Beslissingen over hergebruik van reserve onderdelen vergt een complexe reliability analyse die veel tijd en geld kost. Data scientist Jerry de Groot van Holland Innovative ontwikkelde een simpele methode waarmee beslissingen over hergebruik die normaalgesproken een week kosten in een uur gemaakt kunnen worden.
Jerry de Groot noemt zichzelf graag een selfmade data scientist. Hij heeft een achtergrond in de medische sector, waar hij wetenschappelijk onderzoek deed en klinische studies opzette waarvoor hij zijn eigen dataverzameling moest opzetten. Het bleek een uitstekende leerschool voor zijn huidige werk bij Holland Innovative, waar hij bedrijven helpt om via data en kunstmatige intelligentie (AI) efficiënte oplossingen te vinden voor complexe problemen. De afgelopen zes maanden heeft hij voor een groot internationaal bedrijf een data science model ontwikkeld die het hergebruik van machineonderdelen een enorme boost heeft gegeven.
Hergebruik of ‘reuse’ — ook wel ‘circular engineering’ genoemd — is een hot topic voor bedrijven die werken met complexe machines. Want wat doe je met onderdelen die uit een machine worden gehaald omdat ze kapot of verouderd zijn? Die onderdelen zijn te kostbaar om zomaar weg te gooien en kunnen vaak nog prima worden hergebruikt. Maar de reliability analyse die moet vaststellen hoe lang het onderdeel nog te gaan heeft en of het veilig kan worden hergebruikt is zeer complex en neemt gemakkelijk een week per onderdeel in beslag. Dat is de reden dat grote machinebouwers vaak duizenden reserveonderdelen in opslag bewaren waarvan ze niet precies weten hoe bruikbaar ze nog zijn. Er is simpelweg niet genoeg tijd — laat staan geld — om van elk afzonderlijk onderdeel een diepteanalyse te maken.
Jerry de Groot ontwikkelde een data science model dat in plaats van een week in slechts één uur een eerste snelle inschatting kan maken of een bepaald onderdeel direct veilig kan worden hergebruikt of dat er een diepere analyse nodig is. Hiervoor schreef Jerry een script dat uitgaat van twee databronnen: de datum waarop de machines in gebruik zijn genomen en de datums wanneer specifieke onderdelen vervangen moesten worden vanwege onderhoud. “Als je die data hebt kan je daar een statistiek op toepassen waarmee je heel snel de gemiddelde levensduur van een onderdeel kunt voorspellen,” aldus Jerry.
In overleg met domeinexperts stelde Jerry een levensduurgrens in van veertig jaar. Als er uit zijn snelle rekentool naar voren kwam dat de gemiddelde levensduur van dat specifieke onderdeel hoger was dan veertig jaar, dan werd zonder verdere analyses besloten om het onderdeel te hergebruiken. Als er een getal onder de veertig jaar uitkwam, moest er alsnog een standaard reliability analyse — een zogenaamde deep dive — op worden losgelaten. Jerry: “Het gaat om een eerste schifting, voor welke onderdelen moet je nader onderzoek doen en voor welke niet. In ons voorbeeld ga je dus geen tijd besteden aan onderdelen die meer dan veertig jaar levensduur hebben. Maar als de schatting onder de veertig uitkomt, vallen we terug op onze klassieke methode en spenderen we een week aan een deep dive om achter het exacte getal te komen.”
Jerry geeft toe dat zo’n eerste inschatting niet honderd procent betrouwbaar is, maar omdat hij de threshold een hoge waarde heeft gegeven — veertig jaar — zit hij in de praktijk altijd aan de veilige kant. Daarnaast heeft hij andere veiligheidsmarges ingebouwd, waardoor foute inschattingen altijd leiden tot de beslissing om verder te analyseren. “In plaats van je tijd te stoppen in het schoonmaken van al die data om een zo nauwkeurig mogelijke analyse te doen, zeggen we heel pragmatisch dat we weten dat er fouten in de data zitten, maar dat die eigenlijk altijd maar één kant op fout zijn. We zitten dus altijd aan de veilige kant van de schatting.”
Uit elke database is waarde te halen, benadrukt Jerry. Door slimme scripts te schrijven kan je zelfs met ruwe data in zeer korte tijd inzichten creëren die je anders nooit had gezien. Dat geldt niet alleen voor machineonderdelen, maar voor alle situaties waar veel informatie beschikbaar is. Zo heeft HI ook een klant geholpen met een automatisch script voor het categoriseren van een respons op klachtenformulieren van klanten, waar voorheen een hele afdeling handmatig mee bezig was. Jerry: “Vaak zijn deze data wel beschikbaar, maar denken mensen dat die data niet nauwkeurig genoeg zijn om een reliability assessment te doen. Met onze tool kan dat dus wel.”
Hoewel het management van het bedrijf waar Jerry voor werkte wegloopt met zijn tool, blijft hij er bescheiden onder. In plaats van data science noemt hij het ook liever automatisering. “Ik kon de relevante data gewoon uit de webinterface van de database kopiëren en in een Excel template plakken waarin een formule is geïntegreerd. Daar komt dan meteen een getal uit waar je mee kunt werken.” Inmiddels is een afdeling van het bedrijf ook bezig deze stap te automatiseren, waarbij in plaats van een handmatige copy-paste per onderdeel de computer de waardes automatisch uitrekent aan de hand van een lijst met ingevoerde onderdeelnummers.
Volgens Jerry kan ook AI hier in de toekomst een rol in gaan spelen. Zijn achtergrond in medisch en klinisch onderzoek heeft hem vertrouwd gemaakt met deep learning technieken, die ook in de industrie kunnen worden ingezet. “Je zou onze tool ook met een AI-achtige oplossing kunnen bouwen. Dan moet je hem trainen met data van alle onderdelen waar je een deep dive op gedaan hebt. Vervolgens kan dat model dan zelf beslissingen nemen over hergebruik van andere onderdelen waarvan dezelfde data beschikbaar is.”
Het overschakelen op deze data science methode vereist een andere mindset, zowel bij management als bij reliability engineers, zegt Jerry. “Een purist op reliability vlak krijgt hier kippenvel van. Die denkt, dit is veel te onbetrouwbaar, daar kun je geen beslissingen op nemen. Maar een data scientist denkt heel pragmatisch. Als er een getal uitkomt en je kunt er praktisch op managementniveau een beslissing over nemen waar je tevreden over bent, dan is nauwkeurigheid van de data van ondergeschikt belang. Ik heb nauw samengewerkt met de afdeling reliability en uiteindelijk zagen zij ook het voordeel van deze methode in. Er ligt namelijk een berg van duizenden onderdelen op hen te wachten waar ze echt niet aan toe gaan komen met deep dive analyses. Als ze daarvan een substantieel deel, al is het maar tien procent, een groen vinkje kunnen geven omdat ze uit die snelle test komen, is dat pure winst. Je moet er wel op tijd bij zijn. Voor sommige onderdelen is hergebruik op dit moment nog mogelijk, maar zonder een tool om die snelle groene vinkjes te zetten gaat die kans voorbij. En wat heb je liever, een jaar van nauwkeurige analyses waarvan je slechts een deel van je onderdelen kunt meepakken of een bruikbare analyse van alle onderdelen die één week duurt?”
Bent u geïnteresseerd in onze tools voor data science voor de industrie? Neem contact op met Jerry de Groot (jerry.de.groot@holland-innovative.nl) of Dorien Lutgendorf (dorien.lutgendorf@holland-innovative.nl).