5 miljoen voor predictive maintenance met big data algoritmen

Een team onderzoekers onder leiding van hoogleraar Marielle Stoelinga van de Universiteit Twente ontvangt van NWO vijf miljoen euro voor het project ‘PrimaVera: Predictive maintenance for Very effective asset management’. Binnen dit project worden big data algoritmen ingezet om storingen aan infrastructuur en productiemiddelen beter te voorspellen en zo onderhoud beter te plannen. NWO verstrekt het geld in het kader van de Nationale Wetenschapsagenda.

Stoelinga is samen met professor Tiedo Tinga een van de trekkers van het project. ‘Predictive maintenance is een veelbelovende technologie’, vertelt Stoelinga. ‘Beter onderhoud en minder storingen tegen lagere kosten, dat wil iedereen. Echter, om predictive maintenance te realiseren zijn er heel wat harde noten te krake, en die willen we binnen PrimaVera oplossen.’

Bestaande predictive-maintenancetechnieken werken alleen voor kleinschalige systemen en zijn moeilijk op te schalen. Keuzes die op één plek in de keten worden gemaakt, hebben een belangrijke invloed op andere processen in de keten. De keuze voor een bepaald type sensoren en metingen heeft invloed op het soort van voorspellingen dat men kan doen, en daarmee ook de kwaliteit van de voorspellingen. Daarom worden binnen PrimaVera cross-level optimalisatiemethoden ontwikkeld.

Clusteren

Volgens Stoelinga is het uniek dat binnen dit project de hele onderhoudsketen wordt behandeld en dat er een multidisciplinair team aan werkt. ‘We beginnen met betere sensoren om zo betere metingen te doen’, zegt Stoelinga. Vervolgens verwerken we die ruwe data tot zinvolle informatie, waarmee we voorspellingen doen over de conditie en het storingsgedrag van een systeem. Op basis van die conditie bepalen we dan wanneer er onderhoud nodig is. De complexiteit zit hem vooral in het feit dat je onderhoudsacties ook zo veel mogelijk wil clusteren, zodat je niet twee keer achter elkaar een machine of spoorwegvak hoeft stil te leggen voor onderhoud.’

Omschakeling

Stoelinga en haar collega-onderzoekers gaan daarnaast werken aan veel betere en schaalbare prognose-methoden voor storingen. ‘Voorspellend onderhoud valt of staat met de kwaliteit van de prognosemethoden. Onjuiste voorspellingen over de conditie van een brug of machine kunnen leiden tot meer in plaats van minder fouten. Data science is daarom onmisbaar binnen dit project.’

Predictive maintenance vergt volgens de onderzoekers ook een omschakeling in de bedrijfsprocessen. Als algoritmen in plaats van onderhoudsexperts bepalen welke onderhoudsacties worden uitgevoerd, is die omschakeling nodig. Stoelinga: ‘Er is heel weinig bekend over hoe onderhoudsmedewerkers en -planners omgaan met de adviezen die uit big data algoritmen komen. Dat is onontgonnen terrein, waar we graag aan willen werken.’