Nieuw model voor preventief onderhoud kan bedrijven miljoenen besparen

14 juli 2022

PhD-onderzoeker Collin Drent ontwikkelde een lerend model voor onderhoud van dure en complexe machines, zoals chipmachines, CT-scanners en windturbines.

Collin Drent tijdens de promotieplechtigheid op 1 juli 2022, met links naast hem zijn tweelingbroer Melvin, die optrad als paranimf. "Mijn broer en ik hebben altijd al dezelfde belangstelling gehad. En we kunnen ook heel goed samenwerken."
Collin Drent tijdens de promotieplechtigheid op 1 juli 2022, met links naast hem zijn tweelingbroer Melvin, die optrad als paranimf. "Mijn broer en ik hebben altijd al dezelfde belangstelling gehad. En we kunnen ook heel goed samenwerken."

72.000 euro, dat kost het als een chipmachine een uur lang uitvalt door een defect. Logisch dat bedrijven dit soort storingen ten koste van alles willen voorkomen. Ze doen dit door preventief onderhoud. Dit houdt in dat je mogelijke defecten tijdig opspoort, zodat je kan ingrijpen voor het te laat is. Het voorspellen van het optimale moment voor onderhoud (niet te laat, maar ook niet te vroeg) is niet gemakkelijk, al was het maar omdat elk apparaat anders is. PhD-onderzoeker Collin Drent vond het antwoord in slimme wiskundige modellen en data, heel veel data. Hij promoveerde onlangs cum laude aan de faculteit Mathematics and Computer Science.

Chipmachines zijn niet de enige high-techapparaten waarvan een defect handenvol geld (en soms zelfs levens) kost. Denk bijvoorbeeld aan treinen of vliegtuigen, CT-scanners in ziekenhuizen of windturbines op zee. Geschat wordt dat ongeplande uitval van machines het bedrijfsleven wereldwijd elk jaar zo’n 50 miljard euro kost. Daarbij komt ongeveer de helft voor rekening van defecten. Een aanzienlijk bedrag, dus.

“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, onderzoeker bij de vakgroep Stochastic Operations Research. “Maar bedrijven willen natuurlijk ook niet te vroeg ingrijpen: onderdelen zijn duur, en je wil ze het liefst zo lang mogelijk gebruiken.”

De Interventional XR-scanner van Philips waarop onderzoeker Collin Drent zijn slimme onderhoudsmodel heeft getest (Beeld: Philips)
De Interventional XR-scanner van Philips waarop onderzoeker Collin Drent zijn slimme onderhoudsmodel heeft getest (Beeld: Philips)

Een dure scanner

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

Drent kwam er bij zijn onderzoek al snel achter dat de standaard-modellen voor preventief onderhoud in dit geval niet goed werken. “Ze gaan ervan uit dat apparaten allemaal hetzelfde zijn, en dat je dus ook met grote zekerheid kunt voorspellen wanneer bepaalde onderdelen moeten worden vervangen. Maar dat klopt vaak niet. Elk CT-scanner is weer anders, en de manier en de plek waar hij gebruikt wordt ook. Denk aan de temperatuur of de luchtvochtigheid.”

Gelukkig produceren deze moderne apparaten door de vele sensors waarmee ze zijn uitgerust, ontzettend veel data. “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.”

In deze diagram zie je het verouderingsproces van een röntgen-buis, een cruciaal onderdeel van het IXR-apparaat van Philips. De gecombineerde Bayes- en Markov-modellen van Drent voorspellen op basis van sensordata het optimale moment (t = 31) voor vervanging van de buis (daar waar de stippellijn van de vervangingsdrempel de verouderingslijn kruist). Het moment ligt duidelijk onder de defectdrempel.
In deze diagram zie je het verouderingsproces van een röntgen-buis, een cruciaal onderdeel van het IXR-apparaat van Philips. De gecombineerde Bayes- en Markov-modellen van Drent voorspellen op basis van sensordata het optimale moment (t = 31) voor vervanging van de buis (daar waar de stippellijn van de vervangingsdrempel de verouderingslijn kruist). Het moment ligt duidelijk onder de defectdrempel.

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. In dat opzicht zijn ze een aanvulling op traditionele AI-methoden zoals deep learning, waar de precieze werking van de algoritmen verborgen blijft in een black box.”

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.”

Tweeling

Drent (28) kreeg tijdens de promotieplechtigheid te horen dat zijn werk is onderscheiden met een cum laude. “Dat kwam voor mij als een totale verrassing, maar ik heb van mijn promotoren begrepen dat dat vooral te danken is aan mijn bijdrage aan het vakgebied en de brede toepasbaarheid van mijn methode.”

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’.

Hoewel een groot deel van zijn onderzoek wiskundig is, is de onderzoeker van huis uit technisch bedrijfskundige. En daarmee gaat hij na zijn promotie ook verder. Eind augustus gaat hij aan de slag als docent bij de vakgroep Operations Planning Accounting & Control van de faculteit Industrial Engineering & Innovation Sciences.

Daar voegt hij zich bij zijn (eeneiïge) tweelingbroer Melvin, die sinds kort ook werkzaam is als docent bij de OPAC-groep. Is dat toeval? “Niet helemaal. Mijn broer en ik hebben altijd al dezelfde belangstelling gehad. En we kunnen ook heel goed samenwerken. Dus ik verheug me erg op mijn nieuwe baan.”

Meer info

Collin Drent, Structured Learning and Decision Making for Maintenance; promotoren: Onno Boxma, Geert-Jan van Houtum; copromotor: Stella Kapodistria.
 

Mediacontact

Henk van Appeven
(Communications Adviser)

Het laatste nieuws

Blijf ons volgen