mei 10, 2019

Success story: Honeywell

SAM4 detects loose belt on a critical HVAC system

Honeywell installed SAM4 on a critical HVAC system at its facility in Delft, the Netherlands to detect upcoming failures at an early stage so that maintenance can be performed before breakdowns occur. Because the HVAC system was housed in a remote location, installing vibration sensors was impossible. Honeywell decided to use SAM4, Semiotic Labs’ online condition monitoring solution that analyzes electrical waveforms to detect machine failures. SAM4 installs its sensors inside the motor control cabinet and not on the asset in the field, enabling condition monitoring for assets operating in hard-to-reach places.


SAM4's sensors and communication devices were installed inside the HVAC system's motor control cabinet. The SAM4 gateway then connected to the SAM4 platform over 4G. After 60 minutes, the system was up and running and started collecting data. After a training period of 3 weeks, SAM4 began providing insights into the HVAC system's condition, performance and energy consumption.


After a few months of monitoring, SAM4 detected a loose belt and sent an alarm, triggering an inspection. SAM4's findings were substantiated, and Honeywell replaced the belt, preventing unplanned downtime.

Zooming in on the data

1. SAM4 generated an alarm for an increase in energy at the rotational frequency, which is often associated with a loose belt.
2. Upon inspection, a loose and dry belt was detected. In the absence of replacement parts, the belt was tightened, resulting in a reduction of scores for that specific failure mode.
3. After replacing the aging belt with a new one, scores leveled out at the pre-issue level.

februari 28, 2019

How the internet of things is changing manufacturing

It is estimated that by 2020 there will be over 20 billion connected devices.  By 2030, that number could grow to as many as 500 billion.  Industrial manufacturing is expected to account for as much as 62% of IoT technology deployment. It is changing manufacturing today—and will continue to do so at an ever-increasing pace. Many manufacturers have started their journey into IoT and have begun to realize true value for their operations.  The financial return on investment is certainly significant, but “soft cost” savings such as human efficiency should also be understood and publicized.  The key to a successful IoT deployment is the people implementing and using the tools.  By using IoT technology, manufacturing operations can improve their productivity and make their employees' jobs easier.

Key areas of impact within manufacturing

Data availability and utilization

As the number of devices gathering information goes up, so does the amount of data available. This data can be used to rapidly make smart decisions on the manufacturing floor. Certainly, the data displayed should be restricted to only the most useful insights. Smart dashboarding can help the manufacturing team meet its goals, by enabling adjustments throughout the day based on quantitative performance data.

Once the collected data is sent to the cloud, it becomes available throughout the organization. This enables offsite personnel and management to view data while it's fresh. It can also save the local group time, as they no longer need to quickly drop everything and generate a report for management.

Once the data is robust, it can be leveraged for advanced analytics. This can provide deep insights into the manufacturing process.  One of the methods to perform this analysis is through machine learning.

Machine learning

Many decisions can be made autonomously by the machines themselves to optimize production. These are typically decisions that are difficult to make by humans. Rather than sifting through mountains of data in spreadsheets, we can use machine learning techniques to find the patterns of importance.

The power of machine learning is that it relies on empirical data to draw conclusions. The factory's engineers don't need to derive equations and apply theories; they can use real plant conditions to feed the algorithms.

Higher precision in lot monitoring and raw materials can establish the optimal production rates without over or under producing. The improved efficiency rate can be honed and improved in real time without human intervention.

Data analysis can also yield optimal changeover patterns and steer the deployment of human assets, reducing idle time throughout the factory. Harley-Davidson used these processes to reduce build-to-order cycles by a factor of 36 with a fully IoT-enabled plant.

Supply chain

IoT technology also enables better traceability for raw materials within the supply chain. In one recent case, Walmart incorporated IoT with blockchain technology to require manufacturers of food products to supply complete traceability from the retail floor back to the grower. This enables food retailers to know more quickly which lots must be recalled.


Drone technology allows for inspection and mapping in hard-to-reach areas.  Companies like Duke Energy are using drones in several ways: inspections on remote and widespread equipment, thermal imaging and construction tracking. By using drones, the company receives more accurate inspection records faster.  They take employees out of potentially dangerous areas, reducing worker risk.  There are also companies using drones to build accurate and up-to-date three-dimensional models of their facilities.  These models can be used to track construction progress, for training or to troubleshoot an issue.

Digital twinning

The term "digital twin" has many meanings, and it can sometimes be confusing. One potential example builds on our previous discussion on drones.  Once a 3D model of a facility has been built, it can be used for troubleshooting. Imagine a scenario where a steam trap fails in a refinery. There are potentially thousands of steam traps at the site. Which steam trap was it, and where should the maintenance technician go? What if an outside vendor needs to be involved? This can now be done remotely using the model to quickly locate the position.

