Data-gedreven symbiose van mens en machine
Machine learning en artificial intelligence gaan een belangrijke rol innemen in het asset management in 2030. De exponentieel stijgende rekenkracht van computers maakt de weg vrij voor technologie waarbij assets zelf hun diagnostiek stellen en aangeven wanneer onderhoud nodig is. Dit betekent dat operators en maintenance vakmensen een andere rol krijgen. Gaandeweg zal er een symbiose ontstaan van mens en machine.
Monique Harmsen
Als engineering manager bij Shell Energy en Chemicals Park Rotterdam bepaalt Dimphy Wilms wat er moet worden onderhouden op de site en in welke frequentie. Hierbij wordt steeds meer gebruik gemaakt van data-analyses en artificial intelligence. Tijdens het congres iMaintain24 gaf ze een inkijkje in de razendsnelle technologieontwikkelingen die ze in haar werk tegenkomt. ‘Mijn vak is twintig jaar lang hetzelfde gebleven en nu kunnen we ineens met AI veel meer voorspellen. Zo werken we aan het voorspellen van corrosie-ontwikkeling in onze pijpleidingen als we er een bepaalde crude olie in stoppen. Dat had ik tien jaar geleden niet voor mogelijk gehouden.’
Als materiaal en corrosie engineer bij DSM was zij 25 jaar geleden nog aangewezen op laboratoriumonderzoek en dikke boeken met tabellen die aangaven hoe corrosiebestendig een bepaalde staalsoort was. Nu maakt ze gebruik van machine learning en artificial intelligence. ‘We installeren sensoren op de installaties waar de ruwe olie onze fabriek binnenkomt, de crude distillers. Hierdoor zijn we in staat om op ieder moment de wanddikte van de equipment te meten. Met machine learning en AI analyseren we data en zo kunnen we op een bepaald moment voorspellen wanneer er onderhoud nodig is. Het project loopt twee jaar en het loopt enorm goed.’
Uitdaging
Charles de Wolff, area plantmanager van de MDI-2 fabriek van Huntsman in Rotterdam, streeft eveneens naar planbaar of predictive maintenance. Afgestudeerd aan TIAS op maintenance effectivity en operational excellence is hij van mening dat er veel kan worden bespaard op maintenance door niet gepland onderhoud terug te dringen. Als voorbeeld daarvan noemt hij Philips, waar hij een aantal jaren werkte in de vestiging in Best. ‘Philips weet van al hun apparaten (MRI-scanners en andere medische apparatuur, red.) via remote control wat de status is. Voordat het ziekenhuis door heeft dat er iets mis is, staat er al een monteur van Philips die componenten bij zich heeft, het apparaat nakijkt en het herstelt.’
De Wolff brengt nu samen met consultants van MaxGrip in kaart welke componenten er voor de MDI-2 fabriek zijn, welke risico’s deze opleveren en wat de operating window voor onderhoud is. Dit wordt straks met een tool voor health monitoring strak in de gaten gehouden.
Er wordt ook gekeken naar de mogelijkheden van drone-technieken. ‘We hebben een fantastisch 3D-model van de hele plant gemaakt. Daarmee kun je net als bij Google Streetview door de plant heen lopen en snel zien waar een probleem zit. Maar in een complexe industriële omgeving werkt dit niet altijd optimaal. Dat is voor ons een uitdaging.’
Johan Blom:
Charles de Wolff: ‘We grijpen nu nog regelmatig terug op ad hoc oplossingen. Die zouden gestandaardiseerd moeten zijn.’
Karl
Vanwege de krapte op de arbeidsmarkt, het gebrek aan vakmensen en de hoge arbeidslasten in Europa wordt vaak gekeken naar de inzet van robots. Ook bij Huntsman wordt geëxperimenteerd met een robot op rupsbanden, maar volgens De Wolff moet deze wel explosieveilig zijn en voldoen aan alle veiligheidseisen en wet- en regelgeving. ‘Dat maakt het gebruik van robots complex.’
Bij Shell wandelt een explosieveilige robot door de fabriek. Deze robot kan traplopen en autonoom objecten herkennen maar heeft ook nog wat beperkingen. Wilms: ‘Toen we de robot net op site hadden en allerlei tests aan het doen waren, heeft hij een scooter omvergelopen omdat hij deze niet als object herkende. We hebben het programma even stilgelegd om te kijken hoe we hier verder mee om moesten gaan. Daarnaast hebben we ook een paar robots op rupsbanden die in twee fabrieken rondrijden om gasmetingen te doen en standen van schakelaars te herkennen.’
De reacties van operators op de robot zijn volgens Wilms positief. ‘Er is toch een soort van herkenning. De lopende robot heeft een naam, Karl, en is ook echt onderdeel van de ploeg. Hij wordt gezien als iemand die het team aanvult. We kijken nu naar de mogelijkheid om de robot met een camera uit te rusten. Met machine learning en AI brengen we hem zover dat hij standen van schakelaars en de wijzers op allerlei druk- en temperatuurmeters kan uitlezen.’
Dimphy Wilms: ‘Toen we de robot net op site hadden en allerlei tests aan het doen waren, heeft hij een scooter omvergelopen omdat hij deze niet als object herkende.’
Ad hoc oplossingen
Wilms worstelt net als De Wolff met de business case van een robot die duurder is dan een operator. Maar met het oog op de toekomst is het volgens haar belangrijk door te gaan met deze ontwikkeling. ‘Als je competitief wilt blijven in de wereld, moet je een efficiency-slag maken door het werk van mensen en technologische middelen beter te combineren dan we nu doen.’
Gevraagd naar hoe haar droom voor 2030 eruitziet, antwoordt Wilms: ‘Ons streven is om in 2030 tot iets te komen waarbij een asset zelf zijn diagnostiek stelt. Dat is volgens mij echt dichtbij. Dat blijkt ook uit het verhaal van Charles over Philips. Als Philips het kan, dan moet het toch ook in onze industrie kunnen?’
Voor De Wolff is het streven om in 2030 de mogelijkheid te hebben de staat van de fabriek, de integriteit van de installaties, altijd te zien. ‘Alle informatie over wat je moet doen is direct beschikbaar en we kunnen altijd zien hoe we moeten reageren. We grijpen nu nog regelmatig terug op ad hoc oplossingen. Die zouden gestandaardiseerd moeten zijn.’
Dit artikel is gepubliceerd in Petrochem 2024-01 (27/2/2024)
