Maintenance Lab
Lager Testbank
De Lager Testbank is een door het Maintenancelab van de Hogeschool van Amsterdam (HvA) ontwikkelde lager-testopstelling waarmee lagers onder volledig gecontroleerde omstandigheden worden belast en uitgemeten. De Lager Testbank is een proof of concept en wordt actief doorontwikkeld. Het doel is een platform te bieden voor het genereren van kwalitatieve, gelabelde lagerdata die bruikbaar is voor conditiemonitoring en onderzoek naar voorspellend onderhoud. Waar traditioneel lageronderzoek duur en tijdrovend is, maakt de Lager Testbank het mogelijk om in versneld tempo — maar onder realistische condities — het gedrag van lagers over hun volledige levensduur te karakteriseren. De machine combineert toegankelijke maakkosten met professionele meettechniek, waardoor zowel mkb als grootbedrijf ervan kunnen profiteren.
Lager Testbank
Docent-onderzoeker Nathan Houwaart geeft uitleg over de Lager Testbank.
Kernprincipe
Lagers draaien continu terwijl sensoren data registreren over belasting, trillingen en slijtage — onder exact bekende condities. Zo ontstaan datasets die in de praktijk zelden beschikbaar zijn.
Waarom een testbank?
Hoogwaardige lagerfaaldata is in de industrie schaars. Veiligheidskritieke systemen — zoals windturbines, scheepsassen of industriële aandrijflijnen — mogen in de praktijk niet gecontroleerd kapot worden gedraaid. Run-to-failure data is daardoor bijna onmogelijk te verzamelen.
Bovendien is velddata vaak slecht gelabeld: onderhoudssystemen registreren zelden het exacte faaltype, de ernst of het tijdstip van schade-initiatie. Zonder die context zijn de meetdata onvoldoende bruikbaar voor het trainen van AI-modellen.
Een testopstelling zoals de Lager Testbank vult dat gat: lagers worden onder gecontroleerde, herhaalbare condities belast. Dit levert nauwkeurig gelabelde datasets op met bekende belastingsscenario’s en faalpatronen.
Hoe werkt het?
De Lager Testbank bestaat uit vijf samenhangende onderdelen:
1. Belastingsunit — gecontroleerde testomstandigheden
De Lager Testbank stuurt drie belastingsparameters automatisch aan via configureerbare profielen:
- Hydraulisch, tot 120 bar — Axiale druk
- Hydraulisch, tot 120 bar (~20 kN) — Radiale druk
- Aandrijfmotor instelbaar tot ~1500 RPM — Toerental
Belastingsprofielen kunnen wisselende condities bevatten gedurende een test, volledig automatisch aangestuurd via software.
In ontwikkeling: verwarming van het lagerblok tot 100 °C, voor het simuleren van thermische belastingscondities.
2. Sensorsysteem — op het lager zelf
FBG sleeve (Sensing360) met 8 Fiber Bragg Grating sensoren, uitgelezen door een Photonfirst interrogator. De sleeve is gemonteerd rondom het lager.
De sensoren meten rekspanning (strain). Hiermee analyseer je:
- Rekspanning op 8 posities rondom de lageromtrek
- Radiale en axiale belasting — lastdistributie
- BPFO, BPFI, BSF en FTF — lagerkarakteristieke frequenties
- Afwijkingen als vroeg signaal van schade — defectsignaturen
Tevens: toerental (indirect) en temperatuur.
Endaq IMU sensor: meet trillingen, shock, temperatuur en oriëntatie.
De Lager Testbank gebruikt SKF 6204-type lagers (en varianten).
3. Sensorsysteem — machinemonitoring
Naast de lagersensoren worden ook systeemparameters gemonitord:
- Temperatuur van lagerblok, lagerhuizen, motor en olie
- Axiale en radiale load via loadcellen
- Hydraulische systeemdruk (analoog en digitaal)
- Motortoerental (RPM) en motorvermogen
4. Data-acquisitie — standaardisatie via ISA-PHM
Alle sensordata — van FBG-interrogator, IMU en machinemonitoring — wordt handmatig gecombineerd en gestandaardiseerd via het ISA-PHM-framework. Dit koppelt meetdata aan bijbehorende metadata: belastingscondities, sensorinformatie en faaltype, in een gestructureerd en herhaalbaar formaat.
Alle sensordata wordt gecombineerd en gestandaardiseerd via het ISA-PHM-framework. Dit koppelt meetdata aan metadata zoals belastingscondities, sensorinformatie en faaltype.
5. Analyse & modellering — richting voorspellend onderhoud
Het Maintenancelab werkt toe naar een aanpak waarbij de gegenereerde datasets de basis vormen voor conditiemonitormodellen en resterende levensduurschatting (RUL). Studenten en onderzoekers verkennen hiervoor machine-learning technieken. Dit is een richting die het Maintenancelab actief ontwikkelt en onderzoekt.
Glasvezel sensor in de Lager Testbank
In deze video geeft docent-onderzoeker Nathan Houwaard uitleg over de glasvezel sensor.
Wat levert het jouw organisatie op?
Inzicht in lagergedrag Meetdata onder eigen belastingscondities. | Gelabelde datasets Direct bruikbaar voor onderzoek en AI. | Kennis in huis Samenwerking met HvA studenten en onderzoekers. | ||
Leveranciersonafhankelijk Test lagers van elke fabrikant. | Versneld resultaat Inzicht in weken, niet jaren. | Flexibele samenwerking Van gesprek tot partnerschap. |
Toepassing in jouw organisatie
De Lager Testbank is relevant voor elke organisatie die werkt met roterende machines. Denk aan:
🏭 Industrie & productie: pompen, compressoren, ventilatoren, transportbanden en aandrijflijnen.
⚓ Maritiem & offshore: scheepsassen, boegschroeven, winches en kraaninrichtingen.
⚙️ Energiesector: windturbines, generatoren en waterkrachtcentrales.
🚂 Infra & mobiliteit: rijtuigassen, rollend materieel en hefinstallaties.
🔬 OEM & R&D: verificatie van nieuwe lagerontwerpen of smeermiddelen.
Wist je dat?
Onderzoek toont aan dat 40–50% van alle storingen aan elektromotoren en roterende machines teruggevoerd kunnen worden op lagerfalen. Vroegtijdige detectie kan de onderhoudskosten met 25–30% verlagen en de beschikbaarheid van installaties aanzienlijk verbeteren.
Van meting naar voorspellend onderhoud
Het Maintenancelab werkt aan een aanpak waarbij testbankdata de basis vormt voor een volledig conditiemonitortraject. De richting die we voor ogen hebben:
Inventarisatie Welke machines en lagers zijn kritisch in jouw proces? |
Dataverzameling De Lager Testbank simuleert jouw specifieke bedrijfslast en genereert gelabelde datasets, gestandaardiseerd via ISA-PHM. |
Modelontwikkeling Studenten en onderzoekers verkennen conditiemonitormodellen op basis van de data. |
Validatie Het model wordt vergeleken met machinedata uit jouw operationele omgeving. |
Implementatie Integratie in jouw CMMS of dashboard naar keuze. |
Kennisoverdracht Jouw medewerkers worden meegenomen in de methodiek. |
Momenteel werkt het Maintenancelab aan datastandaardisatie en het opzetten van use cases om datasets te genereren. Dit traject is de richting waar we naartoe werken.