De betrouwbaarheid en beschikbaarheid van technische systemen wordt in steeds meer sectoren belangrijk. Bedrijven willen onderhoudskosten verlagen en tegelijkertijd de prestaties van hun systemen verbeteren. Door het grote aantal sensoren in systemen en de verbeterde mogelijkheden om meetgegevens op te slaan, ontstaan nieuwe kansen om met behulp van kunstmatige intelligentie afwijkingen en trends in data te herkennen. Dit kan helpen bij het vroegtijdig signaleren en voorspellen van storingen, waardoor voorspellend onderhoud (predictive maintenance) mogelijk wordt. In de praktijk blijkt dit echter uitdagend: data zijn vaak onvolledig of van lage kwaliteit. Daardoor zijn veel bestaande methoden gebaseerd op gesimuleerde of laboratoriumdata. Het Dutch Prognostic Lab wil deze kloof tussen theorie en praktijk overbruggen.

Doel 

Het doel van het onderzoek is om een standaard te ontwikkelen voor het verzamelen en documenteren van data bij diagnostische en run-to-failure-tests. Door een gestandaardiseerde datatemplate op te zetten, wordt de bruikbaarheid en kwaliteit van de testdata gewaarborgd. Het uiteindelijke doel van het Dutch Prognostics Lab is om een netwerk te creëren van bestaande testopstellingen bij verschillende organisaties. Een voorbeeld hiervan is het Bearing Test System (BETSY) van De Haagse Hogeschool, ontwikkeld door het lectoraat Smart Sensor Systems in het NWA ORC-project PrimaVera. Dit netwerk maakt het mogelijk om hoogwaardige data te delen, waarmee organisaties hun methoden kunnen ontwikkelen en valideren op basis van realistische gegevens. Zo ontstaat een breed toepasbare en gedeelde kennisbasis.

Onderzoek  

Omdat het verzamelen van data tijdens echte productieprocessen vaak niet mogelijk is, zijn gecontroleerde laboratoriumopstellingen nodig. Het ontwerpen, bouwen en gebruiken van zulke experimentele opstellingen is echter kostbaar en vaak toegespitst op één specifieke toepassing. Daarom richt het Dutch Prognostics Lab zich op standaardisatie van meet- en documentatieprotocollen, zodat verschillende organisaties hun data kunnen delen en benutten. Na het vaststellen van deze standaard worden bestaande testopstellingen van verschillende partners met elkaar verbonden. Dit resulteert in een gedistribueerde testfaciliteit met gecoördineerde tests en centrale data-uitwisseling. Onderzoekers van het lectoraat Smart Sensor Systems dragen bij aan de ontwikkeling van de standaardisatiemethoden en testen deze op data van hun lagertestbank, BETSY.  In een latere fase wordt gekeken naar internationale samenwerking en datadeling. Hiervoor worden richtlijnen opgesteld voor datatoegang en een passende beloningsstructuur. 

Verwachte resultaten

Een gedeelde, gestandaardiseerde infrastructuur voor het verzamelen van realistische, hoogwaardige testdata voor diagnostiek en prognostiek. Door de samenwerking kunnen organisaties profiteren van elkaars opstellingen en datasets, wat leidt tot snellere ontwikkeling en validatie van voorspellende onderhoudsmethoden. Uiteindelijk draagt dit bij aan betrouwbaardere systemen en lagere onderhoudskosten in de industrie.

Samenwerkingspartners

  • Universiteit Twente
  • De Hogeschool van Amsterdam
  • NLR  
  • Ministerie van Defensie
  • Hoogheemraadschap van Rijnland

Duur van het project 

2024-2025

Financiering 

Dit project wordt gefinancierd door het Ministerie van Defensie (MIND)  

Team 

  • Sam Aerts, associate lector Smart Sensor Systems  
  • Xavier van Rijnsoever, docent-onderzoeker
  • Derek Land, senior onderzoeker
  • Amey Vasulkar, AI en datascience expert
  • John Bolte, lector Smart Sensor Systems en directeur van het Centre of Expertise Digital Operations & Finance 

Contact 

Wil je meer weten over het Dutch Prognostics Lab? Neem dan contact op met Sam Aerts