De meeste pilots in de industrie komen doorgaans pas van de grond nadat het te onderzoeken product op labschaal zijn waarde heeft bewezen. En meestal duurt het daarna ook nog eens maanden, of jaren, totdat de pilot daadwerkelijk wordt uitgerold. Het idee om AI in te zetten om te bepalen of een leiding onderhoud nodig heeft, ontstond bij Teijin Aramid in Delfzijl tijdens een spontane brainstormsessie vorig jaar november, met assetmanagement partner Stork. Krap vijf maanden later is de turnaround bijna klaar en is het wachten op de resultaten van de pilot.

Slimmer inspecteren

Teijin Aramid wil het inspectieproces van het leidingensysteem structureel slimmer inrichten. De verwachting is dat het aantal te inspecteren leidingen de komende jaren fors zal toenemen, mede door steeds strengere wet- en regelgeving. “Op dit moment voeren we al controles uit op drukapparatuur en leidingen die vallen onder het Warenwetbesluit Drukapparatuur,” vertelt Nina Huck, site manager bij Teijin Aramid in Delfzijl. “Deze leidingen zijn opgenomen in een formeel inspectieprogramma. Daarnaast beheren we een aanzienlijk aantal leidingen die nu nog onder de zorgplicht vallen, maar waarvoor straks ook een groot deel onder de verplichte inspecties gaat vallen. De verwachting is dat de regeldruk alleen maar verder zal toenemen.”

Om daarop voorbereid te zijn, heeft Teijin Aramid besloten om het volledige leidingnetwerk, dat inmiddels ruim 13.000 leidingen omvat, op vaste intervallen te gaan inspecteren. Huck: “Onze huidige capaciteit is voldoende voor het uitvoeren van de bestaande wettelijke keuringen aan drukapparatuur en leidingen, maar als daar straks tienduizend extra leidingen bij komen, wordt het een enorme uitdaging om handmatig te bepalen welke leidingen prioriteit hebben voor inspectie en onderhoud.” Daarom kijkt Teijin Aramid actief naar manieren om dit proces te optimaliseren, bijvoorbeeld met behulp van data-analyse, risico gestuurde inspectiemethoden en digitalisering. Zo wordt het mogelijk om tijdig, gericht en efficiënt onderhoud te plegen, zonder dat dit ten koste gaat van veiligheid of compliance.

Guido Spangenberg, QHSE-manager bij Teijin Aramid Delfzijl, heeft samen met zijn inspectieteam, met het oog op de toenemende inspectiedruk, een roulerend inspectieschema opgesteld. “We hebben eerst onze leidingen gecategoriseerd op basis van medium, druk en temperatuur. Daarna zijn we gaan kijken naar de degradatiefactoren en -snelheden. Daarbij moet je denken aan externe factoren, vooral de invloed van het zeeklimaat. De interne factoren zitten in het type chemicaliën en de temperatuurverschillen na de kleine stops.”

Data

Al sinds de bouw van de fabriek in Delfzijl wordt er data gegenereerd over onder andere de staat van de leidingen. “Die data is er in allerlei vormen”, verduidelijkt Spangenberg. “Van Word-documenten met opmerkingen, foto’s, pdf’s, Excel-sheets, maar ook digitale data die door onze druk-, temperatuur- en flowmeters wordt geregistreerd.”

Het handmatig structureren en analyseren van inspectiedata voor het opzetten van een predictief onderhoudsmodel is in de praktijk vrijwel onuitvoerbaar. De complexiteit en de omvang maken traditionele werkwijzen inefficiënt en economisch onhaalbaar. “Als je dit proces handmatig zou uitvoeren, uitgaande van volledig beschikbare data per leiding, ben je al snel een volledige werkdag per leiding kwijt, puur aan analyse,” zegt Spangenberg, “Met 13.000 leidingen is dat simpelweg niet schaalbaar.”

Lange tijd heerste in de industrie de overtuiging dat schaalbaar, voorspellend onderhoud vooral een kwestie was van ‘meer mensen’, met name data-analisten, die de toenemende hoeveelheid gegevens zouden moeten structureren, verrijken en interpreteren. Inmiddels is duidelijk dat deze benadering niet houdbaar is. De sleutel ligt niet in mankracht, maar in automatisering, dataverrijking en de inzet van machine learning.

