Slimme algoritmes Semiotic Labs voorspellen onderhoud machines

Leesduur: +/- 5 min.
Het belang van data begint inmiddels ook door te sijpelen in de industrie; ze kunnen bedrijven dan ook veel waardevolle informatie verschaffen. Semiotic Labs gaat een stapje verder en gebruikt data in combinatie met kunstmatige intelligentie om het falen van machines te voorspellen. Onderhoud kan zo gedaan worden op de momenten dat het écht nodig is en dat scheelt enorm in de kosten.
Slimme algoritmes Semiotic Labs voorspellen onderhoud machines

Het kost bedrijven veel geld als productieprocessen stilgelegd moeten worden voor het preventief onderhouden van machines of het verhelpen van uitval. Daarom hebben bedrijven er veel baat bij als de downtime zoveel mogelijk beperkt wordt. Dit is mogelijk met de technologie van Semiotic Labs. Door slimme sensoren en zelflerende algoritmes te combineren voorspelt deze startup wanneer en waarom machines of machineonderdelen gaan falen. Op die manier kan onderhoud op het ideale moment worden ingepland: voordat machines uitvallen of als de prestaties achteruit lopen, maar niet eerder. De oplossing is geschikt voor machines die door elektromotoren worden aangedreven.

Algoritmes

Oprichter en COO Simon Jagers vond inspiratie voor Semiotic Labs in het boek On Intelligence van de Amerikaanse elektrotechnicus Jeff Hawkins, over een algoritme dat de hersens nabootst. “Ik ben daarna rond gaan kijken wat dit voor mogelijkheden kon bieden.”
Jagers sprong niet zomaar in het diepe; voordat hij definitief een bedrijf opzette, belde hij eerst een aantal bedrijven met de vraag of ze überhaupt geïnteresseerd zouden zijn in de techniek die hij voor ogen had. Ze bleken allemaal graag met Jagers om de tafel te gaan. Toen is hij het concept verder gaan uitwerken met zijn zakenpartner Gerben Gooijers en zijn ze aan de slag gegaan met het bouwen van de algoritmes.

Service

Semiotic Labs levert een zogenaamde ‘end to end’ oplossing voor slimme conditiemonitoring die bestaat uit een sensor, algoritmes en een online user interface. Op basis van de oplossing krijgen klanten inzicht in de conditie van hun machines. Samen met partners leveren ze een full service oplossing op het gebied van (preventief) onderhoud, waarbij de monitoringsoplossing gecombineerd wordt met onderhoudsdiensten van partners die pro-acief onderhoud bieden als de conditie van assets daar aanleiding toe geeft. “We noemen het dan ook Uptime as a Service. In de praktijk werkt het kort gezegd zo dat we een sensor op een schone droge plek (schakelkast of motoren) installeren; dat kost ongeveer een kwartier per motor. Vervolgens sturen we de data met wifi of via de kabel naar de cloud. Er is dan tijd nodig om in te leren wat de specifieke nukken van de motor zijn. Dat duurt nu nog ongeveer een maand maar die tijd wordt korter. Vanaf dat moment kunnen we de klant vertellen wat de conditie is van de motor en het rotating systeem dat erachter zit.”

“Het probleem dat je vaak ziet bij elektromotoren is dat ze worden onderhouden op basis van tijd: De ‘mean time between failure’. Er wordt gekeken naar de gemiddelde tijd tussen faalmomenten. Dat gemiddelde wordt dan gebruikt om onderhoudsintervallen in te plannen. Op die manier wordt een hoop ongeplande downtime voorkomen. Maar het zorgt er ook voor dat veel onderhoud veel te vroeg wordt uitgevoerd. Bovendien brengt het openmaken van ‘gezonde’ machines risico’s met zich mee: het plegen van onderhoud zélf kan ook schade aan machines veroorzaken. Onze technologie bepaalt de conditie assets heel nauwkeurig en als er schade is ontstaan, proberen we in te schatten wanneer zich dat vertaalt in ongeplande downtime. Daarmee kun je het onderhoud op het juiste moment inplannen; als er schade is of als de prestaties achteruit gaan, maar niet eerder. Er is minder onnodig onderhoud en je voorkomt ongeplande stilstand omdat je schades voor bent.”

Pay per use

Eigenlijk alle bedrijven voor wie de kosten voor ongeplande downtime hoog kunnen oplopen, kunnen baat hebben bij de technologie van Semiotic Labs. Jagers: “De grootste winst zit in het vergroten van de operationele betrouwbaarheid tegen lagere kosten. De conditie van machines wordt nauwkeurig bepaald, waardoor je minder vaak, maar relevanter onderhoud pleegt.
Ook past het bij de huidige fase waarin de industrie in zit; deze is steeds meer op zoek naar pay per use modellen. Een klant betaalt de leverancier niet omdat hij een machine heeft staan, maar voor het gebruik ervan. Voor de leverancier betekent dit dat het risico van stilstand bij hem komt te liggen. Dat risico wil hij beperken, door beter te kunnen bepalen welke machines wanneer onderhoud nodig hebben. Een bijkomend voordeel van dit model is dat de belangen van de leverancier en de asset owner gelijk komen te liggen, omdat de leverancier niet langer betaald krijgt voor het leveren van services of onderdelen, maar voor een correct functionerende machine”.

“Doordat wij kunstmatige intelligentie gebruiken, kunnen we ook meer zeggen over de relaties tussen machines onderling. We leren de specifieke nukken van motoren en rotating equipment kennen en automatiseren het uniek maken van de baseline van gezond gedrag voor elke machine. Dus we weten bijvoorbeeld dat een bepaalde machines stuk gaat als je meer dan een bepaalde hoeveelheid stroom gebruikt. Ook leren we meer over pomp- en motorcombinaties en bijvoorbeeld de invloed van het klimaat. Het zeeklimaat in Nederland heeft een ander effect op een machine dan een koude berg in China. Uiteindelijk werkt het dus zo dat hoe meer systemen we monitoren, hoe beter de oplossing voor iedereen zal zijn.”

Een aantal bedrijven gebruikt inmiddels de dienst van Semiotic Labs. Op basis van deze ervaringen wordt de soft- en hardware geoptimaliseerd. “We testen de technologie nu in het veld op enige schaal, om in de praktijk de werkzaamheid te demonstreren én het product verder te verbeteren. Begin 2018 gaan we het als een commercieel product uitrollen.”

Door: Kelly Bakker

Bron: Semiotic Labs

Geef jouw mening

Bij je reactie wordt je achternaam niet getoond