Op naar de draaiende-as-as-a-service

Door machine learning los te laten op het stroomgebruik kan startup Semiotic Labs voorspellen wanneer een elektromotor het zal begeven. Bedrijven kunnen daardoor hun onderhoud beter plannen en downtime voorkomen.

Pieter Edelman

Rondlopen tussen de stampende machines in het Botlek-gebied: het is een van de onverwachte voorrechten die Semiotic Labs met zich meebracht, een startup die machine learning inzet om te voorspellen wanneer onderhoud nodig is aan elektromotoren. It-ondernemer Simon Jagers begint te glunderen als hij erover vertelt: ‘Die twee werelden zijn ontzettend leuk en het is bijzonder dat we dit soort toch wel vooruitstrevende technologie kunnen toepassen in een wereld waar ze helemaal niet geïnteresseerd zijn in geouwehoer, maar gewoon willen dat hun spullen het blijven doen.’

Semiotic Labs heeft daar de afgelopen jaren een slimme aanpak voor ontwikkeld: het meten van stroom. ‘Mechanische schade aan een motor veroorzaakt trilling, die verstoort het luchtveld tussen de stator en de rotor, en dat zie je terug in de stroom. Op basis van die verstoring kun je zelfs het type schade identificeren’, legt Jagers uit.

Voor monitoring hoeven daarom geen sensoren op de machines geïnstalleerd te worden; een stroomsensor in de schakelkast volstaat. Die bemonstert het verbruik met hoge frequentie – zo’n duizend hertz – en zendt de gegevens door naar een cloud-backend. Via machine learning rolt daar een indicatie uit welke motoren in de problemen aan het raken zijn, en hoe lang het nog duurt voordat het zover is.

Een belangrijk gegeven voor de industrie, want hoe meer tijd er is om in te grijpen, hoe beter. ‘Downtime kan natuurlijk op zichzelf heel duur zijn, maar je hebt ook hogere kosten als je onderhoud moet doen op zondagmiddag. En als je er vroeg bij bent, hoef je misschien alleen een lager te vervangen terwijl je anders je pomp in de soep draait.’

Semiotic probeert daarom niet alleen dreigende schade te signaleren, maar zo nauwkeurig mogelijk te voorspellen wat er mis is en hoe lang het nog duurt voordat het misgaat. Jagers: ‘Je kunt de patronen leren die passen bij lagerschade of juist bij overbelasting. In theorie kun je daarmee heel dicht tegen de honderd procent betrouwbaarheid komen.’

Daarvoor moeten de algoritmes die faalmechanismen wel een keer gezien hebben. Een van de voordelen van de cloud-aanpak is dat de sensorgegevens centraal worden verzameld, dus dat de dataset met elke klant groter wordt. Althans, in principe. ‘We hebben wel de tijd mee; het enge is steeds meer van de cloud af. Maar we zijn bijvoorbeeld ook bezig met een project met de marine en daarbij is de afspraak glashelder: de data gaan het marineterrein nooit verlaten, of straks het schip’, vertelt Jagers. ‘In de scheepvaart is het versturen van data naar de cloud sowieso lastig.’

Maar Semiotic heeft meer ijzers in het vuur. Sommige patronen blijken bijvoorbeeld universeel gebruikt te kunnen worden voor alle typen motoren. ‘We zijn ook een laboratorium aan het opzetten waarbij we motoren bewust stukmaken, om te kijken hoe zich dat ontwikkelt.’

Er is ook nog een truc uit de datawetenschappen die Semiotic inzet: transfer learning, een techniek waarbij geleerde patronen in een specifieke omgeving omgeschreven worden naar een hele andere omgeving. ‘Daarmee proberen we de lessen van bijvoorbeeld een kleine ventilator toe te passen op een grote pomp’, legt Jagers uit. ‘Er zijn allerlei ontwikkelingen op dat vlak die wij gebruiken die om met minder voorbeelden van falen betere voorspellingen te kunnen doen.’

