Tegenwoordig zijn verplaatsbare machines die gebruikt worden in de logistiek en in de bouw (‘Non-Road Mobile Machinery’ in vaktermen, kortweg NRMM) standaard uitgerust met allerlei sensoren. Deze sensoren zorgen voor een constante stroom aan data, die noodzakelijk zijn voor het functioneren van de machines. Door deze data te capteren is het op zich mogelijk om onderhoudsbeurten beter te plannen, machinestoringen te vermijden en aldus ook flink wat kosten te besparen. Artificiële intelligentie en machine learning – waarbij slimme algoritmes getraind worden met deze machinedata – bieden hierbij hulp. Alleen gebeurt dat in de praktijk niet, of veel te weinig.
“Hoewel de effectiviteit van ‘predictive maintenance’ wetenschappelijk bewezen is loopt de Vlaamse industrie op dit gebied behoorlijk achter”, steekt Ivan De Boi, postdoctoraal onderzoeker aan Universiteit Antwerpen van wal. “De voornaamste hindernis is niet het gebrek aan technische kennis op dit vlak, en ook niet de kost om ermee aan de slag te gaan. Het is het ontbreken van de specifieke vaardigheden om de brug te slaan tussen de geïnterpreteerde machinedata en geavanceerde data-analyse.”
Van toevallige ontmoeting tot TETRA
Tijdens een technologisch netwerkevenement in wat toen nog het Sportpaleis (nu AFAS Dome) heette, botste Ivan De Boi toevallig op Kris Martens, een vroegere collega op Karel de Grote Hogeschool. Van het een kwam het ander… en voor ze er erg in hadden, waren ze plannen aan het maken om specifiek rond dit thema samen te werken. Vanuit zijn ervaring met TETRA-projecten – het TEchnologieTRAnsfer-fonds is een subsidieprogramma van het Agentschap Innoveren & Ondernemen [VLAIO] voor praktijkgericht onderzoek door Vlaamse hogescholen en universiteiten – werd ook David Ceulemans, onderzoeksmanager aan de universiteit aan boord gehaald.
“Door verschillende expertises samen te brengen kunnen we binnen ons project zowel verzamelde machinedata interpreteren als er vrij nauwkeurige voorspellingen mee doen om er vervolgens operationeel mee aan de slag te gaan. Noem ons maar ‘a match made in a predictive heaven’!”, knipoogt David Ceulemans. “Zo is het heel interessant om te weten wanneer precies een batterij het zal begeven, om maar iets te noemen. Het verschil tussen 4% of 10% kans dat een machine die miljoenen kost zal uitvallen, kan voor een bedrijfsleider enorm zijn.”
Van project naar product
Op de vraag of het niet aan de sector zélf is om hun problemen op te lossen, antwoorden de onderzoekers eensgezind dat de eindgebruiker (de machinegebruiker) momenteel niet de juiste expertise heeft – zonder hier gigantische budgetten tegenaan te gooien – en ook onvoldoende weet wat zowel vanuit technisch als economisch perspectief de meerwaarde is van ‘predictive maintenance’. “Als kennisinstellingen is het ook onze taak om kennis te verzamelen en die te dissemineren in het belang van de maatschappij. Met dit project willen we onze kennis en expertise omzetten naar tools waarmee bedrijven zelf aan de slag kunnen.”
Van data verzamelen naar curriculum
Ook het onderwijs speelt in dit project een sleutelrol. Ondertussen zijn studenten van Karel de Grote Hogeschool al datasets aan het verzamelen, en per jaar dat het VLAIO-project zal lopen, zijn er twee of drie projectstages van acht weken bij deelnemende bedrijven gepland. De resultaten van het project zullen ook geïntegreerd worden in de opleidingen Professionele Bachelor Autotechnologie, Graduaat Voertuigtechnieken (beide Karel de Grote Hogeschool) en Elektromechanica (Universiteit Antwerpen).
“Ons project binnen het Zaaifonds van AUHA dient eigenlijk ter voorbereiding van een groter TETRA-project dat we ondertussen bij VLAIO hebben ingediend”, zegt Kris Martens. “We voeren dit project uit in nauwe samenwerking met bedrijven en sectorfederaties enerzijds en met aanbieders van technologische oplossingen anderzijds. We focussen qua NRMM-machines op applicaties van deze projectpartners: graafmachines, kranen en vorkheftrucks. Als alles naar wens verloopt, wordt ons project in juni [2026] goedgekeurd en kunnen we tot 50 bedrijven helpen om op deze manier hun rendabiliteit te verhogen: vingers gekruist dus.”
Als uitsmijter voor potentiële projectindieners bij het Zaaifonds maar ook ruimer, heeft het PreMa4MM-team nog het volgende aanbod: “Blijkbaar zijn wij heel goed in slechte projectnamen verzinnen. Als je er niet uitkomt, contacteer ons gerust!”
Het project in een notendop
Weten wanneer precies je (mobiele) machines moet onderhouden en onderdelen moet vervangen, is zowel technisch als financieel heel interessant. Onderzoekers gespecialiseerd in data-interpretatie en nauwkeurig voorspellen brengen hun expertise samen om bedrijven te helpen hiermee aan de slag te gaan.
Aan dit project werken mee: Ivan De Boi (Universiteit Antwerpen), Kris Martens (Karel de Grote Hogeschool) en David Ceulemans (Universiteit Antwerpen)
Tekst: Leo Verbeke – Foto: Jelle Jansegers