February 10, 2017

Samenwerken aan predictive maintenance voor gebouwen

Strukton en Semiotic Labs intensiveren hun samenwerking op het gebied van predictive maintenance. Zo ontstaat een unieke samenwerking om ook installaties in gebouwen slimmer te maken en datagestuurd onderhoud toe te passen. Hogere beschikbaarheid als gevolg van minder verstoringen voor gebouwgebruikers is het resultaat, dankzij de online integrale analyseomgeving van Strukton PULSE: Analytics.

Pulse-Semiotic Labs-kickoff

Semiotic Labs levert sensoren en algoritmes die data omzetten in informatie over wanneer en waarom elektromotoren falen. Strukton Worksphere integreert deze data in het platform Strukton PULSE en brengt zijn vakinhoudelijke kennis en serviceorganisatie in. De combinatie van big data, algoritmes en vakkennis voorkomt verstoringen in installaties en geeft inzicht in het werkelijk benodigde onderhoud. Vastgoedeigenaren kunnen zo een comfortabele, veilige en duurzame locatie bieden aan hun gebruikers.

Maikel Nabuurs, manager Monitoring en Datamanagement Strukton Worksphere: “Door de kennis van Semiotic Labs toe te voegen aan ons integrale online analyseplatform Strukton PULSE komen we steeds weer een stap verder in predictive maintenance. Uiteindelijk willen wij er met Strukton PULSE voor zorgen dat beheer en onderhoud van alle gebouwinstallaties optimaal, duurzaam en proactief wordt gedaan. ”

Voorspellend voor beschikbaarheid en duurzaamheid

Deze nieuwe en vooruitstrevende manier van onderhoud is kostenbesparend en komt de beschikbaarheid en duurzaamheid van gebouwen en installaties ten goede. Preventief onderhoud wordt gerichter uitgevoerd en storingen worden voorkomen. Met zelflerende algoritmes worden bijvoorbeeld afwijkingen in het stroomverbruik gedetecteerd, gerapporteerd en weergegeven in een dashboard. Strukton Worksphere krijgt op deze manier inzicht in de conditie van installaties en kan proactief beslissen wanneer een installatie gepland in onderhoud kan. Zonder verstoringen voor de vastgoedbeheerder.

Patrick van Geffen, programmamanager Strukton PULSE: “Het Strukton PULSE platform groeit hard door de kennis te bundelen van onze eigen specialisten met die van unieke partijen in de markt, zoals Semiotic Labs. Alleen door samen te werken kan PULSE voorop blijven lopen en een integrale analyse- en monitoringomgeving bieden voor zowel beschikbaarheid, comfort, energie en datagestuurd onderhoud.”

In september 2016 tekenden Semiotic Labs en Strukton Rail een overeenkomst voor de ontwikkeling van een Smart Condition Monitoring Systeem voor door elektromotoren aangedreven assets. Nu wordt een volgende stap gezet naar de gebouwgebonden omgeving. 

Simon Jagers, founder van Semiotic Labs: “Strukton is voor ons de ideale partner: Ze beschikken over domeinkennis, werken al op diverse vlakken aan datagedreven onderhoud én investeren nadrukkelijk in het ontwikkelen van vooruitstrevende producten en diensten op het snijvlak van onderhoud en het Internet of Things. ”

October 17, 2016

In the news: Slim onderhoud: wat levert het op?

https://www.mt.nl/made-in-nl/smart-industry/slim-onderhoud-wat-levert-het-op/

September 19, 2016

Samenwerken voor intelligente monitoring

UTRECHT, 19 september 2016 – Strukton Rail en Semiotic Labs gaan samenwerken om onderhoud 100% voorspelbaar te maken. Zij tekenden op 16 september een overeenkomst voor de gezamenlijke ontwikkeling van slimme monitoringtools voor door elektromotoren aangedreven systemen. Deze ‘smart condition monitoring services’ voorspellen op basis van sensoren en slimme algoritmes wanneer en waarom productiemiddelen gaan falen. Daarmee kan onderhoud efficiënter worden ingepland en wordt uitval voorkomen. De samenwerking komt voort uit het CAMINO-project, een initiatief van World Class Maintenance om onderhoud aan infrastructuur te verbeteren.

Semiotic Labs levert algoritmes die data omzetten in informatie over wanneer en waarom productiemiddelen falen. Strukton Rail ontwikkelt de gebruikersinterface en brengt haar vakinhoudelijke kennis en serviceorganisatie in. Simon Jagers van Semiotic Labs: “Onze ervaring is dat de beste resultaten worden bereikt als wiskundigen en inhoudelijk deskundigen samenwerken. Met alleen een algoritme kom je er niet: Vakmensen weten precies welke faalmechanismen optreden. Met die informatie kan gericht gezocht worden in de data, of kunnen de juiste sensoren worden geplaatst op de goede plek. Ook valideren we de uitkomsten van onze analyse met een vakspecialist, om zo vast te stellen dat de analyse hout snijdt. Op die manier kunnen we betrouwbaarheid leveren.”

