Ontwikkelen methodes voor voorspellen onderhoud met big data algoritmen

De Universiteit Twente werkt aan een integraal project met big data algoritmen om onderhoud aan infrastructuur en productiemiddelen beter te voorspellen en zo efficiënter in te plannen.

Trefwoorden: #algoritmen, #big data, #onderhoud, #predictive maintenance, #PrimaVera, #Universiteit Twente

Lees verder

research

( Foto: Universiteit Twente )

ENGINEERINGNET.BE - Nooit meer treinvertragingen, stroomstoringen of uitval van productiemachines? Met predictive maintenance kan de betrouwbaarheid van infrastructuur en productiemiddelen omhoog en de kosten van onderhoud omlaag.

Maar bestaande technieken voor predictive-maintenance werken alleen voor kleinschalige systemen en zijn moeilijk op te schalen. Keuzes die op één plek in de keten gemaakt worden, hebben grote invloed op andere processen.

De keuze voor een bepaald type sensoren heeft bijvoorbeeld invloed op het soort van voorspellingen dat men kan doen en de kwaliteit hiervan.

Het project PrimaVera ontwikkelt hierom cross-level optimalisatiemethoden. UT-hoogleraar Marielle Stoelinga is één van de trekkers van dit project. Budget: 5 miljoen euro.

Stoelinga: “We beginnen met betere sensoren om zo betere metingen te doen. Deze ruwe data verwerken we tot zinvolle informatie. Zo voorspellen we de conditie en het storingsgedrag van een systeem. Op basis hiervan bepalen we wanneer onderhoud nodig is."

"De complexiteit ligt in het clusteren van zoveel mogelijk onderhoudsacties, zodat een machine of spoorwegvak niet meerdere keren stil ligt voor onderhoud.”

PrimaVera werkt ook aan betere en schaalbare prognose-methoden voor storingen. Data science is daarbij onmisbaar, aldus Stoelinga.

Er is weinig bekend over hoe onderhoudsmedewerkers en -planners omgaan met adviezen die uit big data algoritmen komen. Ook daar gaat PrimaVera aan werken.

Het project wordt uitgevoerd door een multidisciplinair team van wetenschappers en bedrijven. Stoelinga: “Bij onderhoud spelen technische factoren én menselijke factoren een rol. Als je geen rekening houdt met hoe mensen met onderhoudsbeslissingen omgaan en informatie interpreteren, kan alles voor niets zijn.”


Deelnemers: TU Eindhoven, Radboud Universiteit, Saxion, Haagse Hogeschool, Rijkswaterstaat, Damen Naval, Technobis, Marine, NS, ASML, Royal IHC, Rolsch Asset management, Waterschap De Dommel, ORTEC Consulting Group en Alfa Laval.