Author profile picture

Tiedo Tinga (1973) is hoogleraar Dynamics based Maintenance aan de faculteit Engineering Technology van Universiteit Twente, met een achtergrond in Materiaalkunde en Werktuigbouwkunde. Zijn onderzoek richt zich op het opsporen en voorspellen van storingen in systemen, met behulp van de Physics of Failure, grondig begrip van het (dynamische) systeemgedrag en geavanceerde monitoringtechnieken. Tinga is een van de keynote speakers op het Reliability seminar dat op 25 en 26 maart 2021 plaatsvindt bij Holland Innovative op de High tech Campus Eindhoven.

Waarom gaan dingen stuk – en wanneer? Zolang als Tiedo Tinga actief is in zijn vakgebied, is dit voor hem de centrale vraag geweest. Hij was werkzaam in civiele en militaire omgevingen en kon in alle omstandigheden – van windturbines tot het meest ingewikkelde defensiematerieel – de materiaalkunde als uitgangspunt hanteren. “Maar wat je in recente jaren ziet is de opkomst van datascience als extra laag. Het is een logische ontwikkeling voor ons vakgebied, alleen al vanwege de enorme toevloed van sensoren in de maintenance wereld. Het belang van algoritmes neemt daardoor toe en dat betekent dat mijn onderzoek ook meer en meer is verschoven naar een combinatie van datascience en materiaalkunde. Het een heeft het ander niet vervangen. Je moet het veel meer zien als aanvullingen op elkaar: de meerwaarde zit ’m in de combinatie van de twee.”

Faaldata

Tiedo Tinga, © UTwente

De kracht van datascience wordt vooral zichtbaar als er veel data beschikbaar zijn, zodat het systeem zichzelf kan verbeteren. Een algoritme dat ‘getraind’ wordt met heel veel voorbeelden wordt gaandeweg beter in het herkennen van bepaalde patronen. Tinga: “Dat is een belangrijke aanvulling op ons werk. Maar je loopt, zeker in de begintijd, wel tegen een praktisch probleem aan, ook in de maintenance wereld. Juist omdat het voorkomen van storingen altijd het doel is, treden er daadwerkelijk relatief weinig storingen op. Dat houdt in dat er weinig data beschikbaar zijn op basis waarvan het algoritme met kunstmatige intelligentie (AI) kan leren. Anders gezegd: een kleine set voorbeelden levert een slecht getraind algoritme op.”

Daar staat tegenover dat de traditionele, fysiche modellen, die kijken naar de gevolgen van corrosie, slijtage of vermoeiing van het materiaal, weer heel veel inspanning vergen. “Je begint op componentniveau, dus voordat je een heel apparaat hebt geanalyseerd ben je veel verder. Dat is waarom ik zo aandring op de combinatie: domeinkennis vanuit de traditionele fysica én de power van AI.”

“Reliability engineering is heel erg experience based”, zegt Tinga. “Faaldata komen per definitie uit het verleden. Op basis daarvan maken we een toekomstinschatting. Dat werkt goed bij systemen die altijd onder dezelfde omstandigheden werken. Denk aan machines die gebruikt worden ergens in een hal met altijd dezelfde omstandigheden. Maar dat geldt veel minder voor veel processen bij defensie. In Mali en Afghanistan heb je niet zoveel aan data die je verzameld hebt op de Veluwe. Dan werkt de traditionele manier van werken niet goed genoeg.” Maar ook daarvoor is een oplossing dankzij de datascience. “Ja, als we meerwaarde weten te bereiken met het combineren van verschillende databronnen. Breng je specifieke faaldata samen met variabele aanvullende data, dan benut je de kracht van datascience. Het is veel meer dan wat homogene primaire datasets.”

Luchtvaart, automotive en maritiem

Er is nog een wereld te winnen op het gebied van reliability. “Niet bij iedere fabrikant en sector is dat aspect even belangrijk. In de luchtvaart gaat het heel goed, in de maritieme en automotive sectoren (nog) een stuk minder. Veelal focussen die zich nog op wat een systeem kan en hoe betaalbaar het allemaal is. Hoe reliability daarbinnen te integreren, dat is helaas minder vanzelfsprekend.” Tinga stelt vast dat fabrikanten hier in sommige sectoren nog gewoon mee wegkomen ook. “Oké, het is wat het is, hoor je dan. Maar wat je gelukkig wel steeds meer ziet is dat gebruikers betrouwbaarheid belangrijk gaan vinden en eisen beginnen te stellen aan leveranciers. Het wordt dus echt zaak om te kwantificeren wat de betrouwbaarheid je waard is. Van een product én van een heel systeem.”

Daarbij komt ook de rol van een system integrator om de hoek kijken. “Binnen productontwikkeling en maintenance is niet alleen je eigen prestatie van belang, maar ook die van de complete keten van toelevanciers. Traceability is bijvoorbeeld in de luchtvaart al heel normaal. Een system integrator houdt het gehele systeem in de gaten en is in feite verantwoordelijk voor alle leveranciers. Maar wederom geldt dat er enorme verschillen zijn tussen sectoren – de ene legt hier veel waarde in, de ander een stuk minder.”

Onderdeel van je proces

De eindgebruiker staat daarbij altijd aan het roer, zegt Tinga. “De gebruiker stelt eisen aan system integrators. Als de eindgebruiker niet om betrouwbaarheid vraagt, zal die system integrator zich er ook minder zorgen over maken. En andersom juist wel.” Ook de contracten kunnen aan dat verschil in aanpak gekoppeld worden. “Hoe regel je je service en onderhoud bijvoorbeeld? Lever je een product en laat je je klant het verder maar uitzoeken, of kies je ervoor zelf eigenaar te blijven en de beschikbaarheid van de service te blijven garanderen? Beschikbaarheid is echt een trend. En daarmee is de levenscyclus van een product een verdienmodel geworden. Maar dat werkt alleen als je het gebruik goed kunt blijven monitoren – bijvoorbeeld via de sensoren die data verzamelen en daarmee input leveren voor de algoritmes die met behulp van datascience hun informatie leveren. In die situatie is reliability echt een integraal onderdeel van je proces geworden.”

Hoewel maart 2021 nog ver weg lijkt (de seminar stond aanvankelijk gepland voor juni 2020, maar is vanwege de coronacrisis opgeschoven), heeft Tinga wel al een beeld van de twee hoofdlijnen van zijn keynote. “Het zal aan de ene kant gaan over de potentie van ‘predictive maintenance’, de voordelen van voorspellingen voor je ‘reliability’. Maar ik zal zeker ook aandacht geven aan de kracht én de beperkingen van datascience. Pure datagedreven inzet brengt ons ver, maar het is niet genoeg. We zullen altijd de combinatie moeten maken met materiaalkunde – de fysische modellen.”