Big data voorkomt grote uitval

De grootste uitdaging van real time monitoring is de enorme stroom aan gegevens; Big Data. Het is een hele klus om daar goede stuurinformatie uit te halen waarmee je iets kunt. Een spreadsheet zegt op zich nog niet zoveel; je moet ermee aan de slag.

Data worden pas echt interessant met correlatieonderzoek. Een slim algoritme helpt om voorspellers op te sporen: zo kan tijdig preventief onderhoud correctief onderhoud voorkomen. Denk bijvoorbeeld aan het volgende. Bij het optrekken van de trein ontstaat een hoge stroomsterkte in de motor, die daarna weer binnen een bepaalde tijd afneemt. Dat is normaal gedrag. Het komt voor dat in de loop der tijd dit patroon gaat afwijken: de stroomsterkte blijft veel langer hoog. Is dit een voorspeller van een mogelijk later defect?

Ander voorbeeld: een compressor zorgt voor genoeg luchtdruk in de remleidingen. Als de remleidingen leegraken, dan slaat de compressor aan. Als de compressor steeds vaker aanslaat, kan dat een signaal zijn dat een ander onderdeel minder goed is gaan functioneren. Kortom, de waarden van de sensoren vormen patronen, en aan de hand daarvan kun je onderhoudsplannen aanpassen, en uitval voorkomen. Het slimme algoritme wordt samen met een engineeringbureau in Duitsland ontworpen. De experts daar hebben er geen idee van hoe een trein werkt, maar weten alles van statistiek. Maintenance Development voegt de technische kennis toe.

Zo nu en dan kijken engineers mee in de werkplaats als collega’s een motor uit elkaar schroeven. Interessant, want je hebt iets raars gesignaleerd in een abstract grafiekje en ziet dan in werkelijkheid wat het betekent.