Voorspellend onderhoud implementeren zonder machine-learning expertise

Een groeiende perceptie onder ingenieurs is dat voorspellend onderhoud nu bijna exclusief het domein is van AI-technieken, wat hen dwingt machine-learning-vaardigheden aan te schaffen. In realiteit tonen experts bij MathWorks aan dat robuust voorspellend onderhoud gebouwd kan worden zonder diepe ML-kennis.

Tijdens een recent gesprek met EDN, schetste senior product marketing manager Aditya Baru een vierstappen-workflow en benadrukte gespecialiseerde tools die elke fase dekken.

Figuur 1. Een basale voorspellend-onderhoud-workflow omvat vier stappen. Bron: MathWorks

1. Dataverwerking

Voor ingenieurs die geen data scientists zijn, kan het doorlopen van de enorme hoeveelheden ruwe sensordata gegenereerd door industriële assets—windturbines, generatoren, pompen, motoren—ontmutend zijn. Een straalmotor of een oliepomp in een exploratie-operatie kan gemakkelijk een terabyte data per dag produceren, wat foutdetectie in dergelijke volumes onmogelijk lijkt te maken.

Baru legt uit dat ingenieurs kunnen beginnen met het monitoren van binnenkomende datastromen op subtiele veranderingen, vroege tekens van degradatie identificeren en de hoofdoorzaak van abnormaal gedrag bepalen. Bijvoorbeeld, spectrale analyse van een continu draaiende pomp kan de foutfrequenties onthullen die normale operatie van nadende storing onderscheiden.

Figuur 2. Ingenieurs kunnen lekkages en verstoppingen in pompen detecteren door veranderingen in motorwrijving te volgen. Bron: MathWorks

2. Conditie-indicatoren

Wanneer geconfronteerd met 100 monsters van tijdreeksdata, is het doel om ze te reduceren tot een enkel, informatie-rijk getal—een conditie-indicator. Deze data-reductiestap condenseert een grote dataset tot een beheersbare set features die alle relevante dynamica nog vastleggen.

In een recente samenwerking met Daimler Mercedes, kondensen MathWorks-tools massive tijdreeksdata van een productielijn in een compacte feature-set—patronen, tijdsvertragingen en andere statistieken—wat de data-footprint met een factor 250 verkleinde.

Figuur 3. Ingenieurs kunnen features extraheren uit ruwe sensordata en conditie-indicatoren creëren met tijd- en frequentie-gebaseerde technieken. Bron: MathWorks

3. Voorspellend model

Met een gecondenseerde dataset die de oorspronkelijke data getrouw vertegenwoordigt, kunnen ingenieurs een reeks klassieke modeleringstechnieken inzetten—tijdreeks, statistisch, of kans-gebaseerd—zonder diepe AI of ML-expertise nodig te hebben. Deze methoden zijn goed gevestigd in de ingenieursgemeenschap en worden ondersteund door MATLAB's Predictive Maintenance Toolbox.

Baru citeert Safran, een luchtvaartbedrijf dat signaalconditietechnieken in MATLAB benut om componentenstoringen te voorspellen, wat aantoont dat traditionele ingenieursmethoden nog steeds hoogst effectief zijn.

Figuur 4. Predictive Maintenance Toolbox stelt ingenieurs in staat de resterende bruikbare levensduur (RUL) te schatten en betrouwbaarheidsintervallen te bieden geassocieerd met de voorspelling. Bron: MathWorks

4. Algoritme-implementatie

De finale en wellicht meest cruciale stap is het implementeren van het voorspellende model in productie. Ingenieurs hebben verschillende opties: het model lokaal op de machine insluiten, het draaien op een nabijgelegen edge-computer, of data streamen naar clouddiensten wanneer connectiviteit toestaat.

Het implementeren van voorspellend onderhoud via deze vierstappen-workflow stelt ingenieurs in staat een onderhoudsdienst te leveren die machines 90% van de tijd operationeel houdt. Een suite gespecialiseerde tools is beschikbaar om elke stap efficiënt te beheren.

>> Dit artikel werd oorspronkelijk gepubliceerd op onze zustersite, EDN.