24-9-2018 Predictive Maintenance 1

PRAKTISCHE UITDAGINGEN IN PREDICTIVE MAINTENANCERonde tafel discussie KIVI leerstoel Maintenance op TIV Hardenberg

Prof. dr. ir. Tiedo Tinga / Dr. Wieger Tiddens

24-9-2018Predictive Maintenance 2

Dynamics based Maintenance

24-9-2018Predictive Maintenance 3

DYNAMICS BASED MAINTENANCE GROEP

Faculteit Engineering Technology (ET) Staf: Dr. ir. Richard Loendersloot / Dr. Dario di Maio Onderzoekers 8 PhD students

2-3 PDEng students

3 post-docs / (guest) researchers

Onderzoeksthema’s1. Health & Condition Monitoring2. Predictive Maintenance Wieger Tiddens

24-9-2018Predictive Maintenance 4

ONDERWIJS

SPECIALISATIE MAINTENANCE ENGINEERING & OPERATIONS (MEO) In Master Mechanical Engineering en Industrial Engineering MSc thesis on maintenance subject + core courses: Maintenance Engineering and Management Failure Mechanisms and Life Prediction Structural Health and Condition Monitoring Design for Maintenance Reliability Engineering and Management

PDENG PROGRAM 2-jarig technisch traineeship – 1 jr vakken / 1 jr ontwerpopdracht “technische MBA”

24-9-2018Predictive Maintenance 5

AGENDA

1. Presentatie Tinga Ontwikkelingen Predictive Maintenance

2. Discussie over nut / belang van predictive maintenance

3. Presentatie Tiddens Praktische uitdagingen en hulp daarbij

4. Discussie over praktische uitdagingen en benodigde support

5. Wrap-up / conclusie

Netherlands Defence Academy

24-9-2018Predictive Maintenance6

Uitdaging• Preventief onderhoud lengte van service

intervallen• Balans vinden tussen

– kosten » spare parts, reparatie, manuren» lange intervallen

– reliability / availability» geen onverwachte storingen » korte intervallen

• Optimale aanpak – on-condition maintenance (just-in-time)– zowel efficient (kosten) als effectief (geen failures)

Netherlands Defence Academy

24-9-2018Predictive Maintenance

Just-in-time Maintenance• Health & Condition monitoring

Vaststellen van de actuele conditie d.m.v. sensoren / metingen conditie- / prestatiebewaking

Voorspellingen obv trends / extrapolatie

– Reactietijd vaak beperkt P-F interval– Extrapolatie onnauwkeurig bij wisselend gebruik +Huidige conditie nauwkeurig bekend

• Predictive Maintenance & Prognostics Berekenen van (resterende) levensduur obv model of

ervaring (statistiek) Gemeten of aangenomen gebruiksprofiel nodig

– Pas zekerheid bij falen, daarvoor actuele conditie onbekend+Wisselend gebruik kan worden meegenomen+Goed model maakt lang vooruit kijken mogelijk

7

HEALTH & CONDITION MONITORING

24-9-2018

Predictive Maintenance 8

24-9-2018UT Dynamics based Maintenance 9

DYNAMICS BASED MAINTENANCEExample: research of Ted Ooijevaar

B Integrated sensing (in progress)• Optical fibre Bragg gratings• Low cost piezoelectric diaphragms

A

C

D

24-9-2018

UT Dynamics based Maintenance

Off-shore wind turbines (TKI WoZ)o Large composite blades - global vs. local

Bridges (Heijmans, RWS, Provincies)o Health monitoring by analysis & interpretation of data

Water distribution network (Wetsus)o Ultrasonic inspection / integration of sensors

SHM PROJECTS

1024-9-2018UT Dynamics based Maintenance

PREDICTIVE MAINTENANCE / PROGNOSTICS

24-9-2018

Predictive Maintenance 11

Netherlands Defence Academy

28 Sept 2017Kaiser Symposium

Prognostics• Experience-based (traditioneel)

– inschatten toekomstig gebruik (OEM) vaak conservatief

– verzamelde faaldata niet altijd beschikbaar (registratie, PO)

– ervaringen uit het verleden niet altijd representatief

• Model-based– Model van fysisch faalmechanisme– Gevoed met gemeten gebruik / belastingen

Altijd representatief, kost veel tijd

• Data-driven– Verbanden afgeleid uit grote datasets (o.a. sensors) Soms onvermoede relaties, maar is black box niet altijd representatief

12

Netherlands Defence Academy

28 Sept 2017Kaiser Symposium

Model-based: relatie gebruik – levensduur

Failure model

Zoom in to the level of the physical failure mechanism

Usage Platform / system Remaining life

Local Loads Service life /Damage accumul.

thermal / fluid / structural model

Usage monitoring

Load monitoring Condition monitoring

Prognostics

13

TOEPASSINGEN

24-9-2018

Predictive Maintenance 14

PROGNOSTICS NH-90 HELIKOPTER

HUMS systeem voor monitoring

Usage flight hours, landings, conditions

Health trillingsniveaus

Maar - Onderhoud o.b.v. vlieguren / kalendertijd !?

