Real-time data-driven maintenance logistics - Innovatie in data-gedreven onderhoudslogistiek
RSS Feed
This article was placed on: c2d
In het kader van het C2D-project Real-time Data-driven Maintenance Logistic werken onderzoekers en bedrijven samen om onderhoudsprocessen te optimaliseren door middel van real-time data. In een interview met Willem van Jaarsveld (TU/e), een van de leidende onderzoekers, werden in het najaar van 2024 de belangrijkste uitdagingen en successen besproken.
Het ontstaan van het project
Willem legt uit dat het project in 2018 van start ging, in samenwerking met drie belangrijke industriële spelers: Fokker Services, NS Maintenance (onderdeel van de Nederlandse Spoorwegen), en Philips. Deze bedrijven zochten naar manieren om optimaal gebruik te maken van de grote hoeveelheden beschikbare data in hun onderhoudsprocessen.
Aan academische zijde werkten onderzoekers van de Technische Universiteit Eindhoven (TU/e) en de Technische Universiteit Delft (TU Delft) samen. De grootste uitdaging was het dynamisch organiseren van onderhoud en logistieke processen op basis van real-time data. Dit betekende een radicale omslag ten opzichte van traditionele, statische onderhoudsstrategieën. Willem licht toe: "Het idee was niet alleen om onderhoud slimmer te plannen, maar ook om de logistiek rondom het onderhoud dynamischer en efficiënter te maken. In plaats van onderhoud op vaste intervallen in te plannen, werd het nu gebaseerd op de actuele status van machines en systemen. Dit stelde hogere eisen aan de flexibiliteit van zowel de onderhoudsteams als de toeleveringsketen."
Uitdagingen in het planningsproces
Een van de grootste knelpunten die tijdens het project naar voren kwam, was de complexiteit van de planningslogistiek. Traditionele planningsmethoden bleken ontoereikend voor de dynamiek van real-time data. Om dit op te lossen, ontwikkelden Willem en zijn team nieuwe algoritmen die onderhoudsplanning optimaliseren door prognoses te combineren met geïntegreerde oplossingen. "De grootste uitdaging was de minder voorspelbare aard van datagedreven planning," legt Willem uit. De algoritmen bleken echter in staat om onderhoud in te plannen, zelfs bij onverwachte omstandigheden. Hierdoor kunnen bedrijven zoals Fokker en Philips hun onderhoudsstrategieën verbeteren en lastige storingen beter beheersen.
Concrete resultaten: toepassingen bij Fokker, Philips en de NS
Het project heeft geleid tot waardevolle toepassingen in de praktijk.
Bij Fokker werd een dataset gebruikt om onderhoud aan vliegtuigcomponenten te organiseren. Willem is enthousiast over een specifiek onderzoek naar een ‘omgekeerde versnellingsbak’ van Fokker-vliegtuigen: "Door data van deze systemen te analyseren, kon Fokker beter inschatten wanneer onderhoud nodig was, zelfs voor systemen waar ze weinig ervaring mee hadden." Dit project was een bijzondere uitdaging omdat het team de technieken die waren toegepast op Fokker-data, moest gebruiken om schattingen te maken voor Boeing-onderdelen waar weinig data voorhanden was. Een veelgeciteerde publicatie van Paulo da Costa beschrijft hoe data van bekende onderdelen hielpen bij het voorspellen van onderhoud voor deze nieuwe onderdelen – een succesvol voorbeeld van Transfer Learning.
Bij Philips werden algoritmen gebruikt om de planning van servicemonteurs te optimaliseren. Dankzij real-time gegevens over de status van medische apparatuur en de beschikbaarheid van monteurs, konden onderhoudsteams sneller reageren op storingen, waardoor de downtime van machines aanzienlijk werd verminderd.
Ook bij de NS leverde het project waardevolle resultaten op, vooral bij het oplossen van het Train Unit Rangeerprobleem. Willem legt uit: "De verfijning van bestaande planningsalgoritmes door middel van surrogate-based optimization zorgde voor nog weer iets betere planning, waarmee uiteindelijk de beschikbaarheid van treinen beter kan worden."
Wetenschappelijke impact en verdere toepassingen
De resultaten van het project hadden niet alleen praktische waarde, maar leidden ook tot belangrijke wetenschappelijke inzichten. Zo is een van de papers meer dan 260 keer geciteerd. Deze studie richtte zich op het gebruik van AI voor onderhoudsplanning en toonde aan hoe machine learning kan helpen bij het voorspellen van onderhoud voor complexe systemen. De bevindingen van het project worden regelmatig gepresenteerd op conferenties, wat bijdraagt aan de zichtbaarheid en verdere ontwikkeling van het onderzoek.
Toekomst
In 2021 werd een take-off budget beschikbaar gesteld, maar helaas kwam dit nog niet tot volle wasdom. Willem vertelt: "Het was jammer, want we hadden grote plannen voor dat budget. Helaas konden we het binnen de gestelde termijn van één jaar niet realiseren. Ik heb nu een nieuwe aanvraag gedaan en alles beter voorbereid, zodat we, als de subsidie wordt toegekend, het project zonder problemen kunnen uitvoeren."
Terugkijkend is Willem tevreden met de resultaten. Hoewel sommige toepassingen door ontwikkelingen bij bedrijven nog niet volledig zijn benut, blijft de impact van het project groot. De opgedane kennis wordt nu gebruikt voor vervolgonderzoek naar nieuwe toepassingen van AI in onderhoudslogistiek. "We hebben veel geleerd over hoe we data kunnen gebruiken om onderhoud en logistiek te verbeteren. Ik denk dat dit de basis vormt voor nog veel meer innovaties in de toekomst," sluit Willem af.