12 jun. 2019
2 minuten
Een team onderzoekers onder leiding van UT-hoogleraar Marielle Stoelinga ontvangt van wetenschapsfinancierder 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. UT-hoogleraar Marielle Stoelinga en Tiedo Tinga zijn trekkers van het project.
Bestaande predictive-maintenancetechnieken werken alleen voor kleinschalige systemen en zijn moeilijk op te schalen. Keuzes die op één plek in de keten gemaakt worden, 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.
Gehele onderhoudsketen
Volgens Stoelinga is het uniek dat binnen dit project de hele onderhoudsketen behandeld wordt en dat er een multidisciplinair team aan werkt. "We beginnen met betere sensoren om zo betere metingen te doen. Vervolgens verwerken we die ruwe data tot zinvolle informatie, waaruit we vervolgens 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."
De onderzoekers gaan daarnaast werken aan 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 kan leiden tot meer in plaats van minder fouten. Data science is daarom onmisbaar binnen dit project."
Hoe gaan mensen om met big-data-advies?
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. "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. Want als je geen rekening houdt met hoe mensen met onderhoudsbeslissingen omgaan, en informatie interpreteren, dan kan alles voor niets geweest zijn."
Anderen lazen ook
