AI biedt echter nu al kansen voor anomaly detection
Op 21, 22 & 23 april a.s. vinden in Evenementenhal Gorinchem de vakbeurzen Maintenance en Worksafe gelijktijdig plaats. Samen vormen deze events een uniek platform in Nederland voor veilig onderhoud binnen de industrie. Bezoekers vinden hier zowel oplossingen die bijdragen aan de optimalisatie van onderhoud en asset management, als methodes en technologie om onderhoudswerkzaamheden veiliger uit te kunnen voeren. De aanwezige exposanten presenteren toepasbare technologieën en werkwijzen voor ambities en doelen.
Als aanloop naar deze beurzen spreken we met professor Tiedo Tinga over de ontwikkelingen op het gebied van voorspellend onderhoud. Komt dat er nu echt aan, of blijft het vooral bij praten in buzzwords?
Prof. dr.ir. Tiedo Tinga werkt als hoogleraar aan de Universiteit Twente en als hoogleraar aan de Nederlandse Defensie Academie op het KIM (Koninklijk Instituut voor de Marine) in Den Helder. We spraken Tinga zo’n twee jaar geleden in het kader van het SUPREME project (zie kader SUPREME) waarbij Tinga onderzoek deed naar voorspellend onderhoud bij de Hisarna plant van Tata Steel. Hoewel twee jaar tijd op industrieel gebied niet zo gek lang is, zijn die twee jaren op het gebied van digitale ontwikkelingen, zoals Big Data en Smart Industry, misschien wel lichtjaren. “Ik merk vanuit de industrie inderdaad een toename in interesse als het om voorspellend onderhoud gaat. Iedereen heeft het over Big Data, AI, en IoT. Er is geen industrie meer die denkt dat ze zonder kunnen. Ook op het gebied van maintenance zijn er veel partijen die zich realiseren dat er veel potentie in die ontwikkelingen zit. Aan de andere kant zijn er nog steeds geen enorme doorbraken geweest in de praktijk waarbij AI leidde tot een verhoogde mate van predictive maintenance.”
Algoritmes leren
Waar men een paar jaar geleden nog dacht dat het genereren van enorme hoeveelheden data, in combinatie met een slim (AI) algoritme eigenlijk vanzelf wel tot predictive maintenance zou leiden, is het realisme in de industrie weer enigszins teruggekeerd (Zie kader ‘model based vs data based’). De vraag op dit moment is of big data en AI in de toekomst überhaupt voor predictive maintenance zullen gaan zorgen, of dat het idee a priori niet werkt. “Met de data die nu doorgaans beschikbaar is, kunnen de huidige algoritmes niet de patronen zien die je nodig hebt”, legt Tinga uit. “Dat zit hem enerzijds in de kwaliteit en de relevantie van de data. Veel data is niet hetzelfde als goede data. Anderzijds wil je zo’n algoritme leren om failures te herkennen en dat is lastig, want die vinden, als het goed is, bijzonder weinig plaats.”
Hondenbrokjes
In een nieuw project, getiteld PrimaVera, waarbij een aantal universiteiten met elkaar samenwerken, wordt er specifiek gekeken naar een manier om failures te simuleren. Tinga: “We gebruiken daarbij fysische modellen waarin we failures simuleren. Daarmee proberen we data te genereren die we vervolgens weer gebruiken om de algoritmes te trainen. Je hebt daarvoor een visuele en functionele representatie nodig: een digital twin dus.”
Een volledige digital twin van een complexe plant is een kostbaar iets, maar volgens Tinga is het in veel gevallen helemaal niet nodig om een complete digital twin te modelleren. “Het gaat er om je de meest kritische onderdelen in kaart brengt. Dat is per slot van rekening ook het onderdeel waar je als asset owner het meeste risico mee loopt. Ook in een veertig jaar oude hondenbrokjesfabriek heb je bepaalde installaties die gevoeliger zijn voor storingen dan andere installaties. Van die specifieke installatie, of een onderdeel daarvan, maak je een eenvoudig modelletje, waarmee je inzicht krijgt in welke factoren mogelijk tot een storing kunnen leiden. Dat hoeft geen moderne VR-applicatie te zijn. Zoiets hoeft echt geen ton te kosten. Bij de Marine maken we ook geen digital twin van een compleet patrouilleschip. Dat is een eindeloze klus. We modelleren vooral specifieke systemen waar we meer van willen weten, bijvoorbeeld een koelwatersysteem.”
Pensioen kennisoverdracht
Toch komen we dan ook op een ander probleem terug in de procesindustrie. Om een eenvoudig model te maken waarin de kritische onderdelen van een bedrijf zijn vastgelegd, is er een grondige proceskennis vereist. En die kennis verdwijnt nu juist in rap tempo met de medewerkers die met pensioen gaan. ”Ik zou juist nu nog gebruik maken van die kennis en ervaring, want als die mensen straks echt weg zijn, kan je ze niet meer inzetten om modellen te maken”, adviseert Tinga.
Anomaly detection
Maar big data en AI zijn niet per definitie onbruikbaar, meent Tinga. “Met een goed algoritme kan je al wel op een behoorlijk niveau storingen detecteren en daar heb je als bedrijf concreet nu al iets aan. Je kunt storingen dan weliswaar niet voorspellen, maar je kunt wel bijna realtime constateren dát er iets aan de hand is en met behulp van die AI zijn die storingen vervolgens ook makkelijker op te sporen.”