Another very different use case for the digital twin is in simulation. In this instance, the digital twin is a simulation of the process.  It can then be used to train operators on real scenarios so that they become comfortable reacting to unusual conditions.  It can also be potentially used to find opportunities to improve the process. Operators and engineers can try out scenarios and determine whether they constitute an improvement.

Smart condition monitoring

IoT technology is also enabling manufacturers to move toward condition-based predictive maintenance and away from less efficient preventive maintenance schemes. With older, time-based maintenance programs, service was based on statistical analysis often provided by the OEM for each piece of equipment. With predictive maintenance, IoT-enabled equipment can use real-time data to determine in advance what maintenance needs to be performed to reduce downtime. One study by Deloitte found that predictive programs can reduce breakdowns by 75% and reduce maintenance costs by 25% while improving overall factory productivity by 25%.

Central to these predictive maintenance programs are smart condition monitors (SCMs). In a complex manufacturing environment, there are often hundreds, even thousands of mechanical components and rotating equipment. This equipment has traditionally relied upon vibration sensors and other monitors to detect mechanical failure or variance. However, using modern smart condition monitors, sensors are now capable of monitoring assets from within the motor control cabinet.  By detecting faults in AC induction motors and rotating assets at an early stage, SCMs enable maintenance strategies to become proactive, saving technician labor time and money—and raising uptime.

High-performance SCMs are also plug-and-play, utilizing cloud-based analytics and intuitive dashboard readouts to provide complete maintenance visibility. Instead of being deployed near the asset, SCMs are installed in the motor control cabinet, meaning they can be deployed at a large scale on assets in harsh conditions and still deliver the required actionable data. The result is less unplanned downtime, optimized performance of rotating assets, and reduced energy waste.

Mitsubishi began using a smart condition monitoring system in 2017 and operators are now able to monitor rotating equipment status throughout the factory. The system sends alarms on a predictive basis ahead of impending failure and sends data for recommended actions.

Continued IoT growth

As IoT technology scales across manufacturing, its impact has already been realized. At the shop floor level, it enables companies to gather data on labor utilization, equipment utilization and quality through connected devices that operate at a rate and accuracy not possible for human analysis. Combined with predictive analytics, these devices are making a true “smart factory” possible in which humans, machines and algorithms empower each other to achieve more.

Semiotic Labs' SAM4 is a smart condition monitoring system for AC induction motors and rotating assets. It is an end-to-end solution that includes sensors, analytics and an online dashboard (or API) that offers clear, actionable information about the health, performance and energy consumption of connected assets. For more information, request a SAM4 demo.

augustus 21, 2016

Condition Based Maintenance: Killer app voor het Internet of Things

Condition Based Maintenance: Killer app voor het Internet of Things

Internet of Things volgt cloud computing op als grootste hype van het moment. Om hypes te ontgroeien moet een aanjager voor een nieuwe generatie toepassingen opstaan: een toepassing die grote financiële voordelen oplevert en die in korte tijd op grote schaal geïmplementeerd kan worden. Voor het Internet of Things is Condition Based Maintenance die toepassing.

Gartner voorspelt dat de waarde van het Internet of Things (IoT) in 2020 zo’n 1.5 biljoen dollar bedraagt. Wat dichter bij huis stelt ABN AMRO dat de Nederlandse markt voor IoT-oplossingen jaarlijks 2 miljard euro groot is. De verwachtingen zijn dus hooggespannen, maar de echte doorbraak wacht nog op een killer app – zoals CRM dat was voor cloud computing. Wie de Salesforce van het Industrial Internet of Things gaat worden is nog niet bekend, maar dat het bedrijf Condition Based Maintenance oplossingen levert staat vast.

Condition Based Maintenance

Condition Based Maintenance (CBM) stelt dat onderhoud moet plaatsvinden voordat machines falen of als de prestaties afnemen – maar niet eerder. De actuele conditie van machines is daarmee bepalend voor het inplannen van onderhoud. Daarmee wordt de beschikbaarheid van machines hoger, verbetert de operationele betrouwbaarheid en vallen de kosten voor onderhoud 10 tot 40 procent lager uit.

In het verleden werd CBM breed ingezet: De chef-werkplaats kende na 20 jaar trouwe dienst zijn machinepark van buiten en kon aan bijvoorbeeld trillingen voelen welke machines onderhoud nodig hadden. Doordat de complexiteit van machines is toegenomen en de chef werkplaats met pensioen is gegaan zijn onderhoudsmodellen op basis van mean time between failure ontstaan: historische gegevens worden gebruikt om in te schatten wat de optimale onderhoudsinterval is. Het probleem van deze methode is dat deze geen rekening houdt met de belangrijkste reden om onderhoud te plegen: de conditie van machines.

