Download het artikel in 
ENGINEERINGNET.BE - Het toepassen van predictieve maintenance met behulp van cloud technologie kan dit probleem oplossen, stelt de auteur in deze tweede bijdrage. Dus: hoe kunt u big sensordata via de cloud ontsluiten met het oog op predictief onderhoud?
Door realtime data te combineren met gegevens uit het verleden, kan voorspeld worden wanneer assets uitvallen. Overzichtelijke dashboards maken het voor onderhoudspersoneel en eindgebruikers mogelijk om eenvoudig de status van een machine te monitoren. Hierdoor halen bedrijven meer intelligentie uit hun data en kunnen zij direct ingrijpen als er downtime dreigt aan te komen.
Zoals in het vorige artikel gesteld, zijn het zowel de dataspecialisten als de onderhoudsprofessionals die samen verantwoordelijk zijn voor een implementatie van predictieve maintenance. Alleen de gezamenlijke expertise van beide partijen zorgt voor een succesvolle aanpak.
Voor het ontwikkelen van het voorspellend model zijn echter grote hoeveelheden data nodig. Bij predictieve maintenance wordt deze data gegenereerd door sensoren op de installatie. De data van de sensoren moet vervolgens ontsloten worden, zodat de dataspecialist deze kan analyseren.
Op basis daarvan ontwikkelt hij in samenspraak met de onderhoudsexpert voorspellende modellen. Vaak staat de installatie echter op afstand, waardoor de data niet zomaar beschikbaar is.
Onderhoudstechniekers lezen de sensoren meestal op locatie uit. Dit kost veel reistijd, zeker als de installaties verspreid zijn over verschillende locaties die ver uit elkaar liggen. In bepaalde gevallen is het zelfs praktisch niet haalbaar om technici op elk moment langs te sturen, bijvoorbeeld bij baggerschepen op zee (foto).
Met behulp van cloud technologie
Het toepassen van predictieve maintenance met behulp van cloud technologie lost dit probleem op. Het is hierdoor mogelijk om op afstand de sensoren uit te lezen en de conditie te voorspellen.
Onderhoudstechniekers hoeven dus pas op locatie te zijn als het echt nodig is, bijvoorbeeld wanneer de machineconditie terugloopt en onderhoud vereist is. Voor het ontsluiten van data in de cloud en de uiteindelijke realisatie van predictieve maintenance dient een reeks voorwaarden in acht worden genomen. We maakten een beknopt overzicht.
Ontvang data
Minimale voorwaarde is dat er een netwerkverbinding beschikbaar is om de sensordata over te versturen. In de meeste omgevingen is dit geen probleem, het is tegenwoordig zelfs mogelijk om vanaf zeeschepen sensordata draadloos te versturen naar de cloud. De grootste uitdaging ligt in het verwerken van realtime data.
De data is meestal afkomstig van verschillend soorten en types sensoren en wordt vaak in verschillende formaten aangeleverd. Het gaat om grote hoeveelheden data die in hoge frequentie wordt aangeleverd en dit vergt veel van de technische systemen die deze data moeten verwerken.
Maak data leesbaara
De binnenkomende rauwe sensordata moet, voordat deze opgeslagen en geanalyseerd wordt, vaak nog leesbaar en bruikbaar gemaakt worden.
Het is belangrijk dat het transformeren van data op realtime basis gebeurt, waardoor het mogelijk is om op realtime basis sensorsignalen door te sturen naar mobiele apparaten zoals het uitsturen van een waarschuwingssignaal bij overschrijding van een ingestelde grenswaarde.
Echter is de belangrijkste output het afleveren van sensordata in het juiste formaat, zodat het geschikt is voor opslag en voor het ontwikkelen van voorspellende modellen.
Opslag
Voor het realtime toepassen van predictieve maintenance is opslag van de sensordata niet direct een vereiste. Voor een historische analyse van storingsgedrag is het echter wel noodzakelijk om ze op te slaan.
Het is bijvoorbeeld cruciaal om de werkelijke én de voorspelde conditie van bijvoorbeeld een motor op te slaan. Deze informatie kan gebruikt worden om op periodieke basis de voorspellende modellen te evalueren en waar nodig te verbeteren.
Flexibiliteit is cruciaal om grote hoeveelheden data op verschillende manieren op te slaan. Gezien de grote hoeveelheid sensordata wordt aangeraden om gebruik te maken van Binary Large Object. BLOB is een service voor het opslaan van grote hoeveelheden ongestructureerde data, zoals tekst of binaire data en biedt een goede basis voor het analyseren van grote hoeveelheden sensordata.
Data overal ter wereld is dankzij het systeem toegankelijk en kan tegelijkertijd veilig in de private cloud worden opgeslagen. Opslag is er schaalbaar, er wordt betaald naar gebruik en het biedt bescherming tegen hardwarestoringen, waardoor een hoge beschikbaarheid gewaarborgd is.
Ontwikkel voorspellend model
Hiervoor refereren we naar het vorige artikel waar we dieper ingingen op het ontwikkelen van een voorspellend model. Dataspecialisten moeten in staat zijn om ook in de cloud zulke modellen te ontwikkelen, testen en implementeren en daarnaast te experimenten met het ontwerpen van gegevensstroomdiagrammen.
Een breed scala aan bruikbare algoritmen waaronder decision trees, bayes en neurale netwerken, en de mogelijkheid om specifieke R- en Python-code rechtstreeks op te nemen in de omgeving, zijn essentieel voor de ontwikkeling van het voorspellend model.
Activeer voorspellend model
Als het voorspellend model is ontwikkeld en gereed is voor gebruik, dan rest enkel het activeren nog. Het model dient als webservice online en realtime beschikbaar te zijn, zodat de sensordata realtime naar de webservice gestuurd en door het voorspellende model wordt geanalyseerd. De output van de webservice is dan de voorspelling over de conditie van de machine.
Hou toezicht op machineconditie
De laatste stap is het op afstand toezichthouden op de conditie van de machine. Het grote voordeel hiervan is dat de onderhoudsexperts niet ter plaatse hoeven te zijn. Dat is eerst nodig op het moment dat er een voorspelling van een storing plaatsvindt.
Daarnaast kan er vanaf afstand ook advies worden gegeven aan de machineoperators die op locatie zijn om bijvoorbeeld op 80% vermogen te gaan draaien, zodat er tot aan de eerstvolgende onderhoudsbeurt geen storing gaat optreden.
Het realtime weergeven van de sensorsignalen en de voorspelling van de machineconditie in één dashboard, geeft de operationeel manager en de onderhoudsexpert in een blik alle informatie die nodig is.
Hierbij kan het automatisch versturen van eenvoudige sms-alerts extra hulp bieden.
(artikel gebaseerd op whitepaper van QNH)
door SJOERD HOBO, Manager Business Analytics bij QNH
