Print:

Data is het nieuwe goud

Simon Jagers, Founder

LinkedIn profiel

“Met wiskunde kun je de wereld begrijpen”. Simon Jagers, Semiotic Labs, vertelt over de toekomstmuziek van 100% voorspelbaar onderhoud.

Wie is Simon Jagers?

Simon is ondernemer, docent en sinds tien jaar betrokken bij big data projecten. Nadat hij enkele bedrijven heeft opgestart met tussendoor dienstverbanden bij onder meer Dell, Oracle en EMC heeft hij in 2015 Semiotic Labs opgericht. Het bedrijf ontwikkelt oplossingen waarmee de conditie van assets gemonitord kan worden.

Onderhoudsvakmensen spreken over Predictive Maintenance en Condition Based Maintenance. Wat is het belangrijkste verschil?

“Predictive Maintenance en Condition Based Maintenance liggen dicht tegen elkaar aan. Beiden gaan uit van de conditie van assets om te bepalen wanneer onderhoud nodig is. Bij Predictive Maintenance ligt de nadruk vooral op het voorspellen van de conditie van assets, op basis van analyse van grote aantallen assets. Deze analyse wordt verrijkt met data over omstandigheden zoals draaiuren en weercondities. Op basis van die gegevens wordt getracht de toekomstige onderhoudsbehoefte van assets te voorspellen.

Binnen Condition Based Maintenance meten conditie-monitoring oplossingen de actuele conditie van assets en neemt dat als uitgangspunt voor het voorspellen van de toekomstige onderhoudsbehoefte. Het gaat hier over de conditie van individuele assets, zodat heel gericht onderhoud gepleegd kan worden.”

Kun je een voorbeeld noemen?

“Een voorbeeld van Predictive Maintenance: je hebt honderd machines, waarvan je weet dat ze twintig jaar meegaan. Van deze machines is een Mean Time Between Failure (MTBF) berekend. Als je gaat bijhouden welke omstandigheden bijdragen aan degradatie – zoals gebruik, weers- en andere externe omstandigheden-, dan verrijk je de MTBF met de invloed die deze condities hebben op de toestand van assets, zodat je de MTBF kan aanscherpen op basis van lokale omstandigheden. Met andere woorden: Je monitort de factoren die van invloed zijn op degradatie en berekent de kans dat onderhoud in de toekomst nodig is op basis van data over die omstandigheden.

Condition Based Maintenance vraagt om slimme conditie-monitoring. In plaats van de conditie van een asset in te schatten, bepaal je op welke manier de actuele conditie van een asset is vast te stellen. De doelstelling is om die conditie nauwkeurig te bepalen en op basis van die bepaling een uitspraak te doen over de Remaining Useful Lifetime voor die asset.”

Wat fascineert jou aan big data?

“Big data is wiskunde. Met wiskunde kun je de wereld beschrijven. Als je de wereld kunt beschrijven, kun je hem beter leren begrijpen. Met data en algoritmes kun je naar de toekomst kijken. Met big data en sensoren kun je in een elektromotor kijken, zonder dat je erin hoeft te zitten. Dat vind ik fascinerend.”

Hoe gebruik je deze technieken binnen het thema Shutdowns & Turnarounds?

“Wij proberen ongeplande shutdowns te voorkomen, door zo lang mogelijk ervoor te waarschuwen. Wij hebben hierbij twee concrete doelstellingen: 1) betrouwbare conditie monitoring, en 2) de doelstelling om de tijd tussen schade signalering en de daadwerkelijke shutdown zo groot mogelijk maken.

Een voorbeeld waarbij deze technieken de analyse van specialisten ondersteunen was bij een energiecentrale in Polen. Deze centrale kampte met een beschadigde ventilator, waardoor de centrale stilgelegd moest worden. En dat terwijl er geregeld inspecties en analyses van de data werden uitgevoerd. De analist had een opvallend patroon in de wirwar van grafieken gemist. Als hij deze wel had gesignaleerd, had uitval voorkomen kunnen worden.

Wij hebben een algoritme ontwikkeld op basis van diezelfde data, waarmee de gezondheid van de ventilatoren wordt beoordeeld. Als dat algoritme ten tijde van het ongeluk had gedraaid, had het een hoop schade kunnen voorkomen: We slaan enkele maanden voorafgaand aan het fatale event alarm. Met die informatie in de hand had de analist scherper opgelet en hadden aanvullende inspecties de zich ontwikkelende schade aan het licht gebracht.

Welke bedrijven in Nederland hebben een pioniersgeest?

Een paar bedrijven waar we mee samenwerken zetten sterk in op data gedreven innovatie.

Kaak group is wereldmarktleider voor installaties voor broodverwerking voor bakkerijen. Zij hebben als eerste in Nederland gebruik gemaakt van industrieel 3d printen. In hun ontwerpen kunnen zij nu beter inspelen op de behoeften van de klant.

Met Engie werken we samen om ongepland onderhoud te voorkomen. We hebben al een aantal succes volle projecten achter de rug en werken samen aan het ontwikkelen van diensten op basis van onze algoritmes en de technische kennis en marktkennis van Engie.

