IN THE FIELD  
Maintenance Magazine 142 – december 2018

Remote monitoring, conditiebewaking, digitalisering, data-analytics,…

“Begin december vertrekken twee collega’s naar Singapore voor de eindcommissioning van een semi-submersable crane vessel,” zegt Alain Naets, directeur bij PRUFTECHNIK N.V. in de Antwerpse haven. Het reuzenhijswerktuig, de aandrijvingen, lieren, bomen en planetaire tandwielkasten rustte het uit met sensoren om trillingspatronen te monitoren, op te meten en lokaal te analyseren. De verwerkte data zullen naar zijn ‘diagnostic center’ in Antwerpen doorgestuurd worden om verslag uit te brengen aan de klant. “Bij onregelmatigheden of veranderingen zullen we daar van op afstand dieper op inzoomen.”

PRUFTECHNIK N.V. bouwde een dashboardapplicatie die aan de hand van eenvoudige parameters de algemene gezondheid van zo’n machines opvolgt. Elke meting brengt drie frequentiegebieden in beeld: de lagere, midden en hogere frequentiegebieden. Het gaat enerzijds om de trillingssnelheid in mm/sec RMS (ISO richtlijnen). Vervolgens ook de breedbandacceleratiewaarde voor midden- en hoogfrequente parameters (het in elkaar grijpen van tandwielen) en een hoogfrequente ‘enveloppemeting’ die informatie verstrekt over de lagertoestand. “We volgen de trends op. Bij ‘veranderingen’ zoomen we dieper in op de spectra en de tijdsignalen om op componentenniveau de oorzaak van de fout te zoeken.”

Meetresultaten zijn minder eenduidig dan het vaak klinkt. Dit soort machines loopt immers niet continu aan dezelfde snelheid. Integendeel. Ze tillen verschillende lasten en kennen dus andere belastingen die tegen verschillende snelheden genomen worden. “Daarmee moet je rekening houden om je metingen te normaliseren”, zegt Naets die het heeft over ‘operating states’. “Dat kan een combinatie tussen snelheid en belasting zijn. We clusteren onze gegevens rond dergelijke ‘states’ om voldoende en betrouwbare data te krijgen. Er zijn overigens meerdere technieken om representatieve trends te vangen bij sterke variaties.”

Kinematisch model

“Wanneer het dashboard een probleem aangeeft, gaan we in de diepte kijken en specifieke signaalanalyses doen.” Daartoe moet er eerst een kinematisch computermodel van de machine zijn dat de mechanische componenten (lagers, tandwielen, assen,…) omvat. Je moet ook weten in welk frequentiegebied te kijken. “Dat doe je, rekening houdend met de ‘operating states’. Daarna kan je bepalen welke metingen je moet doen (tijdsignalen, spectra,…) om welk probleem op te sporen.” Maar vaak zijn die modellen niet goed opgebouwd, stelt Naets vast. Evenmin is het evident om sensoren op ‘ideale’ meetlocaties te zetten.

Zo’n modellen (je kan ze bijna digital twins noemen) schrijven metingen voor aan inputs en outputs om te leren uit de verschillen, de correlatie. “Op bepaalde plekken is het problematisch om accelerometers te zetten. Als je niet bij alle nodige meetpunten kunt, is er soms te weinig informatie.” Dan wordt het behelpen met het combineren van technieken. Een trillingsanalyse met een data-analyse die bouwt op een veelheid van parameters, bijvoorbeeld. “Via data-analytics vinden we dan significante patronen terug.”

Klassiek analyseren, het koppelen van de nieuwe technieken met data-analytics en artificiële intelligentie, zou een grotere trefzekerheid moeten bieden. Een datascientist buigt zich over algoritmes (regressie, clustering, deviatie…) die vervolgens op de machine toegepast worden. “Daarvoor moet je wel die machine kennen. Dat is eenvoudig bij eenvoudige machines. Maar bij complexe is dat… ‘heavy’.” Er is veel data nodig als je de analytic engine wilt ‘trainen’ om een ‘lerend systeem’ op te bouwen dat je mettertijd in de juiste richting wijst. “We hebben eigenlijk nog te weinig data om het systeem ‘AI’ te noemen.” Eigenlijk gaan de machines te weinig kapot om er snel van te leren. Op zich is dat dus niet zo kwaad, maar… je leert er niet veel van.

Groot én kleiner

Elk machinetype vereist een andere aanpak. Bij complexere machines (tandwielkasten, compressoren,…) stijgt de moeilijkheidsgraad en zijn er ook complexere technieken nodig. Meerdere ontwikkelingen en technologieën grijpen vandaag echter in elkaar (snellere processoren, sneller internet,…) en scheppen daarmee de randvoorwaarden die nieuwe data-analytics op een groot aantal parameters mogelijk maakt.

“Het combineren van data-analytics met ‘klassieke’ analyse om machineschades vroegtijdig te detecteren, is vrij nieuw”, zegt Naets. “De resultaten zijn ook beter dan we verwachtten. Zo vinden we vaak anomalieën waar we zelf niet eens aan dachten. Bepaalde correlaties hadden we niet eerder gezien. We hadden zelfs niet door dat er precies ‘daar’ iets te zien zou zijn.” Zo zag men in een thruster van een pijpenlegger signalen van tandwielschade die zich zou propageren… “We hadden dat nooit met een klassieke analyse gevonden. Het vergt wel een goede implementatie.”

