Slimme sensoren en voorspellend onderhoud in de staalproductie (SUPREME)
RSS Feed
This article was placed on: c2d
Onderhoud is essentieel om de beschikbaarheid, betrouwbaarheid en kosteneffectiviteit van technische systemen zoals de productiefaciliteiten van Tata Steel te waarborgen. De degradatie van systemen is echter een dynamisch proces, beheerst door veranderingen in zowel het systeem als zijn omgeving. Om te besparen op onderhoudskosten (niet te vroeg vervangen) en de beschikbaarheid van systemen te vergroten (niet te laat vervangen), is het de uitdaging om just-in-time onderhoud te realiseren. In het onderzoeksproject SUPREME staat de volgende onderzoeksvraag centraal ‘Hoe kunnen geavanceerde sensortechnologie en modellering van degradatie- en faalprocessen worden gebruikt om een voorspellend onderhoudsconcept voor productiesystemen te ontwikkelen?’
Begin maart 2023 spraken we met prof. dr. ir. Tiedo Tinga, die samen met prof. dr. Paul Havinga vanuit de Universiteit Twente (UT) dit onderzoeksproject begeleid heeft. Tiedo is hoogleraar Dynamics based Maintenance bij de faculteit Engineering Technology, met een achtergrond in Materiaalkunde en Werktuigbouwkunde. Zijn onderzoek richt zich op het opsporen en voorspellen van storingen in systemen, met als doel het ontwikkelen van slimme onderhoudsconcepten, zoals Predictive Maintenance. Dit wordt bereikt door het combineren van de Physics of Failure, grondig begrip van het (dynamische) systeemgedrag en geavanceerde (conditie) monitoring technieken, met data science en kunstmatige intelligentie. Daarnaast is Tiedo werkzaam als hoogleraar op de Nederlandse Defensie Academie. In het project zijn drie junior onderzoekers actief geweest, de promovendi Melissa Schwarz en Sabari Anbalagan en postdoc Alireza Alemi.
Data verzamelen met sensoren
Om de uitvaltijd en bijbehorende kosten in een productiefaciliteit te verminderen, is de voorspelbaarheid van storingen zeer belangrijk. Dit kan worden bereikt door ten eerste relevante informatie over de operationele omstandigheden te verzamelen en ten tweede door deze gegevens op de juiste wijze te verwerken om nauwkeurige schattingen van de resterende tijd tot een storing te verkrijgen. In dit project is de eerste uitdaging aangepakt door de ontwikkeling van geavanceerde draadloze sensornetwerken, die het mogelijk maken om op een flexibele manier de juiste gegevens te verzamelen. “Doordat we patronen in het productieproces, die de draadloze overdracht van data zouden kunnen verstoren, herkennen, leren we hier al on the job en kunnen we het sensornetwerk verder optimaliseren om de maximale betrouwbaarheid van data-overdracht te krijgen.”
Hoe kun je de data gebruiken
De tweede uitdaging is aangepakt door de ontwikkeling van natuurkundige modellen voor het falen van de meest kritische componenten in het systeem. Door de modellen te voeden met de gemeten variaties in operationele instellingen, kan de tijd tot het optreden van storingen worden voorspeld en kunnen de juiste onderhoudstaken worden gepland. In tegenstelling tot de gebruikelijke aanpak van data-analyse, die sterk afhankelijk is van training met historische gegevens, heeft een op fysische modellen gebaseerde aanpak het voordeel dat ook niet eerder opgetreden storingen kunnen worden voorspeld. Een data-gedreven algoritme zou zo’n nieuwe storing, door gebrek aan trainingsdata, niet herkennen.
Partners
Naast de Universiteit Twente zijn binnen het project ook Tata Steel, IJssel Technologie en Samotics actieve partners. Andere betrokkenen zijn M2i en SKF.
“Met Tata zouden we starten met de HIsarna staalproductie pilot plant als case studie. Deze plant werd echter (tijdelijk) stilgezet gedurende het onderzoek dus zijn we met Tata op zoek gegaan naar een andere case studie, waar we aan konden werken. We onderzochten vervolgens de galvaniseerlijn, waar we ons richtten op de lagers die gemiddeld iedere 2 á 3 weken vervangen moeten worden. Bij het vervangen na 2 weken blijkt soms dat een rol toch nog wat langer mee had gekund, die is dus niet optimaal gebruikt. Ook heb je dan wellicht productie gemist, omdat je deze vervanging ook later had kunnen uitvoeren. Maar je kunt ook te laat zijn met vervangen. Dan moet je het proces stil leggen en wellicht zelfs product weggooien dat door de lagerstoring niet de juiste kwaliteit heeft. Er is dus een goede reden om proberen te voorspellen wanneer de lagers vervangen moeten worden, daar hebben we in dit project een goed passend model voor gemaakt.”
Uitdagingen
“De interactie tussen wetenschap en de toepassing in de praktijk, is altijd weer een uitdaging. Met name de doorvertaling van de R&D afdeling naar de business units. Onze onderzoekers zijn daarom in het project vaak fysiek aanwezig geweest om een goede band op te bouwen met de mensen. We plukken daar nu de vruchten van, want er is ook nu nog een uitstekende interactie en uitwisseling van kennis, informatie en data.” Ook nu het project ten einde is, werkt het consortium nog samen om kennis uit te wisselen en vervolgstappen te zetten.
Hoe verder?
Het organiseren van een slimme manier van onderhoud is niet alleen onderwerp van onderzoek in de staalindustrie, maar ook in een aantal andere actuele onderzoeken, geeft Tiedo aan. En ook bij zijn andere werkplek - Defensie - worden modellen en methoden ontwikkelend voor het dynamischer inplannen van het onderhoud van bijvoorbeeld de marineschepen, helikopters en voertuigen. “Binnen Tata Steel werkt deze praktische toepassing nu in de praktijk. Tata heeft ook nog andere galvaniseerlijnen, dus we gaan kijken hoe we dit model ook daar kunnen toepassen. Maar we kijken in een haalbaarheidsstudie (Take-off call) komend halfjaar ook of we dit nog breder kunnen toepassen in andere sectoren van de industrie waar rollen met lagers worden gebruik, zoals met papier en folie. Zo blijft het niet alleen bij (wetenschappelijk) onderzoek doen maar kunnen we de resultaten ook daadwerkelijk in de praktijk toepassen, dat gebeurt niet zoveel in onze projecten. Daar zijn we best trots op.”