Deze website maakt gebruik van cookies. Voor meer informatie over de cookies waarvan deze website gebruik maakt klik hier.
Door verder op deze website te surfen geeft u de toestemming aan Minoc Data Services om cookies te gebruiken. verder gaan
 

Big data aan de oorsprong van predictive maintenance

Pieter-Jan Claes

 
Bedrijven verzamelen zoveel mogelijk gegevens over klanten en hun eigen interne processen en werking. Welke voordelen halen deze organisaties nu eigenlijk uit die rijkdom aan informatie? Zien zij door de bomen het bos nog?

 

Bedrijven kunnen door het bestuderen van gegevens veel leren over de werking van hun eigen organisatie, op voorwaarde dat die data op een goede manier wordt verwerkt. “Big data is nog maar het begin”, stelt Dmitri Tcherevik, Chief Technology Officer van Progress Software. “Bedrijven moeten manieren bedenken om bruikbare informatie uit die hoop gegevens te halen om de werking in hun organisatie te verbeteren.”

Het verzamelen van data is een eerste stap in de digitale transformatie binnen een bedrijf. “Een KMO of enterprise moet stap voor stap te werk gaan om informatie te vergaren, te analyseren en toe te passen”, zegt Tcherevik. Het verzamelen van zowel interne als externe informatie valt onder de term ‘big data’, maar daar eindigt het verhaal niet.

 

Machine learning

 

In marketing is het al langer de gewoonte om data grondig te bestuderen om doelgroepen te onderscheiden en verkoopstrategieën te optimaliseren. Bedrijven kunnen evengoed leren van big data, maar dan moet die informatie eerst geanalyseerd worden. Diegene die dat harde werk moeten uitvoeren, zijn bovendien geen mensen, maar zelflerende computers met neurale netwerken. “Machine learning vormt de basis van de analyse van de verzameling aan gegevens”, verduidelijkt Tcherevik.

Machine learning en big data bieden samen de mogelijkheid om interne bedrijfsprocessen en toestellen onder de loep te nemen en te onderwerpen aan diepgaande analyses. “Deep learning kan aan de hand van metingen van sensoren een baselinemodel opstellen en dat permanent vergelijken met real-time gegevens”, stelt Tcherevik. “Aan de hand van een meting van een sensor in een machine, kan je achterhalen of het toestel beschadigd is of foutloos werkt.”

 

Predictive maintenance

 

Het baselinemodel wordt opgesteld aan de hand van big data en de analyse met deep learning biedt de mogelijkheid om vroegtijdig problemen vast te stellen in de interne werking van toestellen en bedrijfsprocessen. Door real-time informatie te vergelijken met het beschikbare baselinemodel kan je nakijken of een toestel optimaal functioneert en indien nodig een onderhoud uitvoeren. “Dat noemen we predictive maintenance”, zegt Tcherevik. “Het uitvoeren van periodiek onderhoud is door de technologie niet meer nodig.”

“Als een meting van een sensor niet overeenkomt met het gangbare patroon van het baselinemodel, dan weet het systeem dat het toestel beschadigd is of niet correct werkt”, weet hij. “Door een afwijkende waarde van een sensor boven of onder de verwachte resultaten, kunnen technici een fout in het toestel eenvoudig opsporen en met een onderhoud verhelpen.”

 

Integratie

 

Een organisatie kan met behulp van predictive maintenance voorspellen of een systeem al dan niet op het punt staat om te bezwijken, op voorwaarde dat het systeem de lezingen van de sensoren tijdig met een baselinemeting vergelijkt. “Ik heb nog geen industrie gezien waar de implementatie van de technologie niet mogelijk is”, weet de CTO.

“Een onderneming moet niet de hele bedrijfsinfrastructuur wijzigen, want de bestaande systemen blijven grotendeels behouden”, benadrukt Tcherevik. “De technologie is een toevoeging, niet een wijziging.”

Om de kosten voor de integratie van predictive maintenance te beperken, kiezen organisaties om de technologie enkel te gebruiken in de meest kritieke onderdelen van het bedrijf. Het gaat vaak over systemen die, als ze uitvallen, de dagelijkse werking van het bedrijf hinderen of zelfs stopzetten.

 

Kostenbesparend

 

Predictive maintenance voorkomt het plotseling stilvallen van interne bedrijfsprocessen door problemen te voorspellen en onderhoud in te plannen. Op lange termijn resulteert de technologie in een goedkopere en betrouwbaardere werking van de systemen door overbodig onderhoud te voorkomen.

Bovendien stelt de technologie een onderneming in staat om vroegtijdig storingen op te sporen en toestellen uitsluitend te onderwerpen aan onderhoud als dat ook effectief noodzakelijk is. Zo kan het onderhoudsteam een reparatie inplannen op tijdstippen dat de onderhoudsactiviteiten het meest kosteneffectief zijn en een minimale impact hebben op de werking van het bedrijf.

 

Problemen

 

Het vertrouwen in predictive maintenance steunt op twee pijlers: de volwassenheid en betrouwbaarheid van de technologie. De volwassenheid komt voort uit de kwaliteit van de big data en die moet voldoen aan specifieke voorwaarden vooraleer deze bruikbaar is. “Als gegevens niet zuiver genoeg en niet bereikbaar zijn, verloopt het opstellen van een betrouwbaar baselinemodel met deep learning moeilijk”, weet Tcherevik.

Voor ondernemingen speelt ook de betrouwbaarheid van de foutmeldingen een belangrijke rol. “Predictive maintenance mag niet te veel vals positieve resultaten geven, anders verliezen bedrijven het vertrouwen in de technologie.”

 

Augmented reality

 

Predictive maintenance kan een fout in een toestel zonder problemen lokaliseren, maar daarnaast kan door de toevoeging van complexe 3D-modellen een fout ook visueel voorgesteld worden in een augmented reality-headset. “Big data laat je toe om in de toestellen te kijken en informatie te aanschouwen die je anders niet kan zien”, illustreert onze expert. “In combinatie met augmented reality-brillen, kan de beschikbare data in real-time een reparateur begeleiden tijdens een herstelling aan het toestel.”

Richtlijnen bij het onderhoud en ondersteuning bij het werk kunnen voor de drager van de augmented reality-bril een hulpmiddel zijn tijdens een reparatie. Vooraleer dat mogelijk is, moet veel data gecombineerd worden. “De beschikbare real-time data moet in een realistisch 3D-model worden gegoten dat daarnaast ook rekening houdt met de informatie over de locatie en kijkhoek van de gebruiker die de augmented reality-headset draagt”, zegt Tcherevik. “Als het model goed functioneert, krijgt de drager van de slimme bril toegang tot een ongeziene hoeveelheid aan informatie over de huidige staat van het toestel, de mogelijke defecten en de te ondernemen acties.”

 

Op termijn moet predictive maintenance in combinatie met augmented reality een hulpmiddel worden voor reparateurs om herstellingen en onderhoud tijdig en beter uit te voeren. “Het wordt net zoals een hamer een essentiële tool in de uitvoering van reparaties”, voorspelt Tcherevik.

 

Reacties

comments powered by Disqus
 

RECENT NIEUWS