Om de actuele conditie van een machine te bepalen en de toekomstige onderhoudsbehoefte te voorspellen zet een cloud-applicatie sensordata – bijvoorbeeld trilling, stroomverbruik en temperatuur – om in patronen van gedrag. Algoritmes leren de verschillen tussen gezonde en ongezonde patronen herkennen en voorspellen wanneer en waarom machines gaan falen. Onderhouds-managementsystemen gebruiken deze informatie om onderhoud in te plannen op basis van de actuele behoefte.

Slimme machines

Het Internet of Things bestaat uit apparaten die met internet verbonden zijn. Ze delen proces- en sensordata met andere apparaten of applicaties. Geholpen door algoritmes wordt data omgezet in bruikbare informatie om bijvoorbeeld processen te optimaliseren of – in het geval van CBM – de toestand van de machine door te geven.

Machines worden al sinds de jaren 70 uitgerust met sensoren. In bijvoorbeeld de olie- en gasindustrie helpen ze ongelukken te voorkomen door alarm te slaan als grenswaarden worden overschreden. Geholpen door de ontwikkeling van smartphones – die vol zitten met kleine, goedkope sensoren – neemt het aantal sensoren in de industrie razendsnel toe. Daarmee groeit ook de hoeveelheid data die slimme machines genereren.

De introductie van cloud computing maak het mogelijk om die data op een centrale plek op te slaan, als basis voor het ontwikkelen van modellen en algoritmes. Klassieke kunstmatige intelligentie ontwikkelt kennis- en beslisregels op basis van historische data. Daarmee kunnen machines eenvoudige beslissingen zelf nemen.

Machine learning – een vorm van kunstmatige intelligentie – wordt pas sinds enkele jaren op grote schaal toegepast. Het is het laatste ontbrekende stukje in de puzzel. Want waar klassieke kunstmatige intelligentie binnen CBM een one-size-fits-all-model hanteert, maakt machine learning het mogelijk om de toestand van elke machine individueel te beoordelen. De data scientist bepaalt hóe een algoritme leert, maar wát het leert is afhankelijk van de kenmerken van de machine waarvan data worden geanalyseerd. Daarmee is het mogelijk om een op machine learning gebaseerde oplossing uit te rollen over één of duizenden machines tegelijk, zonder aanpassingen aan de algoritmes zelf.

Killer app(s)

De grote aanjager van nieuwe technologie – de killer app – is de eerste toepassing die op grote schaal wordt geïmplementeerd. Daarvoor is een combinatie van grote toegevoegde waarde en een snelle, eenvoudige implementatie vereist. Het eerste zorgt voor vraag naar de toepassing, het tweede dat een implementatie op grote schaal technisch realiseerbaar is.

Voor cloud computing was Salesforce die toepassing. De toegevoegde waarde van online CRM bleek vele malen groter dan de kosten. Een implementatie was voor de IT-afdeling geen probleem: de benodigde inspanning bleef beperkt tot een migratie-traject van bestaande klantdata. Die combinatie van grote toegevoegde waarde en relatief eenvoudige implementaties zorgden voor de snelle uitrol van Salesforce, en in zijn kielzog voor een versnelling in de acceptatie van cloud computing als de nieuwe standaard.

Condition Based Maintenance biedt eenzelfde combinatie van eigenschappen: de opbrengsten wegen ruimschoots op tegen de investeringen, implementaties op grote schaal worden door machine learning mogelijk gemaakt. Een belangrijk verschil is dat het IoT-oplossingen vooral bestaan uit gespecialiseerde applicaties die één – of een beperkt aantal – taken uitvoeren. Een combinatie van IoT-applicaties of services zorgt voor het ontstaan van de smart enterprise, wat in goed Nederlands Industrie 4.0 heet.

CIO wordt regisseur

De CIO bevindt zich in een ideale positie om als regisseur op te treden, die de brug slaat tussen functionele afdelingen (vraag) en interne- en externe leveranciers (aanbod). Ook schept de CIO kaders waarbinnen snelle applicatieontwikkeling mogelijk wordt gemaakt. Daarbij gaat het voor IoT-toepassingen met name om het verlenen van toegang tot data aan applicaties en het bewaken van standaarden voor de uitwisseling van gegevens tussen de verschillende applicaties. Als deze kaders goed zijn vormgegeven biedt dit een gouden kans om de enorme hoeveelheid data die door het IoT gegenereerd worden in dienst te stellen van het bedrijfsresultaat.