Aanpak

Bepaal kritische componenten cost drivers / availability killers

Stel belastingen & faalmechanismen vast

1524-9-2018Predictive Maintenance

PROGNOSTICS NH-90 HELIKOPTER

Landing gear shock absorber is kritisch

Slechte voorspelbaarheid o.b.v. vlieguren

1624-9-2018Predictive Maintenance

PROGNOSTISCH MODEL

Faalmechanismeslijtage van seal (olie lekkage)

Archard’s law

17

i iV k Fs=

24-9-2018Predictive Maintenance

Belastingafgelegde afstand

# landingen + gewicht

PROGNOSTICS RAIL SLIJTAGE

Wear modelInput Output

RUL(usage)

Source: PhD thesis: R. Popovici, 2010

24-9-2018Predictive Maintenance 18

PROGNOSTICS SCHEEPSDIESELS

Model voor slijtage cylindervoering

Uitdaging: invloedsfactoren voorspellen !

Gebruiksprofielen

Weer

Voorspelling niet altijd direct bruikbaar onderhoud vaak geclusterd

1924-9-2018Predictive Maintenance

OOK VOOR ELEKTRISCHE SYSTEMEN

Methode levensduurvoorspelling Printed Circuit Boards (PCB)

Meten van belastingen

Trillingen

Temperatuur(wisselingen)

Indicatie levensduur voor diverse gebruikspatroon

2024-9-2018Predictive Maintenance

24-9-2018

Predictive Maintenance

AANPAK GENERIEKo Vaststellen faalmechanismen en belastingen

o Levensduurmodel opzetten

o Gebruik en/of belastingen monitoren

ANDERE TOEPASSINGEN Off-shore windturbines (IX-wind, Joulz) Productiefaciliteiten - Smart Industry (Tata steel)

PREDICTIVE MAINTENANCE PROJECTEN

2124-9-2018

24-9-2018Predictive Maintenance 22

DISCUSSIE – DEEL 1

“Ik heb geen predictive Maintenance nodig, want correctief / geplandonderhoud werkt prima”

“Meer inzicht in hoe mijn machines reageren op varierend gebruik zounuttig zijn”

“De ontwikkelingen op Predictive Maintenance zijn interessant, maar voormij niet toepasbaar”

“Ik wil wel graag meer Predictive Maintenance doen, maar zou niet wetenwaar ik moet beginnen / welke techniek ik moet gaan toepassen”

DECISION SUPPORT IN PREDICTIVEMAINTENANCE

24-9-2018

Predictive Maintenance 23

dr. Wieger Tiddens

SETTING SAIL TOWARDS PREDICTIVE MAINTENANCECONQUERING DIFFICULTIES IN THE IMPLEMENTATION OF MAINTENANCE ANALYTICS

HOE KAN DE PRAKTISCHE APPLICATIE VAN PREDICTIEF ONDERHOUD BETER ONDERSTEUND WORDEN?

Christopher Columbus set sail for the New World in 1492

Poll uitgezet bij de Nederlandse Vereniging voor Doelmatig Onderhoud, 2018

Stelling: De beschikbare technieken voor Predictive maintenance (PdM) zijn té ingewikkeld om in de

praktijk toe te kunnen passen

Types of maintenance analytics

III: Stressor-Based

Data Physics of Failure

Knowledge

IV: Degradation-Based

Data Physics of Failure

Knowledge

V: Model-Based

Data

APhysics of

Failure

Knowledge

B

I: Experience-Based

Data

Knowledge

Physics of Failure

II: Reliability Statistics

Data Physics of Failure

Knowledge

A

B

Analyses gebaseerd op ervaringen nog steeds het meest gebruikt voor het bepalen van het benodigde onderhoud

20%

20%

35%

40%

60%

70%

70%

70%

70%

75%

80%

85%

90%

20%

20%

35%

20%

10%

15%

10%

10%

15%

10%

10%

10%

25%

35%

10%

8%

5%

10%

10%

5%

40%

10%

15%

10%

5%

10%

5%

10%

10%

10%

10%

5%

5%

10%

25%

15%

5%

8%

10%

5%

0% 20% 40% 60% 80% 100%

Wind turbines

Commercial aviation

Nuclear energy

Defence - Vehicles

Military aircraft

Military helicopter

Rolling stock

Process industry

Def. Mar - Electrical

Def. Mar - Mechanical

Geotechnical Vessels

Pilotting Vessels

Steel manufacturing

Experience-based Reliability Statistics Stressor-based Degradation-based Mechanism-based

