‘Je komt langs de fregatten, tussen alle militairen in uniform. Het is ontzettend interessant om te van dichtbij te zien hoe ze de wereld een stukje beter proberen te maken. Maar uiteindelijk zit ik ook hier vooral in een kantoortje, hoor’, vertelt de promovendus van de Engineering Technology-vakgroep Dynamics Based Maintenance.
Keizers draagt met zijn onderzoeksproject bij de Koninklijke Marine bij aan het project PrimaVera (Predictive maintenance for Very effective asset management). Daarin werkt de UT samen met allerlei collega-instellingen, bedrijven en instanties aan voorspelbaar onderhoud. ‘Ik denk dat onderhoud nog vaak wordt gezien als een irritante kostenpost voor veel bedrijven en instanties’, zegt hij. ‘Iets gaat kapot, het hoort erbij. Maar onderhoud gebeurt vaak ofwel ruim op tijd, of pas als iets kapot is gegaan. Dat verhoogt de kostenpost. Bedrijven steken ondertussen veel liever hun geld in het ontwikkelen van bijvoorbeeld een gaaf nieuw concept in plaats van een nieuwe onderhoudsstrategie. Terwijl investeren in goed onderhoud kan leiden tot een dusdanige besparing, dat je des te meer geld overhoudt voor het ontwikkelen van die nieuwe concepten.’
Die kostenbesparing is vooral te bereiken via onderhoud dat precies op het juiste moment plaatsvindt, ook wel just-in-time maintenance genoemd. ‘Methoden om daar zo dicht mogelijk bij in de buurt te komen zijn vaak gebaseerd op ofwel data of fysica’, legt hij uit. Maar beide benaderingen hebben hun eigen tekortkomingen, weet Keizers. ‘Fysische modellen hebben hun onzekerheden. Ze zijn gebaseerd op tests in een laboratoriumomgeving. Zelfs in constante omgevingsfactoren zie je al variaties in degradatieprofielen van soortgelijke componenten. Bovendien weet je bij laboratoriumtests precies wat voor spanningen je gaat aanbrengen op je materiaal. De werkelijkheid, zeker in het geval van marineschepen, is nooit zo gecontroleerd.’
Bij de data-gedreven methoden speelt een andere uitdaging. ‘Waar het op neerkomt, is dat je bakken met data verzamelt, waaruit je trends ontwaart en daardoor kunt voorspellen wanneer iets kapotgaat. Maar het grote probleem is: er is gewoonweg weinig faaldata. Het hele punt is dat je voor de meest kritische componenten – waar voorspellingen het meest winstgevend kunnen zijn – tijdig onderhoud uitvoert omdat falen duur of catastrofaal is’, aldus Keizers.
Hij combineert in zijn onderzoek daarom de fysica met de data. ‘Ik gebruik een fysisch model als basis voor een algoritme en probeer dat aan de hand van data steeds beter en nauwkeuriger te laten werken. Al doende leert het algoritme, is het idee’, legt Keizers uit. Extra uitdagend wordt dat als de omstandigheden omslaan. Niet ieder vaarwater is even rustig, niet iedere oefening is even intens als de andere. ‘Je kan een huidige datatrend extrapoleren naar de toekomst, maar als je huidige gebruiksprofiel niet representatief is, levert dit een inaccurate voorspelling op’, aldus Keizers. Des te meer reden om de neus buiten de deur van het laboratorium te steken. ‘Zo hoop ik een brug te kunnen slaan tussen de veelal theoretische academische wereld en de praktische belangen van de industrie.’
Maar de promovendus weet: dat is zeker geen sinecure. En met data alleen kom je er ook niet. ‘Ondernemer en bestsellerauteur Chris Anderson schreef ooit dat data de theoretische wetenschappen overbodig gaat maken. Voor mij gaat het juist om het verbinden van die twee werelden. Ik denk dat het combineren van fysica met data op dit gebied veel voordelen kan bieden. De fysica kan meer inzicht geven in waaróm een datatrend is zoals hij is.’