Als laatste is er nog de combinatie met anomaliedetectie. ‘Dat is een manier om afwijkingen te signaleren ten opzichte van iets. Wij maken voor elke individuele motor automatisch een dynamische baseline aan waarmee het algoritme gezond gedrag kan voorspellen. Dan vraag je het steeds om op basis van de huidige toestand de volgende waarneming te voorspellen. Als dat te veel afwijkt, kun je dat signaleren. Maar dat is eigenlijk de achtervang; je kunt geen schadepatronen herkennen, maar wel dat er iets geks is.’

Op de koffie

Jagers startte Semiotic Labs in 2015 samen met compagnon Gerben Gooijers. Hij heeft geen achtergrond in kunstmatige intelligentie; hij kwam met het onderwerp in aanraking via een eerdere – mislukte – startup een paar jaar eerder om een ‘digitale advocaat’ te ontwikkelen: een tool die dossiers voor advocatenkantoren zou kunnen voorbereiden. ‘Bij grote advocatenkantoren is dat het werk van professional support lawyers, maar die zijn vrij lastig te vinden, want ze moeten heel goed zijn in hun werk, maar geen ambitie hebben om hogerop te komen. Die combinatie is vrij zeldzaam.’

De ontwikkeling daarvan bleek uiteindelijk toch te complex, en na drie jaar zwoegen in de avonduren zag Jagers zich genoodzaakt de stekker eruit te trekken. ‘De technologie was er toen niet klaar voor, en ik denk trouwens dat het nu nog steeds vrij lastig is. Maar mijn interesse voor big data was wel gewekt, want het ging echt om hele grote datasets en allerlei algoritmes om daar informatie uit te halen.’

Jagers besloot zich er meer in te verdiepen, zeker toen deep learning ineens tot belangrijke successen ging leiden. ‘Via via kwamen we er toen achter dat onderhoud een heel dankbaar onderwerp is om actief in te zijn. En eigenlijk zijn grote machines in industriële omgevingen veel gaver nog dan teksten leren begrijpen, dus toen hebben we daarover wat op slide gezet en daarmee zijn we bij een aantal bedrijven op de koffie gegaan. Die hebben ons een kans gegeven om ermee aan de slag te gaan.’

Het oorspronkelijke plan was echter nog erg breed. Jagers en Gooijers hadden het idee opgevat om de gegevens te lijf te gaan die organisaties al hadden in hun plc- en scada-systemen en Sap-backends. Dat leverde de ene keer meer resultaat op dan de andere.

Het eerste echte succes boekte het duo met spooronderhoudsbedrijf Strukton Rail. ‘Zij monitoren 24/7 op verschillende manieren hoe spoorwissels het begeven aan de hand van stroomverbruik, en wij zijn een van de partijen waarmee ze samenwerken’, zegt Jagers. ‘Daar lukt het om bij circa veertig procent van de storingen een paar uur tot een paar dagen van tevoren al te zien dat ze stukgaan.’

Met dat resultaat onder de arm stapte Semiotic halverwege 2015 naar de pitchwedstrijd van Port Innovation Lab, een programma van Yes!Delft en het Havenbedrijf Rotterdam. Het bedrijf won een van de plekken en kreeg drie maanden lang intensieve begeleiding binnen het programma.

Nu, ruim twee jaar later, is Semiotic gegroeid tot zeven man en heeft het zijn kantoor gevestigd in Leiden – halverwege zijn heimat, het Science Park in Amsterdam, en zijn belangrijkste afzetmarkt, waar het dankzij het incubatorprogramma goede contacten mee heeft.

Opstapje

Het besef om te focussen op elektromotoren, met eigen sensoren, kwam gaandeweg het programma. ‘We hebben daar een aantal proof-of-concepttrajecten gedaan met industriële partijen, steeds met het idee om aan de slag te gaan met hun data. Daar bleek je hele slimme dingen mee te kunnen doen en soms ook te kunnen voorspellen wanneer dingen stukgaan. Maar als je aan een onderhoudsman vraagt wat hij wil hebben, dan wil hij geen ‘soms’, hij wil honderd procent betrouwbaarheid en zo veel mogelijk tijd tussen de alarmering en het event. Wij wilden ons echt richten op het voorspellen van ongeplande downtime, en dan zijn er vrij specifieke eisen aan de data die je daarvoor nodig hebt.’

