Onderhoud van highendmachines beter te plannen met nieuw model | Technisch Weekblad
Nieuws

Onderhoud van highendmachines beter te plannen met nieuw model

| woensdag 20 juli 2022
Onderzoek & R&D, Robotica & AI

Het voorspellen van het optimale moment voor onderhoud (niet te laat, maar ook niet te vroeg) is niet eenvoudig bij hightechapparaten. Slimme wiskundige modellen en data kunnen de onderhoudskosten met 10 tot 20% omlaag brengen vergeleken met standaardmodellen.

Dat concludeert Collin Drent, PhD-onderzoeker aan de TU Eindhoven, die  daarmee cum laude promoveerde aan de faculteit Mathematics and Computer Science.

Geschat wordt dat de uitval van hightechmachines door defecten het bedrijfsleven wereldwijd elk jaar zo’n 25 miljard euro kost. “Het is daarom van groot belang dat je mogelijke uitval van kritische onderdelen tijdig op het spoor komt, zodat je ze kan repareren of vervangen voor het te laat is”, zegt Collin Drent. “Maar bedrijven willen natuurlijk ook niet te vroeg ingrijpen: onderdelen zijn duur, en je wil ze het liefst zo lang mogelijk gebruiken.”

Optimaal

Om te bepalen wat het beste moment was om in te grijpen, deed Drent onderzoek naar de zogenaamde IXR-scanner van Philips. Deze CT-scanner stelt artsen in staat om beeldgestuurde operaties uit te voeren die minimaal invasief zijn voor de patiënt.

Standaardmodellen voor preventief onderhoud werkten niet goed bij deze scanners, merkte Drent. Niet elk apparaat is immers hetzelfde. “Elk CT-scanner is weer anders, en de manier en de plek waar hij gebruikt wordt ook. Denk aan de temperatuur of de luchtvochtigheid.”

De grote hoeveelheden data die deze moderne apparaten produceren helpen wel. “Deze gegevens kun je gebruiken om je modellen steeds slimmer te maken. Zo kan je voor elk apparaat en onderdeel een specifieke voorspelling doen, ook al weet van je tevoren niet exact welke factoren van invloed zijn op het verouderingsproces.”

Leren en beslissen

Drent gebruikte voor zijn analyse twee verschillende methodes: Bayesian Learning en het Markov-beslissingsmodel. “Dat heeft twee voordelen: door het lerende vermogen van Bayesian Learning te combineren met het beslissingsmodel van Markov, wist ik mijn voorspellingen nog nauwkeuriger te maken. Bovendien zijn deze algoritmes heel transparant. Je weet dus precies wat waarom gebeurt.”

Uiteindelijk lukte het de onderzoeker om de onderhoudskosten van de IXR-apparaten met gemiddeld zo’n 10 tot 20 procent omlaag te brengen, vergeleken met de standaardmodellen. “En dat is echt veel, als je kijkt hoeveel geld er om gaat in het onderhoud van dit soort high-tech-apparatuur: de onderhoudskosten van dergelijke machines zijn in de regel minstens even hoog als de aanschafkosten.”

Behalve CT-scanners heeft hij nog vijf andere scenario’s bekeken. Daaruit bleek dat zijn modellen in principe ook werken voor bijvoorbeeld windturbines en chipmachines. Drent noemt zijn model dan ook een ‘unified framework’.

Ontvang de nieuwsbrief

Meld je nu aan!