Teijin Aramid werkt daarom sinds anderhalf jaar aan een aanpak waarbij data uit leidingen en drukapparatuur (zoals materiaaltype, drukklasse, medium, gebruiksprofiel, omgevingsfactoren en historische inspectiegegevens) structureel wordt verzameld. Met de huidige pilot worden deze gegevens nu ook automatisch gecategoriseerd en geïnterpreteerd met behulp van algoritmes. Door deze contextuele analyse ontstaan risicoprofielen die als input dienen voor dynamisch onderhoudsbeheer. Dit maakt het straks waarschijnlijk mogelijk om op assetniveau te voorspellen waar en wanneer inspectie of vervanging noodzakelijk is. “Het gaat er niet alleen om data beschikbaar te hebben, maar om de juiste inhoudelijke interpretatie, context en prioritering te kunnen aanbrengen. Automatisch, herhaalbaar en schaalbaar,” aldus Spangenberg.

Inleren

Na de bewuste brainstormsessie in november concludeerde Stork al snel dat ze niet zelf die AI-tool konden bouwen. Het bedrijf schakelde daarom IBM in, waar men even enthousiast was als bij Stork en Teijin zelf.  “De AI-tool is op dit moment bezig met het verwerken en ‘aanleren’ van informatie uit handgeschreven notities, pdf-bestanden en een breed scala aan andere documenttypes,” vertelt Spangenberg. “Voordat de tool bruikbaar wordt, moet hij eerst begrijpen wat voor informatie hij voor zich krijgt, en hoe die informatie geïnterpreteerd moet worden.”

Een van de uitdagingen voor IBM is dat AI niet automatisch alle data correct kan interpreteren of in de juiste context kan plaatsen. “Zeker bij ongestructureerde data, zoals handgeschreven aantekeningen of semantisch vage teksten, is aanvullende logica nodig,” legt Spangenberg uit. “In sommige gevallen moet die interpretatie via zogeheten hard coding expliciet worden toegevoegd.”

Dat laatste is een tijdrovend proces, waarvoor IBM een team van drie specialisten op het project heeft gezet. Het doel is om de AI-tool uiteindelijk zó te trainen dat deze zelfstandig betekenisvolle informatie kan extraheren uit grote hoeveelheden ongestructureerde data: een essentiële stap richting volledig geautomatiseerde en contextbewuste dataverwerking.

Validatie

Nu de plant tijdelijk stil ligt en leidingen en drukapparatuur grondig worden geïnspecteerd en gereinigd, is dit hét moment om de eerste voorspellingen uit de AI-tool te valideren. Spangenberg: “De tool zal straks voorspellingen doen op basis van specifieke kenmerken van drukapparatuur. Die voorspellingen kunnen we dan direct toetsen aan de feitelijke bevindingen tijdens de stop, waarbij elk component nauwkeurig wordt beoordeeld.”

De pilot is zó opgezet dat de AI-resultaten onafhankelijk worden vergeleken met de inspectieresultaten. “We voeren de pilot bewust ‘blind’ uit, zodat de inspecteurs zich niet laten beïnvloeden door de voorspellingen. Alleen zo krijg je een objectieve vergelijking,” aldus Spangenberg.

De grote vraag is uiteraard: komen de voorspellingen van de AI-tool overeen met de fysieke staat van de assets? Een match zou een sterke validatie zijn van het AI-model. Toch zou het uitblijven van een directe overeenkomst geen reden tot teleurstelling zijn, verduidelijkt Huck: “Zelfs als AI er nu nog naast zit, stoppen we niet. Elke afwijking vertelt ons iets waardevols. Dit is een leertraject.”

De inzet van kunstmatige intelligentie voor onderhoudsdoeleinden wordt bij Teijin Aramid gezien als een strategische ontwikkeling. “We geloven dat AI een sleutelrol gaat spelen in de toekomst van onze fabriek”, vertelt Huck. “Daarom investeren we nu al tijd en capaciteit in dit soort pilots. Het is echt ‘learning by doing’. Wat de pilot bijzonder maakt, is dat er met een klein team, beperkt budget en in zeer korte tijd toch een significante stap gezet wordt richting datagedreven onderhoud. De échte waarde van deze inzichten komt later, maar daarvoor moet je wel nú durven beginnen.”

