Tiedo Tinga leidt een onderzoeksprogramma naar slim onderhoud aan de Nederlandse Defensie Academie in Den Helder. Het is ook zijn belangrijkste onderzoeksgebied op de Universiteit Twente. Hij legt uit waarom een samenwerking tussen de universiteit en het ministerie waardevol is: “Het ministerie krijgt toegang tot onderzoek naar onder meer slim onderhoud, asset management, logistiek en data science. Tegelijkertijd dragen we wat we door deze samenwerking leren mee in ons onderzoek en werken we samen met de industrie.”
Just-in-time onderhoud
Met de verhoging van de defensiebudgetten is er nu meer ruimte om te investeren in langetermijnonderzoek. Een van die gebieden is slim onderhoud, dat naar schatting de geplande en ongeplande downtime van systemen met 20-30% vermindert.
Traditioneel wordt onderhoud op vaste tijdstippen gepland, ongeacht of een systeem het nodig heeft. Dit leidt vaak tot onnodige vervangingen - of kostbare onverwachte storingen. Wanneer een schip bijvoorbeeld op zee is gestrand door een motorstoring, vereist dit naast de reparatiekosten ook veel gedoe rondom het wegslepen en logistieke ondersteuning.
“In mijn vakgroep willen we begrijpen waarom een systeem faalt. We kijken naar de fysica achter dat falen”, vertelt Tinga. “Als we dat begrijpen, kunnen we voorspellen wanneer een storing optreedt - en kunnen we onderhoud plegen net voordat het zich voordoet.”
Deze techniek, bekend als just-in-time onderhoud, zorgt ervoor dat reparaties worden uitgevoerd wanneer dat nodig is - niet te vroeg en niet te laat. Of het nu gaat om de romp van een marineschip, de motor van een vliegtuig of een windturbine, de principes zijn hetzelfde: materialen degraderen en het systeem faalt. “Wetenschappelijk gezien is het allemaal hetzelfde.”
Onvoorspelbaarheid
Voor militaire systemen is slim onderhoud nog belangrijker. Tinga: “Je wilt geen systeemstoring tijdens een missie - het leven van mensen loopt dan gevaar.” Just-in-time onderhoud voor militaire systemen is een grotere uitdaging vanwege onvoorspelbare bedrijfsomstandigheden. Een schip dat door de Noordzee vaart, heeft te maken met heel andere milieubelastingen dan een schip in de Perzische Golf. Bovendien zijn de effecten van die omstandigheden niet verwerkt in een standaard onderhoudsschema.
“Met een trein ken je de routes en dienstregelingen maanden van tevoren, dus de omstandigheden zijn voorspelbaarder en constanter”, zegt Tinga. “De variabiliteit is veel groter voor militaire toepassingen, wat betekent dat we een geavanceerder onderhoudsbeleid nodig hebben.”
Scheur meten met een sensor
Om rekening te houden met deze onvoorspelbare factoren, maakt de onderzoeksgroep van Tinga gebruik van conditiemonitoring en voorspellende modellering. Conditiebewaking betekent het continu meten van de toestand van het systeem met sensoren. Als een constructieonderdeel bijvoorbeeld gevoelig is voor scheuren, meet een sensor de scheurlengte in de loop van de tijd. Wanneer de scheur een vooraf gedefinieerde drempel bereikt, bijvoorbeeld twee centimeter, activeert het systeem onderhoud.
Bovendien kunnen numerieke modellen het schadeverloop in de loop van de tijd berekenen en de resterende levensduur van een onderdeel schatten. Het model kan berekenen hoe lang het duurt voordat een scheur een kritische grootte bereikt. Op deze manier kunnen reparaties ruim van tevoren worden gepland.
Hybride aanpak
Ondanks de vooruitgang op het gebied van just-in-time onderhoud, zijn er nog steeds uitdagingen. Een schip is bijvoorbeeld een complex systeem met verschillende subsystemen en componenten gemaakt van verschillende materialen. Het is niet haalbaar om voor elk onderdeel nauwkeurige modellen te bouwen.
Ondertussen vormt de overvloed aan beschikbare gegevens een andere uitdaging: hoe kunnen de gegevens worden gecombineerd met bestaande kennis over materiaaldegradatie en -falen. Machine learning en AI-algoritmen kunnen helpen, maar een volledig datagestuurde aanpak is onpraktisch.
Tinga legt uit: “Om een machine learning-model te trainen om een systeemstoring te voorspellen, heb je veel voorbeelden nodig. Maar omdat we onderhoud doen om storingen te voorkomen, zien we ze zelden. Ik geloof niet dat een volledig datagestuurde aanpak ooit zal werken in ons vakgebied. We hebben te weinig data om de modellen te trainen. Een hybride aanpak die domeinkennis en fysische wetten over materialen en degradatie combineert, maakt nauwkeurige voorspellingen met veel minder gegevens.”
