneer en onder welke omstandigheid een specifiek ma- chineonderdeel kapot gaat. “Deze praktijkdata zijn zeer waardevol”, stelt Tinga. “Deze data hebben we nu nog niet. Bedrijven zeggen wel dat ze over heel veel data beschikken, maar dat blijken in de praktijk niet de data te zijn die we kunnen gebruiken. Er wordt doorgaans


slechts vastgelegd wát er kapot ging, maar niet onder welke condities iets is gebruikt, wat er ge- beurde voordat iets stuk ging, et cetera. Juist dat zijn allemaal data die we nodig hebben om te komen tot een modelontwikkeling, waarmee we onderbouwde voorspellingen kunnen doen.”


Dan moet je onder meer ook denken aan de temperatuur van het zeewater, het zoutgehalte van dat water, hoe lang een scheepsmotor heeſt gedraaid, wat de temperatuur was terwijl de motor draaide, et cetera. De onderhoudsprofes- sor: “Met onze testopstellingen proberen we veel beter gelabelde data te genereren, die we daar- na kunnen gebruiken voor het ontwikkelen van de algoritmes en de modellen.”


Autodetectie Tinga: “Onze stip op de horizon - waar we graag naartoe willen - is dat we voor honderd pro- cent kunnen voorspellen wanneer een bepaald machineonderdeel stuk gaat.” Op dit moment


Scheepsonderhoud vormt een dankbaar studieobject.


worden naar zijn zeggen de diverse tussenstap- pen onderzocht. “De eerste fase is om automa- tisch te detecteren dat er iets stuk gaat. Vaak weten we dat niet eens. Dan heeſt een machine misschien een kleine storing, maar functioneert nog wel nagenoeg normaal. Langer doordraaien leidt dan echter vaak tot veel grotere schade.”


En: “Als we op basis van data en sensoren kun- nen bepalen wát er (bijna) stuk gaat… Wat is er nu mooier dan dat je een waarschuwing krijgt met ‘onderdeel x is stuk - of gaat bijna stuk -, doe daar wat aan, voordat de motor in storing gaat.” Deze eerste fase, door Tinga ‘detectie’ genoemd, kan al veel ellende voorkomen, weet hij. “Deze waarschuwing voorkomt ernstige ‘downtime’. Een stap verder is een automatische ‘diagnose’. Dus dat je niet alleen automatisch vaststelt dat er iets aan de hand is, maar dat het systeem zelf ook kan bepalen en aangeven wat er precies aan de hand is. In de auto-industrie is dit overigens al gemeengoed en raadpleegt een garagist een computer om het probleem te detecteren, waar in de scheepvaart een complexe dieselmotor soms nog helemaal handmatig uit elkaar moet worden geschroefd en onderzocht. ‘Dat kost veel tijd.’


Voorspellingen Aan de ontwikkeling van deze twee stappen (detectie en diagnose) wordt nu hard gewerkt. Tinga: “Met de huidige sensordata is dit allemaal redelijk goed te doen. De derde stap - prognose - vergt ‘wat meer’ werk. Er zijn op dit moment namelijk onvoldoende data voorhanden om het algoritme dat dit soort voorspellingen kan doen, op de juiste wijze te trainen.” Daar is de markt overigens zelf debet aan, zo blijkt.


“Met onze traditionele manier van onderhoud plegen, hebben we heel erg ons best gedaan om te voorkomen dat dingen stuk gaan. Het onder- houd is eigenlijk te goed uitgevoerd. Wil je de ontbrekende data verzamelen, dan zou je even een tijdje geen onderhoud meer moeten uitvoe- ren en systemen wél kapot moeten laten gaan.” Ziehier de noodzaak van de testopstellingen, waarbij de systemen net zolang draaien totdat ze kapotgaan. “We hebben hier extra veel sen- soren aangebracht, zodat we alle data die horen bij het falen, kunnen registreren. Met de patro- nen die hiermee worden vastgelegd, hopen we dan de nodige inzichten te krijgen om in de toe- komst een storing van verre te zien aankomen.”


Professor Tinga: “Met smart maintenance voor- kom je dat dingen onverwachts stukgaan: je ziet het aankomen. Het voorkomt ook dat je te vroeg onderdelen gaat vervangen die helemaal nog niet aan het einde van hun economische levens- duur zitten. Hoeveel je hiermee kunt besparen? Dat is voor een ieder snel genoeg uit te rekenen. Óf je hanteert het standaard onderhoudsinter- val, óf je kunt dit met onze voorspellingen twin- tig procent oprekken, waardoor je dus twintig procent langer kunt doordraaien met een sys- teem dat nog geen onderhoud nodig heeſt. Dat betekent dat je er én geen onnodige manuren aan kwijt bent, én dat je ook (nog) geen reserve- onderdelen hoeſt te kopen.”


‘Dynamisch onderhoud in de praktijk nóg lastiger’


Onderhoudsprofessor Tiedo Tinga werkt met zijn team onder meer voor defensie.


Natuurlijk: smart maintenance, just-in- time weten welke onderdelen je moet vervangen om ‘downtime’ te voorkomen. Klinkt leuk, maar in de praktijk is het wel wat lastiger, weet hoogleraar Tiedo Tinga.


“Dynamisch onderhoud is het streven, maar wat nu als je een vloot met vijf sche- pen hebt die allemaal op een verschillen- de manier gebruikt worden, omdat ze al- lemaal een andere route varen met andere condities? Dan kan het voorkomen dat het ene schip eerder onderhoud nodig heeſt dan het andere”, stelt Tinga.


“Of dat een bepaald schip soms eerder en soms later onderhoud nodig heeſt dan verwacht, omdat het niet telkens op de- zelfde manier wordt ingezet. Tenslotte zijn er heel veel meer parameters die bepalen wanneer een scheepsmotor op bepaalde onderdelen onderhoud vergt”, zo weet de onderhoudsprofessor uit de praktijk.


Clusteren


En soms is dynamisch onderhoud wel- licht ook nog eens minder economisch rendabel dan je op het eerste gezicht zou denken. “Immers: een reder zit er niet op te wachten dat een schip iedere week op een bepaald vlak onderhoud nodig heeſt. Bijvoorbeeld: de ene week de dieselmotor en de andere week de pomp. Kortom, je zult een balans moeten vinden tussen wat enerzijds technisch gezien optimaal is, maar anderzijds ook financieel optimaal is. Tenslotte is het vaak veel praktischer om onderhoudsklussen te clusteren en het onderhoud te combineren. Ook al zijn dat soms dingen die in die specifieke week nog geen onderhoud vragen.”


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