CIMPLO - Cross-Industry Predictive Maintenance Optimization Platform
Bijna iedere onderneming heeft er mee te maken: onderhoud van machines en infrastructuur. Traditionele onderhoudsconcepten gaan uit van een ‘fixed interval approach’, waarbij rekening wordt gehouden met een aanzienlijke veiligheidsmarge. Het gevolg is dat onderhoud vrijwel altijd te vroeg of, in ergere gevallen, te laat plaatsvindt. Dit maakt het waarschijnlijk een van de meest inefficiënte en tegelijkertijd meest kritische activiteiten in de industrie. Het CIMPLO-platform heeft als doel het optimaliseren van het perfecte moment (zowel kosten- als veiligheidtechnisch) om onderhoud aan motoren uit te voeren.
Projectpartners
CIMPLO is een project van het Leiden Institute of Advanced Computer Science (LIACS), Centrum voor Wiskunde en Informatica (CWI), en industriële partners KLM Air France (in relatie tot vliegtuigmotoren) en Honda Research Institute Europe (in relatie tot elektrische wagenparken).
We spraken in het voorjaar van 2024 met dr. Niki van Stein, onderzoeker bij de Natural Computing Group van LIACS en manager van het toegepaste data science lab. Ze promoveerde in 2018 in Computerwetenschappen aan de Universiteit Leiden. Niki's onderzoeksinteresse ligt in eXplainable AI voor geautomatiseerd machinaal leren, mondiale (Bayesiaanse) optimalisatie en zoeken naar neurale architecturen. Ze houdt zich vooral bezig met onderzoek met directe toepassingen in de industrie, zoals voorspellend onderhoud, optimalisatie van auto- en scheepsontwerp en planningsoptimalisatie. Het projectteam werd geadviseerd door een gebruikerscommissie. Deelnemers in deze commissie zijn andere industriepartners zoals Volkswagen, Damen, Tata Steel en DAF Trucks.
Doel en resultaat
Het CIMPLO-project heeft tot doel een sectoroverschrijdend voorspellend onderhoudsoptimalisatieplatform te ontwikkelen, dat tegemoetkomt aan de reële vereisten voor dynamische, schaalbare onderhoudsplanning met meerdere criteria. Om de volledige bedrijfsvoordelen op het gebied van veiligheid, tijd en financiële besparingen te realiseren, combineert het CIMPLO-project voorspellend onderhoud met dynamische multi-objectieve planning, zodat onderhoudsgebeurtenissen en de benodigde assets dynamisch kunnen worden (her)gepland. Niki vertelt trots: “Een mooi resultaat uit het project is toch wel dat we met een redelijk explainable model konden achterhalen wat voor sensoren goed waren in het meten van de conditie van een vliegtuigmotor en waarbij dit vervolgens ook daadwekelijk door een domein expert bevestigd werd. We konden dus niet alleen een model vinden dat dit goed kon, maar de domeinexperts zagen ook dat het logisch was én dat het hout sneed. Trots ben ik ook op het feit dat we een mooi totaalpakket - een echt product - hebben opgeleverd dat partners al direct in een testomgeving konden gebruiken.”
Sensoren en data
Tegenwoordig worden alle onderdelen van industriële machines bewaakt met talrijke sensoren. Samen zorgen ze voor een enorme hoeveelheid data, die in potentie bruikbaar zijn voor onderhoud. Voor projectpartners KLM en Honda zijn voorbeelden van die machines respectievelijk vliegtuig- en personenautomotoren. Ingebouwde sensoren bieden de mogelijkheid om de degradatie van onderdelen in deze motortypen te modelleren. De gegevens kunnen worden gebruikt voor voorspellende modellen en dynamische planning.
Een uitdaging in het project was de beschikbaarheid van goed gelabelde data. Niki licht toe: “Er is niet altijd goede data beschikbaar, vliegtuigen gaan - gelukkig - niet zo snel kapot. We werken dus vaak met een grote onbalans in de data. Daardoor zijn we in de methodes behoorlijk gelimiteerd, zeker op het gebied van data van sensoren. Ook het verkrijgen van data van verschillende industrieën is niet eenvoudig - onder andere door geheimhouding - dan is het lastig om methodes te testen op verschillende gebruikersgroepen. Ook moesten we tussentijds methodes aanpassen omdat we extra data konden ontvangen door het streamen van meer vluchtgegevens.”
Take Off CIMPLO
Na CIMPLO zijn de onderzoekers gaan kijken naar de haalbaarheid (feasibility) om dit in de markt te gaan zetten. Een haalbaarheidsonderzoek of de markt hier klaar voor is en wat de benodigde stappen zijn om dit bijvoorbeeld als een spin off company te starten. Daarbij wordt ook gekeken naar de mogelijke obstakels en de benodigde financiering voor zo’n stap. “Het advies dat daaruit voortkwam is om eerst de software verder te ontwikkelen in het huidige XAIPre-project, en dan met bijvoorbeeld een van de partners in het project te gaan kijken hoe we dit in hun productieomgeving in kunnen passen,” vertelt Niki.
Vervolgproject XAIPre
Het XAIPre-project heeft tot doel het ontwikkelen van Explainable Predictive Maintenance (XPdM)-algoritmen die de ingenieurs niet alleen een voorspelling bieden, maar daarnaast ook:
- een risicoanalyse geven als het onderhoud wordt uitgesteld
- de criteria of indicatoren die het algoritme gebruikte om die analyse te maken.
Door meer inzicht te geven in de staat van de machine krijgen de monteurs meer macht en controle over hun onderhoudsproces. XAIPre richt zich op onderhoud in de maritieme industrie, projectpartner is Heerema Marine Contractors. Niki vult aan: “Ook de methodes die we ontwikkelen tijdens XAIPre proberen we zo generalistisch mogelijk op te zetten, zodat ook andere industrieën er gebruik van kunnen maken.”
Verder vervolg
Samen met andere industrieën worden weer nieuwe NWO-aanvragen voorbereid. Ook is er dit jaar een PhD-student gestart op dit onderwerp, maar dan voor het onderhoud van locomotieven.
Meer informatie over CIMPLO en vervolgprojecten vind je op https://www.nikivanstein.nl/projects/cimplo
