Marine maakt zich op voor data voor onderhoud

De Marine wil aan predictief onderhoud doen — Door de juiste data te verzamelen, te koppelen en te analyseren, wil de Marine aan predictief onderhoud doen

Dit jaar zal de Koninklijke Marine opdracht geven voor de bouw van enkele nieuwe fregatten. Expliciete aandacht gaat hierbij naar de digitale infrastructuur die het verzamelen van data in het kader van onderhoud moet ondersteunen. Hiermee speelt de defensieorganisatie in op steeds complexere systemen aan boord, waar bovendien steeds minder mensen (mogen) werken. Om nauwkeurig te weten wát er straks precies aan data moet worden verzameld, is er recent een project opgestart waarin nauw wordt samengewerkt met de scheepsbouwer, het onderwijs en het bedrijfsleven. Slimme sensoren staan centraal.

Regie in eigen hand

Den Helder is het centrum van kennis waar de Nederlandse Marine werkt aan slimme onderhoudsstrategieën en onderzoek doet naar nieuwe, ondersteunende technieken. Hoewel er al langer trillings- en vloeistofmetingen worden gedaan, is het in deze tijd belangrijk om de kennis te verdiepen en te verbreden. In het komende jaar zullen namelijk de eisen worden geformuleerd voor de aanschaf van een aantal nieuwe fregatten. Daarbij is enerzijds rekening te houden met steeds complexere systemen aan boord en anderzijds met een steeds kleinere bemanning.

"Bovendien willen we hier graag meer regie hebben over ons eigen onderhoud, om onze bemanning maximaal te kunnen ondersteunen en de beschikbaarheid van de schepen te maximaliseren", zegt oud-marineman Bart Pollmann, die na zijn leeftijdsontslag gestart is als Innovator Smart Maintenance.

"Door het onderhoud streven we ernaar de beschikbaarheid van de schepen te maximaliseren"

De oplossing ligt in het verzamelen van relevante data van technische installaties op het schip. Deze gegevens worden naar de wal verstuurd en automatisch geanalyseerd. Bij een (automatisch) alarm zitten experts 24/7 klaar om de analyses verder te beoordelen en de bemanning van het schip met raad bij te staan. Dit is overigens ook in belang van het logistieke kader. Een schip moet in principe in staat zijn om dertig dagen logistiek onafhankelijk te opereren, omdat er niet altijd een haven in de buurt is.

Bestaande data vaststellen

Zoals gebruikelijk bij de Nederlandse Defensie, worden vraagstukken pragmatisch aangepakt en is er gestart met het vastleggen van de sensoren en data die reeds beschikbaar zijn.

sensoren voor bediening en onderhoud — Figuur 1A: de traditionele sensoren voor respectievelijk bediening en onderhoud

Deze informatie is weergegeven in figuur 1A. De eerste lijn betreft de bestaande sensoren voor de bediening en bewaking van het schip, zoals snelheidsmeters, brandstofmeters en brandmelders. De tweede lijn sensoren wordt specifiek gebruikt voor toestandsafhankelijk onderhoud.

Figuur 1B: bestaande sensoren en beschikbare gegevens combineren door Data Science

Voorheen was het mogelijk om twee tot drie parameters te combineren om nieuwe inzichten te verkrijgen. Door ontwikkelingen op het vlak van opslag en rekencapaciteit is dit aantal aanzienlijk uit te breiden en zijn sensoren uit beide lijnen te koppelen. Dit valt onder het thema ‘data science’ en biedt ook mogelijkheden om bestaande gegevens uit het ERP-systeem (storingsmeldingen) en open bronnen (het weer en stromingen) in de analyse te betrekken, zoals te zien is in figuur 1B. Dit niet alleen in het kader van onderhoud, maar ook om het energieverbruik en hiermee de CO₂-uitstoot te minimaliseren of operationele optimalisaties door te voeren.

Pollmann: "Daarbij kunnen wij als Marine niet op dezelfde manier gebruikmaken van de cloud als het bedrijfsleven of de industrie. Bij ons gaat het namelijk om confidentiële data die we in beginsel alleen in onze eigen (private) cloud willen hebben. Het eventueel delen van gegevens met een toeleverancier voor verdere ondersteuning kan alleen onder zeer strenge voorwaarden."

Data koppelen en analyseren

Na het vaststellen van de beschikbare data, is een volgende stap om te kijken hoe die het best kunnen worden gebruikt. Het liefst beschikken de experts over de mogelijkheid om alle data op diverse manieren te combineren en de resultaten op het scherm te visualiseren. Door nog meer data mee te nemen, is te zien of dit misschien te maken heeft met het weertype, de geografische locatie (zeestromen), storingen enzovoort.

"Voor je data gaat analyseren, is het belangrijk te weten welk deel daarvan relevant is"

Pollmann: "Om hierin nog meer te bereiken, is het nu vooral van belang om vast te stellen welke sensoren we extra nodig hebben om onderhoud maximaal te kunnen voorspellen én welke metingen we automatisch continu willen gaan uitvoeren in plaats van handmatig en incidenteel. Kijk je naar de dieselmotoren, dan zijn er al heel wat standaardsensoren beschikbaar die relevante data genereren. De pompen zijn echter minder goed bedeeld, waardoor we op dit moment de pompkarakteristieken nog niet goed kunnen vaststellen. Ook extra sensoren om bijvoorbeeld de (cilinder)piekdrukken te meten of drukverschillen in het kader van ventilatie, zijn opties."