Hoewel PRUFTECHNIK zich meestal toelegt op grotere en complexere installaties met veel variatie, zoals bijvoorbeeld ‘aero derivatives’, gasturbines uit vliegtuigen die al eens aan boord van offshore installaties ingezet worden, volgt het ook applicaties op kleinere machines die cruciaal zijn voor het productieproces. “Zo gebruikt een Amerikaanse farmareus onze systemen om kleinere machines te monitoren die, wanneer het fout zou gaan, een grote gevolgschade zouden hebben. Zoals circulatieblowers bij sterilisatieovens, bijvoorbeeld. Als die motoren van nauwelijks 500 W het laten afweten, vastlopen en rookontwikkeling genereren, leidt dat tot een productiestop in de cleanroom.”

Ook monitoringsystemen vergen onderhoud

Sensoren moeten goed gekozen zijn. De gemeten frequentieband moet met het kinematisch model overeenkomen. De sensor moet ook een verhoogde signaalamplitude bij machineschade aankunnen. “Vaak worden verkeerde sensoren gekozen”, aldus Naets. “Bij bepaalde schades worden de sensoren overdonderd door te hoge signaalamplitudes die ze dan niet correct meer meten.” De gevoeligheid maar ook het frequentiebereik moet goed gekozen worden. Aandacht ook voor de omgevingscondities. Als een machine tot 150° C gaat of onder water staat opgesteld, moet de sensor dat aankunnen. De materialen van de sensor dienen afgestemd te zijn op de omgeving waarin ze terechtkomen.

Sensoren volstaan niet. De data die ze leveren dienen ook intelligent verwerkt te worden.

De intelligentie on site is belangrijk. Alles is maatwerk? “Uiteindelijk zijn het steeds dezelfde meetsystemen die je moet configureren. Maar die configuratie is maatwerk.” Eenmaal geïmplementeerd begint het verhaal pas. “Na installatie laten we het systeem runnen. Maar zes maanden na indienststelling, wanneer er meer data is, kan het zijn dat we meetparameters bijstellen en aan de werkelijkheid aanpassen. Soms moet je bijvoorbeeld het spectrum van 800 naar 1.600 lijnen doortrekken en het systeem bijtunen.”

Voor grotere projecten met complexe machines zit dat tunen van bij de start in de totale prijsenveloppe. “Je kan er niet omheen. Stel dat de trefzekerheid daalt omdat het systeem niet goed geconfigureerd is. Een systeem dat niet werkt zal de gebruiker niet vertrouwen en uitschakelen. We moeten goed implementeren om resultaat te halen.” Ook monitoringssystemen vergen dus onderhoud, kalibratie en software updates.

Hosten

“Dat is zeker het geval als wij de klant hosten”, zegt Naets. Fysisch lopen die onder andere op gehuurde servers op het gelijkvloers van het Flanders DataCenter. Vroeger was de acceptatie laag maar steeds vaker kiest de klant voor een centraal gehost systeem. Hij heeft toegang en behoudt de controle maar hoeft zich van de software niks meer aan te trekken. De aanpak omzeilt ook eventuele bottlenecks bij de eigen ICT-dienst. “Wij zijn verantwoordelijk voor de VPN, firewalls, updates… Dat is efficiënter. Klanten willen een resultaat zien zonder er zich veel van te hoeven aantrekken. Deze toepassingen (klanten die op een dashboard en gehoste analyse software instappen) zijn het laatste jaar meer dan verdubbeld.”

PRUFTECHNIK N.V. connecteert zijn nieuwe onlinesystemen via een junction box waarop de sensorbekabeling aangesloten wordt. “Wireless kan je niet overal installeren. Een schip bevat veel metaal wat lastig kan zijn voor de signaaloverdracht. Bij metingen op machines met veel variabiliteit lopen batterijen snel leeg. Er zijn applicaties die zich lenen tot een draadloze oplossing en andere niet.”

“Heel de keten moet kloppen”, zegt Naets. “Dat is onze expertise.” In de toekomst ziet hij steeds meer data-analytics, remote monitoring en ‘automatisering van de vooranalyse’. “Niet elke verandering in trillingsbeeld hoeft alarm te slaan. Maar die data kan je wel gebruiken voor je analyse om het alarmbeeld steeds fijner af te stellen.” Dat is nog niet onmiddellijk artificiële intelligentie maar wel een ‘lerend systeem’ dat de feedback gebruikt om via tuning de trefzekerheid te verhogen.

4G routers zullen naar 5G schuiven. Hoe sneller, hoe liever. “Vandaag is het ook al kostengunstig om data via satelliet te verzetten”, rekent Naets. De prijs zakt. Naast Inmarsat zijn er nu ook andere platformen. “Systemen zullen ook ‘opener’ worden zodat informatie van het ene naar het andere apparaat kan doorschuiven. Fabrikanten van meetapparatuur moeten zich openstellen.” Naets wijst op het collaboratief aspect van de monitoring op afstand. “De generieke data die door het systeem passeert, leidt tot betere inzichten en komt uiteindelijk iedereen ten goede. Gaat men er aan meewerken of tegenwerken? Veel bedrijven hebben meer te winnen met het collaboratief model.” <<

Door Luc De Smet