IN THE FIELD
Maintenance Magazine 143 – maart 2019
De hardware wordt geïnstalleerd in het elektrisch kabinet. Condition monitoring voor ATEX of moeilijke omgevingen wordt hierdoor dus ook mogelijk. (Foto : Semiotic Labs)
Het gebruiksvriendelijk dashboard is makkelijk geïntegreerd. (Foto : Semiotic Labs)
“Hoe meer falingen we detecteren en classificeren, des te beter lukt het om automatisch de faalwijzen te herkennen. Het betreft een ‘supervised learning’”, zegt Dries van der Kleij bij IoT-bedrijf Semiotic Labs. (Foto: LDS)
Semiotic Labs, een IoT scale-up die 3,5 jaar geleden van start ging en nu een 20-tal mensen telt, surft mee op de golftoppen van Industrie 4.0 en predictieve maintenance. Straks te zien op de Maintenance-beurs.
De oplossing van Semiotic Labs bestaat uit drie delen. Enerzijds meet het de stroom en de spanningen die een machine opneemt op een hoogfrequente manier. In die datastroom gaat een zelflerende software op zoek naar “vingerafdrukken van falen” en anomalieën in gedrag. Tenslotte worden de gegevens gevisualiseerd en in een dashboard weergegeven.
Op de assets worden de stroom en de spanningen gemeten. Die data vormen de input voor analyse. Die gebeurt automatisch maar wel steeds verbeterd met nieuwe inzichten. De meting zelf gebeurt in het Motor Control Cabinet (MCC) waar de data ten dele in de gateway (edge computing) verwerkt worden. De eerste twee tot zes weken, afhankelijk van het product en het proces, leert het toestel zichzelf in. “Na die inleerperiode is een stabiel patroon bekend. De variaties op de stroom en spanningen worden gemonitord en maken het mogelijk een verandering op het initiële beeld te detecteren als faling”, legt Dries van der Kleij (*) uit.
Classificatie-algoritmes zoeken voortdurend naar zogenaamde vingerafdrukken van falen. Dat zijn patronen in data die duiden op specifieke faalmechanismes, zoals lagerschade, uitlijnfouten of bijvoorbeeld cavitatie van een pomp. Anomaly detection-algoritmes signaleren afwijkingen in patronen. Op het moment dat zo’n afwijking nog niet automatisch gekwalificeerd kan worden, komt Semiotic Labs’ data science team in actie om handmatig een oorzaak te bepalen. “Hoe meer falingen we detecteren en classificeren (het betreft een ‘supervised learning’) des te beter lukt het uiteindelijk om enerzijds de automatische classificatie uit te voeren, en anderzijds steeds eerder falen te signaleren. Dat lukt nu tot vier maanden vooraf maar we leggen de lat steeds hoger. Het lukt ons zeer goed te verifiëren dat er een faling gebeurt en ook te bepalen om welke faling het gaat voor de motoren, een uitlijnfout, een soft foot of schade op de loopweg van het rollager, bijvoorbeeld. Voor de pompen daarachter detecteren we ook al caviteiten.”
Uiteindelijk wordt het resultaat van de analyse gevisualiseerd op een dashboard. “Dat platform trokken we in een HTML5-omgeving op zodat de operator op een gebruiksvriendelijke manier evoluties in de tijd kan zien, kan inzoomen op tijdvensters en vergelijkingen maken tussen de verschillende assets. We zijn ervan overtuigd dat gebruiksvriendelijkheid naast betrouwbaarheid van de data cruciaal is. Wordt het te moeilijk, dan wordt het immers achterwege gelaten. Greep hebben op de status van het hele machinepark is een grote meerwaarde voor de klant.”
Een deel van de stroom- en spanningsdata wordt reeds in de gateway, on the edge gefilterd. “Dat doen we om de datapakketten richting cloud zo klein mogelijk te houden. De hoogfrequente metingen schuiven wel naar de cloud waar de eigenlijke ‘machine learning’ gebeurt”, licht van der Kleij toe. Het sturen van die data kan via WiFi, 4G of bedraad.