Samenwerken

De Directie Materiële Instandhouding van de Marine – de uiteindelijke asset owner – is zich daarbij optimaal bewust van het feit dat Defensie dit niet alleen kan.

Figuur 3: samenwerkingsverbanden — Figuur 2: samenwerkingsverbanden in het kader van slim onderhoud bij de Marine

Om die reden is er recent een projectgroep gestart waarin de DMI samenwerkt met de DMO (Defensie Materieel Organisatie, het deel van Defensie dat o.a. het eisenpakket voor de nieuwe fregatten opstelt), het bedrijfsleven, hogescholen en universiteiten en experts op het vlak van data science. Daarbij stelt de Marine zich op als een ‘launching customer Plus’. Zij krijgt de beschikking over een digitale infrastructuur waarin alle relevante gegevens te verzamelen en te verwerken zijn, terwijl de toeleverende partijen maximaal kunnen profiteren van de kennis die zij opdoen wanneer zij hun systemen bij en met de Marine kunnen testen en optimaliseren. De belangrijkste samenwerkingsverbanden zijn op dit moment Primavera, Marconi en Techport.

Op dit moment worden de data verzameld van vier patrouilleschepen

Vanaf hier en verder

Op dit moment worden de data verzameld van een viertal patrouilleschepen. Wieger Tiddens, werkzaam bij de Marine als Innovator Smart Maintenance en gepromoveerd op Predictive Maintenance: "Het is de bedoeling om data van nog meer schepen te verzamelen en die te gebruiken in het kader van voorspellend onderhoud. In de fase waarin we nu zitten, houden we ons vooral bezig met de behandeling van data. Simpel gezegd: je verzamelt ‘bakken’ met data, maar voor je deze gaat analyseren, is het belangrijk dat je weet welk deel daarvan relevant is om te analyseren, welke combinaties je gaat maken om een zinvolle correlatie te zoeken en uiteraard dat je zeker bent van de kwaliteit van je data. Alleen dán kun je van data tot wijsheid komen."

Figuur : voorbeelden van tools — Figuur 3: voorbeelden van tools die worden gebruikt en getest om data voor te bewerken

In dit kader worden op dit moment verschillende tools gebruikt en getest. De ruwe scheepsdata worden naar de wal gebracht, voorbewerkt en in een centrale database opgeslagen. De data zijn vervolgens beschikbaar in een dataverkenner voor de maintenance engineers, waarmee zij inzicht krijgen in de scheepsdata. Daarnaast biedt dit een platform om de ontwikkelde algoritmes voor diagnose en prognose beschikbaar te maken voor de engineers. In de toekomst kan deze functionaliteit ook naar het schip worden gebracht, zodat de bemanning in realtime inzicht en beslissingsondersteuning krijgt.

Figuur 6: van diagnose naar voorspellen — Figuur 4: van diagnose naar voorspellen

Met deze ontwikkelingen is de Marine intussen aangeland in de fase van analyse van data, en op basis hiervan het voorspellen van onderhoud. Tiddens: "Je start hierbij eenvoudig met het monitoren van losse data en het vergelijken hiervan. Vervolgens ga je verder met het combineren van de data, afkomstig van veel meer sensoren en beschikbare bronnen. Zo krijgen we overzichten van sensordata en storingen, die zijn gemeld in het SAP-systeem. Daarbij hopen we te zien dat een storingsmelding wordt voorafgegaan door bepaalde afwijkingen in metingen. Wanneer dit vaak genoeg gebeurt, kun je andersom redeneren dat het optreden van dit type afwijking zal leiden tot een storing, zodat je onderhoud kan uitvoeren vóór het apparaat stuk gaat."

Figuur 7: anomaliedetectie sensordata — Figuur 5: anomaliedetectie sensordata en koppeling met SAP-meldingen

Projecten

Momenteel lopen er diverse projecten met hogescholen en universiteiten, waarbij onderzocht wordt met welke data welke resultaten zijn te behalen én om te leren hoe het best is om te gaan met grote hoeveelheden data. Zo doet de Marine mee met de Oceans X ONE (een CO₂-race voor schepen), is er een hackaton met studenten georganiseerd en wordt er gewerkt aan het project 'Koploper'. Hierbij laat de Marine een brandstofpomp van de hoofdvaartdiesels voor een klein deel gecontroleerd falen, om zo essentiële faaldata te genereren. Dit type data ontbreekt vaak, omdat installaties nu eenmaal vaker geen storingen hebben. De data zijn echter nodig om algoritmes te schrijven, waarmee uiteindelijk de data van andere pompen is te analyseren.

Door een brandstofpomp gecontroleerd te laten falen, verzamelt men nuttige faaldata

Tiddens: "Er lopen voortdurend vier tot zes afstudeerders rond, die elk een deeltje van de grote puzzel invullen. Daarbij testen en ontwikkelen we met behulp van het huidige fregat Zr. Ms. Groningen en worden er bijna dagelijks nieuwe stappen gemaakt."

Beelden: Mediacentrum Defensie