HvA en Defensie Academie ontwikkelen nieuwe standaard voor onderhoud data
Nieuws
Wie machines slim wil onderhouden, heeft goede data nodig. In de praktijk zijn die vaak onvolledig, inconsistent of simpelweg niet beschikbaar. Het lectoraat Industriële Digital Twins van de Hogeschool van Amsterdam (HvA) werkt samen met de Nederlandse Defensie Academie (NLDA) aan een oplossing: een nieuwe metadata-standaard die meetgegevens van onderhoud vergelijkbaar en bruikbaar maakt. De HvA brengt de uitkomsten in bij het Dutch Prognostics Lab: een nationaal samenwerkingsverband voor het dichten van de kloof tussen theorie en praktijk in voorspellend onderhoud.
De samenwerking past in de bredere missie van het lectoraat: praktische handvatten ontwikkelen waarmee industriële organisaties Digital Twin-technologie kunnen inzetten voor efficiënter en goedkoper onderhoud. Een digital twin is een digitale kopie van een fysiek object of systeem - een machine, motor of installatie - die voortdurend wordt bijgewerkt met live sensordata. Daardoor kun je op afstand zien hoe het systeem functioneert, slijtage monitoren en storingen voorspellen zonder het fysieke object te hoeven inspecteren. Het lectoraat Industriële Digital Twins draagt hiermee bij aan een robuustere onderhoudsinfrastructuur in Nederland: minder onverwachte uitval, lagere kosten en slimmere inzet van schaarse technici.
Metadata: een onderschat probleem
Van productiebedrijf tot defensie: steeds meer organisaties willen storingen vroegtijdig signaleren en onderhoud voorspellend inplannen. De technologie hiervoor is beschikbaar: sensoren registreren continu het gedrag van machines en AI-modellen herkennen patronen die wijzen op slijtage of aankomende defecten. Toch loopt het in de praktijk vaak net een beetje anders.
Organisaties beschikken over méér data dan ooit, maar die gegevens blijken moeilijk te combineren of te interpreteren. Twee metingen van hetzelfde type lager, afkomstig van verschillende locaties of momenten, zijn niet automatisch vergelijkbaar. En verschillen in sensoren, bedrijfsomstandigheden of registratie maken het lastig om betrouwbare patronen te herkennen.
Metadata - informatie over wanneer een meting is gedaan, onder welke omstandigheden, met welk type sensor en aan welk component – worden in de meeste organisaties echter niet gestandaardiseerd vastgelegd. Daardoor zijn meetreeksen onderling niet vergelijkbaar, kunnen onderhoudslogs niet automatisch worden geïnterpreteerd en blijven AI-modellen afhankelijk van gesimuleerde data in plaats van echte velddata.
‘Uitval van kritieke systemen kost geld en tijd en gaat soms ten koste van de veiligheid. Betere data zijn de eerste stap naar onderhoud dat storingen voorkomt in plaats van repareert.' - Nathan Houwaart, onderzoeker Industriële Digital Twins, HvA
Gestructureerde aanpak
Het lectoraat en de Nederlandse Defensie Academie (NLDA) pakten dit vraagstuk samen op. Defensie heeft er een directe operationele reden voor: de betrouwbaarheid van technische systemen – van voertuigen tot vliegtuigen en scheepsonderdelen - is van kritisch belang. Uitval door onverwachte storingen heeft niet alleen financiële, maar ook veiligheidsconsequenties.
De onderzoekers gingen na welke informatie minimaal noodzakelijk is om metadata voor onderhoud bruikbaar te maken: welke contextinformatie moet worden bijgehouden, hoe documenteer je dat en in welk formaat? Het antwoord leidde tot een gestructureerde aanpak: een gedeeld kader dat beschrijft hoe meetdata gerelateerd aan onderhoud eenduidig worden vastgelegd en gedeeld.
Nationaal vervolg: het Dutch Prognostics Lab
De nieuw ontwikkelde standaard is niet alleen relevant voor de HvA en de NLDA. De HvA brengt de uitkomsten in bij het Dutch Prognostics Lab: een nationaal initiatief gefinancierd door het Ministerie van Defensie, in samenwerking met de Universiteit Twente, De Haagse Hogeschool, NLR en het Hoogheemraadschap van Rijnland.
Het Dutch Prognostics Lab standaardiseert meet- en documentatieprotocollen, zodat organisaties hun data kunnen delen en benutten voor betere onderhoudssystemen. Het einddoel is een netwerk van bestaande testopstellingen bij verschillende organisaties die via een gezamenlijk dataprotocol data uitwisselen. Elke deelnemer krijgt zo toegang tot veel meer hoogwaardige data waarmee AI-modellen worden getraind dan ze op eigen kracht hadden kunnen verzamelen.
‘In de praktijk is data vaak onvolledig of van lage kwaliteit. Het Dutch Prognostics Lab wil deze kloof tussen theorie en praktijk overbruggen.’
- Dutch Prognostics Lab, De Haagse Hogeschool
Wat levert de nieuwe standaard op?
- Een gedeeld kader voor het vastleggen van metadata bij diagnostische tests en run-to-failure-tests. Bij dergelijke tests laat men een onderdeel bewust doorlopen tot het uitvalt.
- Betere vergelijkbaarheid van meetdata tussen organisaties en testopstellingen.
- Hogere datakwaliteit als basis voor AI-modellen voor voorspellend onderhoud.
- Een data-template dat breed toepasbaar is voor industrie én defensie.
- Een fundament voor een gedeeld netwerk van testopstellingen in Nederland.
Lectoraat Industriële Digital Twins
Het lectoraat Industriële Digital Twins van de Hogeschool van Amsterdam onderzoekt hoe Digital Twin-technologie - digitale kopieën van fysieke systemen - kan bijdragen aan efficiënter en betrouwbaarder onderhoud van industriële systemen. Het lectoraat werkt nauw samen met bedrijven en instellingen in de maakindustrie en beschikt over een eigen Maintenance Lab voor praktijkgericht onderzoek en testomgevingen.
Lector: Jurjen Helmus