Het detecteren van storingen, anomaly detection dus, stelt ook minder hoge eisen aan het type sensor en de positionering er van. “Veel data in fabrieken is van matige kwaliteit omdat de gebruikte sensoren ofwel verkeerd zijn gepositioneerd, of omdat ze helemaal niet bedoeld zijn voor het genereren van grote hoeveelheden maintenance-relevante data. Maar als je het over anomaly detection hebt, kan je met de gangbare parameters als druk, flow en temperatuur, wat eigenlijk overal al wel gemonitord wordt, al best veel doen.”
Filteren
Die anomaly detection is in de procesindustrie een veelbesproken onderwerp, want vrijwel iedere procesoperator werd in de afgelopen jaren geconfronteerd met meer beeldschermen, toetsenborden, muizen en vooral heel veel meer alarmen. Tinga: “Die anomaly detection kan je goed inzetten om uit die overload aan alarmen de relevante alarmen er uit te filteren. Wat je namelijk niet wilt is dat een procesoperator op een gegeven moment bepaalde alarmen gaat negeren, omdat die simpelweg te vaak voorkomen.”
Veel alarmen zijn gebaseerd op een bepaalde bandbreedte van een of meerdere sensoren. En vaak wordt er geen rekening gehouden met de operationele omstandigheden van dat systeem. “Neem nou een motor in een bepaald voertuig bij defensie: daar wordt op allerlei plaatsen de temperatuur gemeten. Het kan zijn dat een hoge temperatuur een indicatie is van een storing, bijvoorbeeld als je op lage snelheid rijdt. Maar op hoge snelheid is die hogere temperatuur veel aannemelijker. Met andere woorden: als je rekening houdt met de operationele condities kan je een deel van de alarmen wegfilteren.”
Brute kracht
Toch komt ook bij anomaly detection een zekere mate van model-based approach terug, meent Tinga: “Als je alleen maar blind naar de data uit de motor zou kijken, weet je niet genoeg over de operational conditions en kom je dus veel lastiger tot een praktische inzetbaarheid van de data dan wanneer je enige kennis van de fysieke eigenschappen van het systeem hebt en weet hoe die zich tot elkaar verhouden. Alleen maar brute AI kracht loslaten op een hoop data levert veel minder op dan data gericht inzetten in combinatie met systeem- en domeinkennis.”
Aan de andere kant houdt de hoogleraar een slag om de arm: “Je weet natuurlijk nooit of er over tien jaar wél met alleen heel veel data en superslimme AI aan effectief voorspellend onderhoud kan worden gedaan.”
Het SUPREME project
SUPREME staat voor Smart Sensoring and Predictive Maintenance in Steel Manufacturing. Met dit project richt Tinga zich met zijn onderzoeksgroep zich op slimme sensoren en voorspellend onderhoud in de staalindustrie. De HIsarna plant bij Tata Steel vormde de afgelopen jaren de pilotplant voor het onderzoek. Vorig jaar werd echter bekend dat het HIsarna proces niet op volledige schaal in Nederland zal worden gerealiseerd, maar in India. Voor het SUPREME project is daarom uitgeweken naar een case studie bij een andere Tata Steel plant.
Model based vs data based
De model-based approach van predictive maintenance is de tegenhanger van de zogenaamde data-analytics approach. Tinga: “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.”
Volgens Tinga wordt er nog te vaak een groot aantal sensoren lukraak in een applicatie geïnstalleerd met de gedachte dat de AI er vervolgens wel raad mee weet. Volgens de hoogleraar is het veel verstandiger om goed te kijken naar de zwakke plekken in de installaties en vervolgens op die plaatsen de juiste sensoren te installeren. Dat betekent echter wel dat er kennis nodig is van de meest kritische onderdelen van de assets en dat terwijl die assets steeds complexer worden.
De termen ‘model-based’ en ‘data-driven kunnen soms verwarrend zijn. Tinga: “Sommige partijen die data-driven werken, noemen hun modellen vervolgens ‘model-based’, maar het onderscheid is hoe men tot die modellen is gekomen: op een neuraal-netwerk achtige data manier, of op een fysische manier.”
Gesprek tussen asset owner en leverancier
Tijdens de vakbeurzen Maintenance en Worksafe staan niet alleen producten en diensten centraal, maar kan ook een vrij toegankelijk conferentieprogramma bezocht worden. Kennispartners belichten hier in interactieve sessies diverse actualiteiten. Zij delen kennis, inzichten en ervaringen over het toepassen van innovaties om assets slimmer en efficiënter te maken, het voorkomen van incidenten en het motiveren van medewerkers door draagvlak te creëren voor verbetering.
Hierbij ligt de focus niet alleen op technologische ontwikkelingen, maar ook op de wijze hoe deze geïmplementeerd kunnen worden: de mensen, de organisatie(structuur), leiderschapsstijl, de flexibiliteit.
Meer informatie over Maintenance & Worksafe en het conferentieprogramma is te vinden op www.maintenancegorinchem.nl & www.worksafe.nl.
Toegang tot dit evenement is volledig gratis wanneer u zich vooraf registreert met CODE 2543.
Bestel uw gratis ticket en krijg hiermee toegang tot beide vakbeurzen.
