Monitoring op afstand: is het sop de kool waard?

Productiestilstanden kunnen we missen als kiespijn. Een sterk wapen tegen stilstanden is het monitoren op afstand van kritieke installaties. Zo kan preventief opgetreden worden.

Trefwoorden: #installatie, #machines, #monitoring, #Multiprox, #productie, #productiestilstand, #Pruftechnik, #SAS

Lees verder

Magazine

Download het artikel in

ENGINEERINGNET.BE - Toch graag even de aandacht, want als we de heersende trends klakkeloos volgen, lijkt het wel of elk onderdeel één of andere sensor krijgen moet.

De eerste vraag die u moet stellen, is welke componenten er het best gemonitord worden. Dat lijkt een eenvoudige vraag, maar is het totaal niet. Er zijn maar weinig bedrijven met een doorgedreven faalbeleid.

Elk project dat start met monitoring op afstand zou eigenlijk daarmee moeten beginnen. Het documenteren en analyseren van falen, de gevolgen, de genomen acties en het resultaat daarvan levert een schat aan informatie op die al heel wat monitoringsnood overbodig kan maken.

Een profielenfabrikant werd frequent geconfronteerd met falende lagers in een persmachine. Hij dacht dat de oorzaak aan externe factoren te wijten was en ging in zee met een bedrijf dat zijn lagers analyseerde. Er zijn temperatuursensoren en tachometers geïnstalleerd en wekenlang zijn continue trillingsanalyses uitgevoerd. Er werd niks substantieels gevonden.

De machinebouwer koppelde uiteindelijk terug naar de leverancier van de lagers. Die kwam één keer langs en wees de slechte luchtkwaliteit aan als de oorzaak van de vervuiling in de lagerbehuizing. Men verving de lagers door exemplaren met een betere afdichting en het probleem was van de baan. Monitoring is dus niet altijd broodnodig. Soms volstaat gezond verstand.

Het verhaal van het bos en de bomen
Een tweede aandachtspunt bij monitoring is de verwerking van de data. Een doorgedreven monitoring leidt al gauw tot vele gigabytes aan data, een ware datatsunami. De relevante data eruit filteren, is een kunst op zich. Als éénmaal bepaald is welke data er precies gebruikt moeten worden, dan moeten die ook nog geëvalueerd worden.

De alarmen van een temperatuursensor monitoren om te zien of er trends te detecteren vallen, lijkt op zich een goede benadering. Maar die is onwerkbaar als de dagelijkse en seizoensgebonden temperatuurschommelingen niet meegenomen worden in de evaluatie van de data. Dat lijkt logisch maar het geeft vooral aan dat een correcte analyse van data enkel kan mits een volledige kennis van het eigen proces. Geen enkel detail mag over het hoofd gezien worden.

Een logistiek bedrijf brak zich het hoofd over de batterijen van zijn heftruckvloot. Die haalden de beloofde gebruiksduur niet. Ze werden de hele nacht opgeladen om overdag in een tweeploegenstelsel ingezet te worden. Volgens de heftruckfabrikant konden ze het zonder problemen aan maar elke heftruck viel halverwege de tweede shift stil. Een doorgedreven analyse onderzocht bedrijfsuren, rijstijl, belastingsgraad, rustpauzes en snelheid.

Er werd niks gevonden. Toen men het laadproces onder de loep nam, bleek dat het elke nacht een tijd onderbroken werd. Verder onderzoek wees de poetsvrouw aan als onbewuste schuldige. Zij kwam ’s nachts poetsen maar vond die laadkabels maar in de weg liggen. Ze wist niks beter dan ze uit te trekken en pas na haar poetsbeurt terug in te pluggen.

Het onderbroken laadproces verminderde de oplaadefficiëntie met de gekende gevolgen. Een real-life voorbeeld, maar het geeft wel aan dat kennis van het volledige proces een absolute voorwaarde is om data te kaderen en de juiste conclusies te trekken.

Sensor kost. Data verwerken nog veel meer!
Sensoren plaatsen is één zaak. De data correct verwerken en analyseren is de tweede, complexere taak. Die taak kost ook, zelfs nog meer dan de hardware. En dat geldt zeker in de maakindustrie waar er meer data te rapen vallen dan in andere industrietakken.

Niet enkel het filteren van de data, ook het efficiënt analyseren kosten tijd en geld. Data creëren is makkelijk, de juiste informatie eruit halen veel moeilijker. En daar blijkt het belang van de interpretatie die veel kennis over het machinepark vergt. Die hands-on kennis en ervaring ligt nog grotendeels in handen van de mens.

Sommige toekomstdenkers beschouwen mensen als sensoren. Gesofisticeerd en divers maar verre van onfeilbaar. Wat mensen uniek maakt, is hun denkvermogen. Wat ze zwak maakt, is hun grote foutenmarge. Artificiële intelligentie (AI) kan de foutenmarge verkleinen dankzij technieken als ‘datamining’ (het gericht en actief op zoek gaan naar statistische verbanden) en ‘deep learning’ waarbij neurale netwerken zelf leren verbanden te leggen om zo de beslissingen telkens te verfijnen.

Artificiële intelligentie al inzetbaar?
Deze menselijke foutenmarge maakt een aanpak waarbij operatoren voortdurend op een scherm allerlei foutmeldingen en trends analyseren niet efficiënt. De hoeveelheid en de versnelling waarmee data gegenereerd worden, zorgen ervoor dat de mens het zelf niet langer aankan.

De komst en evolutie van artificiële intelligentie belooft evenwel een antwoord. Via voortdurend aangepaste logaritmes, iets wat deze systemen doorlopend zelf verbeteren en bijsturen, worden de terabytes aan informatie voortdurend geanalyseerd. Het kan zelfs zo ver gaan dat na een alarm de installatie zichzelf aanpast om terug naar een niet-alarmfase te schuiven.

De hamvraag: willen we dat wel?
Uiteraard heeft een monitoringsysteem een kostprijs. In veel gevallen zal een dergelijk systeem zijn nut bewijzen, zoals bij moeilijk toegankelijke of kritieke installaties. Maar of het de moeite loont om ‘alles’ in een monitoringsysteem op te nemen?

De investering stopt niet bij het plaatsen van het juiste sensortype. Daar begint ze pas. De analyse van data, en al zeker het inzetten van AI, heeft naast haar kostprijs nog een ‘vervelend’ neveneffect: data moeten gedeeld worden met een derde partij die deze dienst aanbiedt via software of cloudservices. Niet elk bedrijf is even happig om data van kritieke assets zomaar te delen, zelfs niet met een offline programma.

Bovendien zijn sensoren ook niet altijd in staat om de ervaring van een operator zomaar over te nemen. Ervaren monteurs zullen heel snel horen als het met een machine de verkeerde kant op gaat. Maar het is lastig om die geluidssignalen in een monitoringsprogramma te gieten.

Toch zijn er bedrijven die dat wél in een AI-algoritme stoppen en er goede resultaten mee boeken. Ook dan blijft de kosten/baten-vraag. En we hebben het nog niet eens over cybersecurity gehad.


Door Sammy Soetaert