Binnen ons Predicitive Asset Management (PAM) project bij Bavaria zijn er nieuwe ontwikkelingen die de potentiële kracht van Predictive Analytics (PA) benadrukken. Afgelopen mei heeft zich een faalincident voorgedaan dat heeft geleid tot onverwachte stilstand met daardoor productieverlies. Het ging hierbij om een vastgelopen lager. De drive train waarin deze lager zat verwerkt viel op dat moment buiten de scope van ons pilot project en werd niet actief gemonitord.

Dit incident bood KIM Plus Delta echter de kans om de gearchiveerde data uit te pluizen en, met terugwerkende kracht, te leren wat de specifieke vingerafdruk van dit faalincident was en of het wellicht te voorspellen was geweest. Na onze data analyse hebben wij in het frequentiedomein een stevige vingerafdruk gezien die zich al anderhalve maand van te voren aandiende. Onderstaande figuur laat zien dat een vroegtijdige anomalie plaatsvind rond februari die vervolgens lijkt over te gaan. Rond 10 maart begint zich echter een trend te ontwikkelen die doorzet en piekt op de dag van het faalincident. Dat de curve na de reparatie weer terugvalt naar het nominale niveau onderstreept de sterkte van de gevonden correlatie. Het is duidelijk dat een trend als signalering en alarmering gebruikt had kunnen worden. Op basis van deze signalering had een (gunstig) getimede reparatie kunnen plaatsvinden en had productieverlies voorkomen kunnen worden.

Grafiek Bavaria blog

Een exercitie als deze vormt de essentie van data-gedreven methodes: de data wordt, met stevige domeinkennis (engineering), maar zonder verdere aannames, geanalyseerd om potentiele relaties te vinden tussen het voorval en de data. En hoewel deze resultaten nog verder gevalideerd moet worden, toont het de verregaande potentie van Data Science voor Predictive Maintenance.

Meer weten over de Predictive Maintenance pilot bij Bavaria? Lees hier verder.

Project details
  • 13 juli 2017Date: