Prof. Dr. ir. Tiedo Tinga van de onderzoeksgroep Dynamics Based Maintenance, onderdeel van de faculty of engineering technology van de TU in Twente, werd begin vorig jaar met een beurs 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 onderhoud 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.
In je onderzoek zeg je met een model-based benadering te werken. Wat houdt dat in? Tinga: “De model-based benadering 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 computer 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.
Maar de meeste (industriële) bedrijven gebruiken dus die data-analytics benadering? Tinga: “Ja. De afgelopen decennia is er steeds meer data voorhanden gekomen. Partijen zijn daar in gestapt met het idee dat als er toch zoveel data is, je met een aantal slimme algoritmes aan voorspellend onderhoud kunt doen.”
Zijn er van die data-analitycs geen succesvolle casussen bekend? Tinga: “Jawel, maar 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.”
Dus we hebben eigenlijk niks aan die hele big data? Tinga: “Dat beweer ik zeker niet. Het idee achter big data is goed. Je kunt met slimme algoritmes veel bereiken, maar dan moet die data wel relevant zijn. Als jij zorgt voor goede data, kan een goed algoritme tot prima modellen komen, ook nog eens veel makkelijker dan wanneer je data slecht is.”
We zijn dus niet compleet op het verkeerde spoor in de procesindustrie? Tinga:”Het goede van de huidige ontwikkelingen op het gebied van predictive 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 gebruik moet maken van de kennis die aanwezig 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 anderzijds gebruik wordt gemaakt van big data.”
Lees het complete, voor de industrie zeer relevante verhaal, in Process Control 5, 2018.