De verzamelde data zijn in hun geheel beschikbaar voor de klant. “Wij bieden een platform aan en een visualisatie. Wil de klant ze echter integreren dan kan hij dat zeker doen. Bijvoorbeeld in zijn eigen ERP-systeem of in een platform als Mindsphere (Siemens).” Klanten vragen al eens om integratie in hun maintenance management systeem. “Wij zorgen voor een interface, inclusief alarmeringen per email, sms of telefoon, die een input kan zijn voor hun systeem.”
“We zijn uniek in de combinatie van stroom- en spanningsmetingen en het toepassen van machine learning. De bekomen waarde is duidelijk hoger dan een loutere trillingsmeting. In die stroommetingen vind je niet alleen het mechanisch maar ook het elektrisch falen terug. Daar zorgt de automatische analyse voor.” Semiotic Labs verstrekt bij een anomaliedetectie het vermoede type falen op een bepaald onderdeel van een gemeten asset (bijvoorbeeld een motor-ventilator combinatie). Als de klant de analyse bevestigt, zet dat het leerplatform weer scherper. “Over twee jaar zullen we alle falingen op rotating equipment automatisch kunnen benoemen”, maakt van der Kleij zich sterk.
Semiotic Labs maakt gebruik van stroomklemmen en spanningsmeters die ‘gebruikelijk’ zijn. Alle apparatuur blijft binnen het elektrisch kabinet. Doorgaans komt er een driefasige stroom- en spanningsmeting per pompmotor op één Data Acquisiton Device (DAQ). Die is gevolgd door een switch. Vandaar is er een connectie naar de gateway, waarop tien DAQ’s kunnen. “Het systeem is niet invasief en vergt ook geen ATEX-keuring. We hebben geen impact op de asset. Wel moet de motor tijdens het installeren een halfuur uit. Het vergt geen extra connecties. De klem rond de stroomkabel moet wel goed zitten.”
“We halen de betrouwbaarheid van bedrade systemen zonder naar de asset zelf te moeten gaan. De eigen ontwikkeling steekt in de datalogger en de interne software van de gateway.” Voordeel: het systeem vergt geen batterij die ooit vervangen moet worden, het is niet onderhevig aan chemische reacties, hoge temperaturen of andere externe factoren. “Zodra we installeren worden problemen zichtbaar.”
De businesscase met online condition monitoring wordt bepaald door de kost van een ongeplande stop. “Als de asset heel kritisch ingeschat wordt, staat er ongetwijfeld al een monitoringssysteem. Anders laat je de asset lopen tot hij faalt. Het veld daartussen, met een kriticiteit 2 en 3, is typisch voor ons. Wanneer de downtime kost van een faling meer bedraagt dan zo’n 20 à 25.000 euro.”
Referenties heeft het bedrijf al in de chemie en petrochemie, metaalindustrie en watervoorzieningen. Zowel kleine als grote machines worden ingekoppeld. “Het kan op alle roterende uitrustingen waardoor we ook in mining & minerals (cement, papier en andere productie-locaties) actief kunnen zijn.” De technologie zelf uitproberen op één machine? Dan kan het wel even duren voor hij faalt en… alleen dan kan je leren. “Daarom is het aangewezen proeven te doen op een grotere populatie. Onze starterkit komt met 10 stuks.”
“Wij installeren niet zelf. We verkiezen dat de klant het zelf doet of een installateur onder de arm neemt. Wij verstrekken de manual en ondersteuning.” Semiotic Labs implementeert zijn oplossing in de cloud en blijft aan de monitor hangen om ‘oranje’ en ‘rood’ op te volgen. Wanneer schades gedetecteerd worden heeft het besprekingen met klanten en worden er analyses gemaakt. Mettertijd bouwt het een bibliotheek van machines en falingen waaruit meer geleerd kan worden. <<
(*) Dries van der Kleij (38) werd industrieel ingenieur bij Groep T en deed daarna een Ma-na-Ma biomedische en klinische ingenieurstechnieken aan de KU Leuven. Hij werkte bij Atlas Copco, SKF en ABB en is vertrouwd met de wereld van rotating equipment en condition equipment.
Door Luc De Smet