Slimmere sensoren, slimmere voorspellingen

Hoewel er in de huidige situatie al sensoren aanwezig zijn die onder andere flow, druk en temperatuur meten, verwacht Huck dat het aantal sensoren in leidingen en drukapparatuur de komende jaren verder zal toenemen. “Onze pompen zijn nu al uitgerust met trillingssensoren. Hierdoor kunnen we afwijkingen vroegtijdig detecteren en proactief ingrijpen. Hoe meer relevante data we verzamelen, hoe nauwkeuriger en betrouwbaarder onze AI-tool kan voorspellen.” Op korte termijn ziet Spangenberg vooral kansen in sensoren die uitwendige vochtmetingen kunnen doen. “We willen kunnen vaststellen waar inwatering precies optreedt en onder welke omstandigheden dat gebeurt. Als we die data koppelen aan onze modellen, kunnen we gericht voorspellen waar uitwendige corrosie zal ontstaan. Daarmee zetten we weer een stap richting voorspellend onderhoud, specifiek gericht op externe degradatie.” De organisatie meet nu al op roulerende basis de wanddiktes van leidingen en maakt gebruik van röntgentechnieken om door leidingen heen te kijken. “Dat blijven we zeker doen,” benadrukt Huck, “maar dankzij de data uit sensoren kunnen we dit soort inspecties veel gerichter inzetten, wat zowel tijd als kosten bespaart.”

Het inspectieteam werkt ondertussen aan een leidingsysteemprogramma waarin niet alleen de leidingen zelf worden opgenomen, maar uiteindelijk ook alle appendages zoals flenzen, afsluiters en koppelingen. Deze integrale aanpak zorgt voor een vollediger assetbeeld en levert waardevolle input voor zowel operationele kosten (OPEX) als investeringsbeslissingen (CAPEX). Een belangrijke stap daarin was de integratie van onderhouds- en inspectiedata. Huck: “Voorheen werkten onze maintenance engineers en de inspectie-afdeling in gescheiden systemen. Door die silo’s op te heffen en de systemen te integreren, krijgen we nu eindelijk een compleet overzicht van de staat van onze installaties. Dat maakt ons niet alleen efficiënter, maar ook toekomstbestendig.”

Personeelstekort

Het tekort aan technisch personeel was tijdens deze grote stop merkbaar groter dan bij kleinere stops. Dat vormt ook een van de drijfveren achter de inzet van AI in het inspectieproces. Uit historische data blijkt namelijk dat drukapparatuur soms onnodig wordt geïnspecteerd. “We zijn wettelijk verplicht om drukapparatuur periodiek te controleren, maar in de praktijk blijkt achteraf dat een deel van die inspecties overbodig zijn,” zegt Huck. “Dat kost tijd, geld en capaciteit. Zeker met zoveel drukapparatuur als wij hebben, wil je niet méér inspecteren dan strikt noodzakelijk.”

Gerichter inspecteren, op basis van risico en datagedreven voorspellingen, is dan ook het doel. “Als we straks met behulp van de AI-tool goed onderbouwde voorspellingen kunnen doen over de conditie van onze assets, kunnen we veel efficiënter te werk gaan. Dat stelt ons in staat om met het bestaande personeelsbestand ook bij toenemende regelgeving aan de verplichtingen te blijven voldoen”, legt Huck uit.

Spangenberg: “Wanneer we kunnen aantonen dat de tool betrouwbaar werkt, kunnen we mogelijk ook beargumenteren dat de inspectie-intervallen veilig verruimd mogen worden. Daarmee zouden we niet alleen efficiënter, maar ook veiliger gaan werken. Elke betreding van drukapparatuur voor inspectie blijft, hoe goed voorbereid ook, een risicomoment.”

Relevantie voor de industrie

De pilot is niet alleen interessant voor Teijin Aramid in Delfzijl en de zusterfabrieken van het chemieconcern, maar uiteraard ook voor andere bedrijven in de industrie. “In feite is iedereen in de industrie op zoek naar een manier om met de beschikbare data het onderhoud en de inspecties zo slim mogelijk uit te voeren”, vertelt Huck. Als het AI-project slaagt, is er al vastgelegd dat het intellectuele eigendom bij Teijin Aramid ligt.

Nadelen heeft deze pilot niet, meent Spangenberg: “De enige drempel die ik zie is dat de tool weliswaar een grote kans op succes heeft, maar dat het nog een aardige uitdaging kan worden om de overheden ervan te overtuigen dat we de inspectie-intervallen kunnen verlengen. Dat zullen we stap voor stap moeten aanpakken. We zullen eerst met allerlei validatieprocessen moeten kunnen aantonen dat de tool echt werkt.”

Level playing field

De industrie heeft het zwaar in Europa en in het bijzonder in Nederland. Dit soort innovaties kunnen bijdragen aan het level playing field, vindt Huck: “De regels met betrekking tot inspecties zijn in Europa veel strenger dan in China en in de VS. Op het moment dat je efficiënter kunt inspecteren, win je dus relatief veel aan concurrentiepositie. Daarnaast is deze pilot een goed voorbeeld van hoe we door samenwerking met andere partijen meerwaarde kunnen creëren. In een industrie die onder druk staat, moeten we het misschien wel hebben van dit soort samenwerkingen.”