Het team besloot daarom om zich te richten op eigen metingen zodat het precies de data kon verzamelen die het nodig had. Aanvankelijk probeerde het dat met de manier die meestal wordt gebruikt: trillingsmonitoring. ‘Maar dat was geen succes’, stelt Jagers. ‘Het concept werkt wel, maar je moet naar elke motor toe om er een trillingssensor op te plakken, het liefst steeds op dezelfde plek, en dan nog een kabel trekken of hubs installeren. Dat is gewoon enorm veel werk. Bovendien zijn die sensoren vrij kwetsbaar. We hebben ook gezien dat alles dat uitsteekt aan een motor een opstapje is in de ogen van iemand die er iets aan moet doen.’

Toen kwamen ze weer terug bij het Strukton-project, dat met het monitoren van stroom hele mooie resultaten liet zien. Daar ging het weliswaar niet om wisselstroom zoals bij de industriële elektromotoren, maar het principe was toch erg aantrekkelijk: de motoren worden gevoed uit centrale, gestandaardiseerde schakelkasten. Dat zou het installeren en netwerken van de sensoren een fluitje van een cent moeten maken. Toen ze naar de gegevens keken, bleken ook de wisselstroommotoren een duidelijk signaal te geven.

Verpakt stukje kip

Ook de cloud-aanpak bleek voor de hand te liggen, om verschillende redenen. ‘Door cloud computing kun je veel data samenbrengen en verwerken en de infrastructuur die je kunt neerzetten, wordt steeds krachtiger en goedkoper’, somt Jagers op. ‘Maar doordat we het platform beheren, kunnen we alle verbeteringen die we vinden ook direct voor alle klanten beschikbaar maken.’

Bovendien zijn bedrijven vandaag de dag meer en meer op zoek naar een oplossing dan naar een product, merkt Jagers. ‘Het begrip servitization grijpt steeds meer om zich heen; je koopt geen kippenslachtmachine meer, maar betaalt per verpakt stukje kip. Dat is een hele interessante ontwikkeling, en in de elektromotorenwereld gaat het ook steeds meer daarnaartoe. We noemen dat wel eens de ‘drasasas’, de draaiende-as-as-a-service’, glimlacht Jagers.

Semiotic werkt op verschillende niveaus aan de realisatie van dit idee. Ten eerste zijn er eindklanten, de fabrieken met hun stampende motoren die moeten blijven draaien. Die kunnen op een dashboard inloggen om de status van hun machines in te zien.

Maar voor het idee van een draaiende as als dienst zullen het de toeleveranciers van dat soort fabrieken zijn die de monitoring verzorgen. ‘Daarvoor werken we nu samen met partners als Van Bodegraven en Facta, echte specialisten in elektromotoren. Daar hebben we een api voor. In mijn ogen gaat het echt daarnaartoe, dus ik denk dat onze gebruikersinterface op termijn minder zal worden ingezet; veel klanten willen gewoon in hun bestaande applicatie het resultaat van onze analyse zien’, meent Jagers.

‘Engie is ook heel belangrijk voor ons. Zij hebben een 24/7 watchtower-concept waarbij onze analyses handmatig in de gaten worden gehouden zodat klanten helemaal ontzorgd kunnen worden. Die zeggen: ‘Ik wil niet eens de monitoring, ik wil niet weten wat er aan de hand is, ik wil aan het eind van elke maand alleen een overzicht van wat jullie hebben gedaan om mijn fabriek te laten draaien.’’

Daarnaast zijn er ook nog oems zoals Kaak, wereldmarktleider in industriële bakkerijen, of Inteqnion, dat hele processen voor onder meer de mengvoederindustrie automatiseert. ‘Dat zijn bedrijven die bij het grote publiek niet bekend zijn omdat ze in hele specifieke niches zitten, maar die binnen hun markt heel groot zijn’, aldus Jagers. ‘En die moeten blijven onderzoeken hoe ze zich kunnen onderscheiden van hun concurrenten. Dus wat een bedrijf als Kaak wil, is machines met monitoring leveren, zodat ze op termijn tegen hun klanten kunnen zeggen: ‘Betaal mij maar per afgebakken witbrood.’’