Damen Shipyards maakt stappen in predictive maintenance
Damen Shipyards levert voor alle schepen die het bouwt hoogwaardige service via een wereldwijd netwerk. Met hun platforms Triton en DMMS (Damen Maintenance Management Solutions) geven ze bemanningen en eigenaren van de schepen bovendien toegang tot sensorgegevens aan boord, om de operationele performance te maximaliseren. In de komende jaren wil Damen zijn service verder optimaliseren door in te zetten op ‘predictive maintenance’. Het innovatieprogramma TechnoHub Smart Metrology & Manufacturing betekende een mooie katalysator in deze ontwikkeling.
Predictive maintenance
De schepen die Damen bouwt zijn standaard voorzien van allerlei sensoren. Het Triton IoT-platform, waarover elk schip dat bij Damen wegvaart beschikt, zet de data van deze sensoren om in waardevolle managementinfo op het gebied van onder meer brandstofverbruik, veiligheid, duurzaamheid en efficiëntie. Triton vereenvoudigt ook het onderhoud aan boord, door de bemanning te voorzien van nauwkeurige instructies.
Arie Schaap, Design and Proposal engineer bij Damen Services: “Deze onderhoudstaken worden tot nu toe getriggered door onderhoudsintervallen, draaitijden of de conditie van onderdelen. Maar zelfs realtime conditiebewaking biedt slechts een bepaald niveau van betrouwbaarheid, waar nog steeds onvoorziene en onverklaarbare storingen kunnen optreden. De komende jaren willen we daarom toewerken naar ‘predictive maintenance’. Met behulp van big data-analyse en de kracht van kunstmatige intelligentie, kun je nog preciezer en eerder afwijkingen detecteren. Zo kun je dan heel tijdig voorspellen waar en wanneer onderhoud echt nodig is. Dit maakt het onderhoud efficiënter en kosteneffectiever; je voorkomt storingen en downtime en er is minder specialistisch personeel nodig aan boord.”
Datasets labelen
Met zoveel sensoren reeds aan boord van de schepen, wist Damen dat het mogelijk moest zijn om de aanwezige data te gebruiken om predictive maintenance mogelijk te maken. Maar hoe? Het idee ontstond om bij wijze van pilot in een gecontroleerde keten een stukje systeem met kritische componenten te simuleren. Arie “We waren al met deze ontwikkeling bezig, maar deelname aan het TechnoHub-programma heeft het wel in een stroomversnelling gebracht, onder meer doordat we bij de pilot ook gebruik konden maken van de expertise van de andere TechnoHub-partners. UReason heeft bijvoorbeeld actief meegedacht en meegewerkt en ook de software geleverd.”
Concreet bouwde Damen een testopstelling van een dikke as met lagers waarmee een deel van de schroefas werd gesimuleerd. Hiermee werd met behulp van “Machine Learning” een algoritme ontwikkeld dat is geleerd hoe de data er onder normale gebruiksomstandigheden uitziet. Op de as is vervolgens met gewichtjes een relatief kleine onbalans aangebracht. Arie: “Dit leverde heel kleine variaties op in de trillingspatronen, die we konden detecteren. Op basis daarvan konden we een dataset creëren en labelen. De volgende keer dat je die dataset dan ‘tegenkomt’ weet het programma – in een heel vroeg stadium – dat er sprake is van een onbalans. Op die manier moeten we dus ook datasets gaan labelen voor andere voorkomende afwijkingen die mogelijk schade kunnen veroorzaken”.
Learning by doing
Maar met het creëren van de datasets is Damen er nog niet, daar zijn ze zich zeer bewust van. “Neem het voorbeeld van de onbalans. Dan weet je dat er een afwijking is. Maar je weet nog niet hoe ernstig die is en wanneer je het beste kunt ingrijpen. Daar hangt natuurlijk ook een kosten/baten-analyse aan vast. Je gaat een nieuwbouwhuis niet stutten, omdat het mogelijk over 150 jaar instort. We zullen de data dus ook over een langere tijd moeten gaan vastleggen om te kunnen analyseren wat er gebeurt na het detecteren van zo’n afwijking. Hoe lang duurt het voordat er echt een probleem ontstaat? ”
Daarnaast is er natuurlijk ook de vraag hoe Damen de testsituatie straks gaat vertalen naar de echte praktijk. Arie: “We hebben de opstelling (CMTK hardware van Balluff met de APM software van UReason die continue het voorkomen van afwijkingen monitort en hiervoor notificaties kan doorsturen naar Damen Services) ingebouwd aan boord van een schip in een ‘live’ situatie op een aantal koelwaterpompen en een nieuw Machine Learning algoritme ontwikkeld op basis van het model dat al was ‘getraind’ in de testopstelling. In deze opstelling wordt ook een afwijking geïntroduceerd om het algoritme te trainen. Het is echt een groeimodel, trial & error, learning by doing. Maar de eerste belangrijke stappen zijn gezet.”
Data science als nieuw RD&I kennisdomein
Waar Damen Services data science toepast met een specifiek doel: de ontwikkeling richting predictive maintenance, heeft Damen nog een ander belang om deel te nemen in projecten als de TechnoHub Smart Metrology and Manufacturing. Senior Manager RD&I Valorisation Edwin van Buren: “Data science is een nieuw kennisdomein binnen Damen en wordt door de RD&I afdeling verder ontwikkeld. In dat kader zijn we eigenlijk voortdurend op zoek naar use cases en werken we ook graag samen met partners die op dit gebied verder zijn dan wij én met het onderwijs.”
Waar Damen Services voor de pilot gebruikmaakte van een keten zonder verstoringen, om zo eerst een ‘schoon setje’ data te verkrijgen om vervolgens de verstoringen te kunnen detecteren, ligt de interesse van de data scientists toch net even anders, legt Edwin uit: “Services heeft er belang bij om veel voorkomende en ernstige verstoringen te voorkomen en gaat dus relatief gericht op zoek. Wij zijn daarnaast ook op zoek naar wat je nog méér kan met de data die je hebt. Wat, bijvoorbeeld, als de software afwijkingen constateert die je niet kunt thuisbrengen? Misschien vinden we wel correlaties die we zelf niet eerder ontdekt hebben. Nieuwe informatie die ons gaat helpen onze producten verder te optimaliseren en misschien ook nieuwe diensten te ontwikkelen.”