David Vermeij, manager R&D bij Strukton Rail voegt hieraan toe: “Het is daarbij essentieel om naderend falen juist te voorspellen, want een monteur die voor niets of met onduidelijke instructies op pad wordt gestuurd kost erg veel geld. Conditiegestuurd onderhoud vraagt naast monitoring ook om een nieuwe manier van werken en om meer flexibiliteit. De vaste patronen worden vervangen door dynamisch onderhoud. Bij Strukton Rail hebben we ervaring opgedaan op dit vlak uit de spoorinfrastructuur, waarmee we de smart condition monitoring services kunnen versterken.”

Beschikbaarheid – We stellen steeds hogere eisen aan de beschikbaarheid van onze vervoersystemen en de infrastructuur, maar ook aan de voorzieningen op stations (liften, roltrappen, klimaatbeheersingssystemen, etc.). Storingen geven hinder en moeten tot een minimum worden beperkt. David Vermeij: “Tegenwoordig werken we in Nederland met prestatiecontracten, waarbij opdrachtnemers een boete krijgen als de beschikbaarheid van systemen lager ligt dan is afgesproken. Aan de andere kant leveren betere prestaties een bonus op. Het is voor ons dan ook van groot belang om naderende storingen tijdig te signaleren, zodat we kunnen ingrijpen voordat een storing optreedt. Nieuwe technologie zoals big data, artificial intelligence en machine learning maakt dit mogelijk.”

Conditiegestuurd onderhoud – Traditioneel onderhoud wordt vaak ingepland op basis van vaste intervallen. Zo worden systemen verplicht eens per jaar nagekeken, of onderdelen na een vast aantal draaiuren vervangen. Dat is een erg kostbare manier om de beschikbaarheid op peil te houden: Bij inspecties blijkt vaak dat objecten nog prima functioneren en onderdelen kunnen doorgaans langer mee dan de door de fabrikant opgegeven termijn. Conditiegestuurd onderhoud gaat uit van de conditie van middelen om te bepalen of onderhoud of vervanging noodzakelijk is. Door ‘smart condition monitoring’ wordt de conditie nauwkeurig en continu gemeten en wordt naderend falen voorspeld. Daarmee kunnen kosten worden bespaard, door onnodig werk te voorkomen. Ook kunnen herstelwerkzaamheden plaatsvinden voordat uitval optreedt.

Over Strukton Rail – Strukton heeft een passie voor technologie en focust op rail- en civielgerelateerde werkzaamheden en door technologie gedreven specialismen. Het bedrijf onderscheidt zich met een aantal unieke specialismen voor de markten railsystemen, civiele infrastructuur en techniek & gebouwen. Met zijn technologie en specialismen wil Strukton bijdragen aan een sector die instaat voor kwaliteit en veiligheid van spoorvervoer, weginfrastructuur en technische installaties en gebouwen. Opdrachtgevers bevinden zich zowel binnen Europa als ook steeds meer daarbuiten. Het bedrijf telt circa 6.500 medewerkers en heeft een omzet van 1,9 miljard euro. Strukton Rail is onderdeel van Strukton en bouwt, vernieuwt, onderhoudt en beheert spoorsystemen en elektrische treinsystemen, met als doel het spoorsysteem optimaal beschikbaar, betrouwbaar, veilig en meetbaar te maken.

www.struktonrail.nl

Over Semiotic Labs – Semiotic Labs voorspelt wanneer en waarom machines falen. Het bedrijf is gevestigd in Amsterdam en levert Smart Condition Monitoring oplossingen voor onderhoudsprofessionals. Sinds de oprichting in 2015 heeft Semiotic Labs services ontwikkeld voor onder meer het spoor, de energiebranche en de scheepvaart. Het bedrijf heeft 6 medewerkers en is genomineerd voor zowel de KvK Innovatie Top 100 als de Accenture Innovation Award.

www.semioticlabs.com

Link to Strukton’s press release

September 8, 2016

Humans, leave the data processing to computers

We are living in a world of rapidly developing computer ability. No doubt, this growth is going to change the role of humans in the work place. While humans and some of our abilities will never be replaced by computers, it makes sense for businesses of all stripes to develop ways in which humans and technology can find a symbiotic relationship. We need to find a scenario in which what we do best as humans can interact and grow alongside what computers do best.

The best place to start is data processing and analysis. While humans are still an intrinsic part of increasing operational efficiency through data analysis, it’s important to point out and accept that computers have the capability to process enormous amounts of data extremely quickly and find correlations and patterns. It’s with the help of these patterns that we, as inspectors of the data computers present us, can make decisions that allow our companies operate more efficiently.

As humans, we need to stick to what we do best. And there are many things that we are firmly better at than computers. Creativity, for one, is a skill that is extremely hard to program into a computer, regardless of how advanced or intelligent it is. Humans also excel at non-structured problem solving and, while it may seem obvious, benefit from our simply being human and our ability to empathize, relate to others, and express emotions. It’s these things that, with the help of computers processing and analyzing data, can allow for better informed choices, higher efficiency, and overall growth. But this is only possible if we evolve with computers not fight against them.