Met Strukton Rail werken bij ook veel samen. Bijvoorbeeld om de conditie van spoorwissels te monitoren. We voorspellen waarom en wanneer ze stukgaan, zodat het onderhoud kan plaatsvinden op het moment dat de reiziger er geen last van heeft. Voor Strukton Works kijken we met sensoren naar de conditie van verwarmingspompen in gebouwen.

Van welke landen kunnen we leren?

Nederland behoort tot de wereldtop van onderhoud! Verder kunnen we leren van ons buurland Duitsland – zij zetten sterk in op Industrie 4.0 – en Japan. De laatstgenoemde is erg ver op het gebied van de processen: onderhoud slimmer plannen en inrichten.

Welke industrieën lopen voorop?

In de vliegtuigindustrie wordt al veel aan conditie monitoring gedaan. Hier zetten ze alles op alles om een shutdown te voorkomen. Eigenlijk is de meeste innovatie te zien in de industrieën waarbij een shutdown kostbaar of gevaarlijk is. Opvallend is wel dat er nog relatief weinig gebruik wordt gemaakt van kunstmatige intelligentie.

Is het gebruik van kunstmatige intelligentie dichtbij?

Dat gebeurt al, en op steeds grotere schaal. Ons bedrijf had niet eens zo heel lang geleden geen schijn van kans gehad tegenover de gevestigde orde. Maar nu is er cloud computing, waardoor grote datasets goedkoop en eenvoudig kunnen worden opgeslagen en geanalyseerd. Wij gebruiken dat om onze algoritmes steeds beter te maken, en gebruiken daarbij dezelfde technieken als de allergrootste bedrijven ter wereld. Door deze “democratisering” van kunstmatige intelligentie vindt er enorm veel innovatie plaats, en wordt kunstmatige intelligentie steeds breder toegepast, ook binnen het onderhoud.

Hoe kunnen bedrijven in de industrie kunstmatige intelligentie inzetten om een shutdown te voorkomen?

Met kunstmatige intelligentie kan data op grote schaal omgezet worden in informatie. Denk bijvoorbeeld aan het automatisch “personaliseren” van patronen van gedrag voor individuele assets: daarmee is het mogelijk om heel nauwkeurig de gezondheid van een machine te bepalen en afwijkingen op gezond gedrag in een vroeg stadium te signaleren. Juist door die nauwkeurigheid kunnen vakmensen gerichter inspecteren en onderhoud plegen. Daardoor wordt onnodig werk voorkomen terwijl de aandacht juist gericht wordt op die assets die aandacht nodig hebben en kan uitval worden voorkomen.

Kunnen we toewerken naar een 0% shutdown?

100% betrouwbaarheid is simpelweg onmogelijk: er kunnen altijd incidenten optreden. Een schroevendraaier in een motor, dat werk. Wel denk ik dat 100% voorspelbaar onderhoud de nieuwe norm wordt voor rotating equipment. Binnen 5 tot 10 jaar is dat het uitgangspunt als je nieuwe machines aanschaft. Om daar te komen moet er nog veel gebeuren: Sensoren plaatsen, algoritmes door ontwikkelen, onderzoek naar faalmechanismen moet worden uitgebreid, etc. Maar de business case voor 100% voorspelbaar onderhoud is simpelweg te goed om te negeren. Er zijn inmiddels enorm veel partijen mee bezig, die allemaal stukjes van de puzzel oplossen. Ik ben dus erg optimistisch!

Welke grote fout maken bedrijven nog steeds?

Het belang van het maken en bewaren van data wordt onderschat. Dat geldt helemaal voor het maken en bewaren van data met als doel om onderhoud sneller, beter en goedkoper te maken. Kunstmatige intelligentie, in combinatie met sensoren en vakmanschap is de wereld van het onderhoud al aan het veranderen. Toch zijn er nog veel bedrijven die nog helemaal geen beleid hebben ten aanzien van data in het kader van maintenance. Mijns inziens moeten onderhoudsmensen zich oriënteren op de mogelijkheden van  data-gedreven onderhoud en bepalen welke data nodig is om hun ambities op dat vlak waar te maken. Vanuit die kennis is de volgende stap om data te gaan maken, bijvoorbeeld door sensoren te  plaatsen, en die data op te slaan.

Wat is de rol van samenwerking in dit geheel?

Alleen op basis van kunstmatige intelligentie ben je er niet. Het gaat om de samenwerking en afstemming tussen partijen die signaleren en partijen die er ook wat mee doen. Juist het inbrengen van flexibiliteit in het onderhoudsmanagement is interessant. Hiermee bedoel ik dat verschillende disciplines moeten samenwerken en informatie en actie met elkaar integreert.

Wat is hiervoor nodig?

Een holistische benadering. Op de eerste plaats vraagt dit om nauwe samenwerking tussen onderhoudsprofessionals, operationele teams en het algemeen management. Daarbij dienen onderhoudsvakmensen de erkenning te krijgen die ze verdienen.

Wij gebruiken cookies om IIR.nl gemakkelijk te maken. Bezoekt u onze website, dan gaat u akkoord met deze cookies meer informatie

De cookie-instellingen op deze website zijn ingesteld op 'toestaan cookies "om u de beste surfervaring mogelijk. Als u doorgaat met deze website te gebruiken zonder het wijzigen van uw cookie-instellingen of u klikt op "Accepteren" hieronder dan bent u akkoord met deze instellingen.

Sluiten