Abstract
Hedendaagse niet-weggebonden mobiele machines (Non-Road Mobile Machinery, NRMM) zoals machines voor landbouw, grondverzet, hef- en hijswerken, constructie, container en/of bulk handeling, bevatten standaard tal van sensoren. Deze sensordata, noodzakelijk voor het goed functioneren deze machines, wordt typisch over een CAN-netwerk gecommuniceerd naar de verschillende subsystemen van de machine. Sinds de introductie van de J1939-standaard is de communicatie laag van het CAN-protocol bij vrachtwagens en NRMM-applicaties gedeeltelijk gestandaardiseerd, wat het eenvoudiger maakt om sensordata op dit netwerk uit te lezen en bv. te gebruiken om bijkomende nuttige (operationeel, strategisch, etc.) inzichten te ontwikkelen. Al deze sensordata capteren en gericht gebruiken is een enorme opportuniteit voor exploitanten van NRMM, maar wordt vandaag de dag nog onderbenut!
Bijkomend blijkt uit voorafgaande interactie met de doelgroep dat ongeplande machinestilstand een kritieke kostenpost is die de marges in de sector direct onder druk zet. Elk instrument dat deze downtime kan reduceren of voorkomen, is vanuit economisch oogpunt dan ook essentieel. Predictive Maintenance (PdM) biedt hier de oplossing door via geavanceerde data-analyse (zoals AI en Machine Learning) storingen te voorspellen voordat deze tot een kostbare stopzetting van de werkzaamheden leiden. Hoewel de academische literatuur de effectiviteit van PdM op basis van sensordata uitvoerig bewijst, blijft de adoptie in de Vlaamse praktijk achter.
De voornaamste barrière voor deze adoptie is niet een gebrek aan domeinkennis. Het technisch personeel bij de doelbedrijven is zich zeer bewust van de meest voorkomende defecten en de bijbehorende financiële impact. Echter, de diepgaande kennis, de praktische skills en inzicht in het enorme potentieel van AI over het gebruik van J1939 data om deze bekende issues proactief te voorkomen, is nog te weinig doorgedrongen. Er is een nijpend tekort aan profielen die de brug slaan tussen diepgaande machinekennis en geavanceerde data-analyse, mede doordat exploitanten van NRMM deze profielen nog niet actief gaan zoeken op de arbeidsmarkt. Zolang deze synergie bij het technisch personeel en de exploitanten ontbreekt, wordt de technologische mogelijkheid niet herkend, waardoor de vraag naar externe expertise of interne innovatietrajecten uitblijft. Dit project beoogt precies die kloof te dichten door gebruik van J1939 data en complexe AI-mogelijkheden te vertalen naar de vertrouwde praktijk van het technisch personeel.
De Karel de Grote Hogeschool bouwt in dit project verder op de recent opgebouwde expertise binnen het Expertisecentrum Duurzame Industrie rond het decoderen en analyseren van CAN‑ en J1939‑data in de projecten RevCAN, U‑CANsim en CremAN, waarin reeds met succes merkonafhankelijke datacaptatie en simulatie van voertuig- en machinegegevens voor industriële toepassingen werden gerealiseerd.
De industriële visie groep InViLab van de Universiteit Antwerpen vertrekt vanuit recent onderzoek in probabilistische machine learning en data gedreven modellering, en zet deze kennis nu in om J1939 sensordata van NRMM te vertalen naar robuuste predictive maintenance toepassingen.
Samengevat, biedt de grote hoeveelheid aan beschikbare sensordata een unieke opportuniteit om stilstand bij NRMM verder terug te dringen d.m.v. PdM, maar is er onvoldoende bekendheid en expertise bij zowel vlootbeheerders als onderhoudspartijen om deze technologische meerwaarde effectief te verzilveren.
Onderzoeker(s)
Onderzoeksgroep(en)
Financiering
Project website
Project type(s)