Scope van het project
Ons team ontwikkelde een AI-raamwerk voor voorspellend onderhoud op basis van de beschikbare sensordata, geavanceerde statistiek en iteratieve verfijning van het ML-model. De scope omvatte vier hoofdonderdelen:
Structureren en koppelen van sensordata
We verzamelden en normaliseerden tijdreeksen van meerdere pompsensoren:
- temperatuur
- druk
- spanning
- draaiuren
- telemetrie per subsysteem
Het team schoonde, synchroniseerde en verrijkte de dataset om ontbrekende onderhoudsgegevens en inconsistente invoer te compenseren. Er kwamen afgeleide kenmerken bij die slijtagepatronen, degradatiesnelheden en afwijkingen per subsysteem weergeven.
Verkennende data-analyse en feature engineering
We analyseerden de sensorwaarden om te begrijpen hoe de pompen zich in de tijd gedroegen en welke vroege signalen aan storingen voorafgingen. Het team bracht de belangrijkste patronen in kaart en verhielp inconsistenties.
Daarmee konden we ruwe IoT-logs omzetten in een gestructureerde dataset waarmee voorspellende modellen te bouwen zijn, ondanks onvolledige historische labels.
Ontwikkeling van het voorspellende model
We testten meerdere AI-benaderingen om te vinden welke pompstoringen betrouwbaar kon voorspellen op basis van sensordata. Na vergelijking van verschillende modellen kozen we de methode met de nauwkeurigste en stabielste resultaten.
Parallelle validatielus van mens en AI
Om het model in de praktijk te toetsen, draaiden we een parallel beslissysteem:
- Het algoritme deed voorspellingen.
- Operators voerden hun routinecontroles uit en noteerden afwijkingen.
- De voorspellingen werden vergeleken met de waarnemingen.
- Onderdelen die de AI als risicovol aanmerkte, werden gemarkeerd voor vervanging.
Na enkele onderhoudscycli verving het bedrijf een paar onderdelen puur op advies van het algoritme. Bij demontage bleek dat die onderdelen inderdaad bijna aan het einde van hun leven waren — wat de nauwkeurigheid en betrouwbaarheid van het model bevestigde.