basis van ren we data te genereren die we vervolgens weer gebruiken om de algoritmes te trainen. Je hebt daarvoor een visuele en functionele representatie nodig: een digital twin dus.” Een volledige digital twin van een complexe plant is een kostbaar iets, maar volgens Tinga is het in veel gevallen helemaal niet nodig om een complete digital twin te modelleren. “Het gaat er om je de meest kritische onderdelen in kaart brengt. Dat is per slot van rekening ook het onderdeel waar je als asset owner het meeste risico mee loopt. Ook in een veertig jaar oude hondenbrokjesfabriek heb je bepaalde installaties die gevoeliger zijn voor storingen dan andere installaties. Van die specifi eke installatie, of een onderdeel daarvan, maak je een eenvoudig modelletje, waarmee je inzicht krijgt in welke factoren mogelijk tot een storing kunnen leiden. Dat hoeft geen moderne VR-applicatie te zijn. Zoiets hoeft echt geen ton te kosten. Bij de Marine maken we ook geen digital twin van een compleet patrouilleschip. Dat is een eindeloze klus. We modelleren vooral specifi eke systemen waar we meer van willen weten, bijvoorbeeld een koelwatersysteem.” Pensioen kennisoverdracht Toch komen we dan ook op een ander probleem terug in de procesindustrie. Om een eenvoudig model te maken waarin de kritische onderdelen van een bedrijf zijn vastgelegd, is er een grondige proceskennis vereist. En die kennis verdwijnt nu juist in rap tempo met de medewerkers die met pensioen gaan. ”Ik zou juist nu nog gebruik maken van die kennis en ervaring, want als die mensen straks echt weg zijn, kan je ze niet meer inzetten om modellen te maken”, adviseert Tinga. Anomaly detection Maar big data en AI zijn niet per defi nitie onbruikbaar, meent Tinga. “Met een goed algoritme kan je al wel op een behoorlijk niveau storingen detecteren en daar heb je als bedrijf concreet nu al iets aan. Je kunt storingen dan weliswaar niet voorspellen, maar je kunt wel bijna realtime constateren Model based vs data based De model-based approach van predictive maintenance is de tegenhanger van de zogenaamde data-analytics approach. Tinga: “Bij deze laatste benadering zegt men eigenlijk: ‘Ik hoef niet te snappen hoe het systeem in elkaar zit. Als ik maar veel data heb, vindt de computer vanzelf wel de verbanden en patronen en kunnen we ook voorspellingen doen over de status van onderdelen en machines.’ Wij denken echter dat die data-analytics z’n beperkingen heeft. Wij denken dat het beter is om te weten hoe je applicaties in elkaar zitten en vanuit de reeds genoemde fysica je modellen te maken.” Volgens Tinga wordt er nog te vaak een groot aantal sensoren lukraak in een applicatie geïnstalleerd met de gedachte dat de AI er vervolgens wel raad mee weet. Volgens de hoogleraar is het veel verstandiger om goed te kijken naar de zwakke plekken in de installaties en vervolgens op die plaatsen de juiste sensoren te installeren. Dat betekent echter wel dat er kennis nodig is van de meest kritische onderdelen van de assets en dat terwijl die assets steeds complexer worden. De termen ‘model-based’ en ‘data-driven kunnen soms verwarrend zijn. Tinga: “Sommige partijen die data-driven werken, noemen hun modellen vervolgens ‘model-based’, maar het onderscheid is hoe men tot die modellen is gekomen: op een neuraal-netwerk achtige data manier, of op een fysische manier.” 37
38 Online Touch Home