Probleemanalyse:

problemen bij implementatie PdM

1. Selecteren geschikte componenten

2. Keuze van de juiste technieken

3. Evalueren van de toegevoegde waarde

1. S

elec

tere

nge

schi

kte

com

pone

nten

Criticality classification

Showstopper identification

Focused feasibility

1,E-

021,

E-01

1,E+

00

1 10 100

Faul

t fre

quen

cy (

faul

ts /

year

)

Average downtime in hours

Q1

Q4

Q2

Q3

ShowstoppersClustering

(production/mission/technical)

Technical feasibility (other failures, existing/new technology)

Economic feasibility(financial resources, sufficient failures)

Organizational feasibility(trust, fit, compliant, relations)

Showstopperidentification

Criticalityclassification

2. K

euze

gesc

hikt

ete

chni

eken

Vraag Gestuurddecision pull

Aanbod Gestuurdtechnology push

BepaalAmbitie Niveau

Identificeerbeschikbare dataMAPPING

Keuze meest geschikte techniek

- vloot / generiek systeem / specifiek systeem ?

- omgevingsvariabelen meenemen ?

- verschillen in gebruik meenemen ?

- prognose o.b.v. trend of specifiek scenario ?

- Expert kennis- Historische data- Gebruiks data- Stressor data- Conditie / health data

3. E

valu

eren

toeg

evoe

gde

waa

rde

Organisatorisch

Technisch

-

10

20

30

40

50

60

70

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

Lif

ecyc

le c

osts

in m

illio

n €

Lifecycle (years)UM PM CBM Financieel

Multicriteria analyse voor investering:

- Strategische Keuze- Innovatie & Groei- Onderhoudsproces

- Klantperspectief- Financieel

perspectief

Take home messages1. Begin klein om de voordelen te laten zien 2. Selecteer die componenten waar bijdrage het hoogste is

Denk aan showstoppers!

3. Selectie van analytics vaak obv eerdere ervaringen / wat gebruikelijk is Bepaal juiste ambitieniveau Match met beschikbare data

4. Big-data-aanpakken lijken er soms vanuit te gaan dat er geen kennisbenodigd is voor de data acquisitie Begrijp wat er gebeurt (vanuit het faalmechanisme)

5. Demonstreer toegevoegde waarde Zoek relaties met andere domeinen (bv brandstofbesparing) Lange termijn focus nodig Strategische keuze

6. Data kwaliteit (events) van groot belang7. Investeren in kennisniveau

• Wie gebruikt er op dit moment al predictive maintenance?

Zo ja, wat zijn de resultaten? Zoniet, waarom niet ?

What did you do until now

Why do you want to go further and what do you

have to do for it

Why won’t you go even further

CurrentPosition

TargetPosition

Leve

l of

PdM

?

DISCUSSIE – DEEL 2

24-9-2018Predictive Maintenance 35

GERELATEERDE UITDAGINGEN

Ik wil conditiebewaking gaan toepassen, maar welke technologiekies ik ?

Ik wil obv mijn faaldata analyses / voorspellingen gaan doen, maar hoe verbeter ik de kwaliteit van mijn data ?

24-9-2018Predictive Maintenance 36

1. SELECTING CONDITION MONITORING TECHNIQUE

Decision support tool (Expert System) developed

R. Mouatamir, PDEng thesis UT, 2018

24-9-2018Predictive Maintenance 37

SELECTION MATRIX TO FILTER TECHNIQUES • Accessibility• Contact environment• Material composition• Tribology• Motion

• Environment• Physical limitations• Diagnostic- and prognostic

capabilities

• Failure mechanism

24-9-2018Predictive Maintenance 38

2. DETERMINING FAILURE MECHANISMS

Decision support tool (Expert System) developedFailure Mechanism Identification Expert System

Selection matrix for several attributes Service life conditions, material, post-mortem characteristics, age

D. Karampelas, PDEng thesis UT, 2018

CONTACT / MEER INFO

Tiedo TingaDynamics based MaintenanceUniversiteit Twentet.tinga@utwente.nlwww.utwente.nl/en/et/ms3/research-chairs/dbm

Publicaties:https://research.utwente.nl/en/persons/tiedo-tinga/publications/

Wieger Tiddensw.w.tiddens@utwente.nl of www.partnerofsamoa.nl

24-9-2018Predictive Maintenance 39