Before the advent of powerful technology, a lot of business decisions were made based on fairly qualitative and often unreliable information. Managers might use a gut feeling or a hunch to decide whether a machine needs a part changed, for example. Of course, there are stories of this working but the majority of cases show that using huge amounts of data and computers to process it hugely reduces the unknown and allows managers to make better, more informed decisions. The speed and accuracy of computers eliminates the risk of human error and the slowness to act or pivot depending on our quickly changing environment.

As a professional or businessman in 2016, what’s paramount is developing a way in which we humans can leverage our skills with the abilities of computers. It’s that combination that will bring true innovation and put a company firmly in the 21st century. As we said above, deferring to the analysis and capacity of data and computer analysis is one way to do this, one way that can help you make informed decisions regarding nearly every aspect of your business.

From monitoring and predicting when a machine asset might fail to refining your supply chain, letting computers process data and using the results will be an invaluable resource that will help you save money, improve efficiency, and remain competitive in the technology era. And what’s more, as computers get even more advanced and take over part of the decision making process, you will be a step ahead of the curve with the knowledge and understanding of how to use data analysis to improve your business. It will be deep-seated in you, your team, and your company and will enable an easy transition to new technologies that will streamline decision making, better inform your actions, and send you forth as a company of the future.

August 31, 2016

Eliminate Unplanned Downtime

Condition based maintenance: using big data to lower costs, improve efficiency, and reduce maintenance.

Big data is staying true to its name – it’s doing big things. While great data-based strides have been made in medicine, entertainment, and education, we’re still seeing its potential begin to bloom as an industrial tool that can help companies make their operations efficient, systematic, and predictable.

Despite the fact that we’re only pioneers at the frontier of the industrial internet of things, the future of maintenance is clear – we are headed toward a world where the use of enormous amounts of data will allow companies to learn, months or years in advance, which specific machinery assets are in need of service and when they’re likely to fail. And, perhaps most importantly, this is a world in which a company can eliminate the costs incurred to business when a machinery asset unexpectedly fails.

Because we’re only at the onset of these exciting developments, it makes sense to put these technologies into context through an example. Imagine you’re a food producer, perhaps you raise cows for milk. One day the machinery you use to milk your cows breaks down. You call your engineer but she tells you that the machine needs a specific part that can only be brought in tomorrow. Suddenly, you can’t produce the milk that you are contractually required to provide to the grocery chain in town. In all likelihood, that grocery chain and you have a strict contract in which it is stipulated that if you don’t provide milk at a certain time and of a certain quantity, you pay a fine. All of this could be avoided if only you knew that your milking machinery would break down. Had you known, you could have scheduled the maintenance, brought in that part months ago, and completed the servicing so that it wouldn’t interfere with your operation.

This example is a simple one. For most companies, a breakdown somewhere along their supply chain can mean thousands of euros of costs per hour and unhappy partners and clients up and down the chain. Smart Condition Monitoring based on sensors and artificial intelligence eliminates that risk.  Through the collection and analysis of mass amounts of your data, an online monitoring system continually determines the health of an asset and predicts its remaining useful lifetime. It is a building block of Condition Based Maintenance (CBM), a regime that allows for scheduled maintenance so that no surprise breakdowns occur and no unnecessary costs are incurred.

Condition Based Maintenance, as built off of such data analysis, allows an asset owner to maintain machinery in a way that’s only just become possible. When a company knows when its machinery will fail and in what way, it allows for a vast increase in efficiency overall. Eliminated is the risk that on any given day a motor might fail. While the use CBM doesn’t mean that your machinery will never fail, it does mean that you will know exactly when an asset will and gives the luxury of planning out, months in advance, when to service assets so that they never fail unexpectedly, improving your overall efficiency as a company.

It’s also much cheaper and more efficient to make small fixes to a machine in advance compared to fixing a big failure at the last minute. CBM enables asset owners to make regular maintenance of targeted problems based on real knowledge a reality. In other words, when you maintain your equipment, big expensive machinery failures are much less likely to occur. CBM allows asset owners to do just that. It predicts those small things that, if over time with diligent maintenance are serviced, hugely reduce the risk of major, expensive failures. CBM enables informed maintenance based on real data. This can mean a huge reduction in overall costs of machine upkeep and, of course, the elimination of failures.

While Smart Condition Monitoring and CBM are still a moving, growing area of technology, it is a strong, exciting path toward the future. As more companies collect bigger amounts of data, analyses will be even better at predicting how machinery will act, only improving efficiency and reducing costs more. Regardless of how this field grows, it’s undeniable that we are on the cusp of a fundamental change in industry, a development that will alter how companies use machinery and how machinery is maintained.

August 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.

May 25, 2016

Alleen onderhoud bij ongezond gedrag

http://www.imaintain.info/artikelen/artikelen-abonnees/alleen-onderhoud-bij-ongezond-gedrag.166763.lynkx

April 14, 2016

Ik weet wanneer jullie machines falen

https://fd.nl/morgen/1147475/semiotic-labsik-weet-wanneer-jullie-machines-falen-zei-ik-dat-sloeg-aan