Stolt Tankers zet waardevolle stap in machine learning

Je beschikt over flinke hoeveelheden data, waarvan je vermoedt dat er waardevolle informatie uit te halen is. Het zou toch mogelijk moeten zijn om, op basis van die data, storingen en issues aan motoren in de toekomst te voorspellen? Met die vraag kwam Berend Vree, Reliability & Performance Manager bij Stolt Tankers bij HSO terecht. Het team ‘Advanced Analytics & AI’ van HSO, onder leiding van Niek Timmermans, ging deze uitdaging aan. Berend en Niek vertellen over de afgelegde route, die uiteraard niet zonder omwegen verliep, en over het resultaat.

Starten met machine learning? Begin met een concrete use case

Niek: “We zien bij veel bedrijven dat ze het lastig vinden om de stap te maken van theorie naar een concrete business case voor AI. Data en Artificial Intelligence kunnen enorm helpen om verborgen waarde uit de organisatie te ontsluiten en betere beslissingen te nemen, maar dan moet je wel de stap zetten naar een eerste toepassing. Daar helpen wij bij.

Onze aanpak is gebaseerd op het business model canvas, waarbij we op basis van drie vragen – wat wil je bereiken, wat heb je daarvoor nodig en wat zijn de verwachte opbrengsten – in twee dagen tijd een concrete use case ontwikkelen. Voor deze use case bouwen we een MVP, Minimum Viable Product. We beginnen dus klein en ontwikkelen een eerste model dat direct toegevoegde waarde heeft. We werken hierbij op een agile manier, oftewel, we kijken steeds wat werkt wel, wat werkt niet en sturen continu bij. Op het moment dat je een eerste MVP hebt en de organisatie ziet dat het werkt, wordt het vervolgens gemakkelijker om investeringen te regelen om de volgende stappen te zetten.”

De zuigerveer als sleutel tot succes

Bij Stolt leidde juist deze flexibele aanpak tot resultaat. Berend: “In eerste instantie wilden we voorspellen hoe groot de kans is dat de hoofdmotor gaat falen. Bij het ontwikkelen van het model bleek echter dat we daarvoor te weinig data hadden. We gingen een treetje lager: de technische condities van de motor wilden we voorspellen. Maar ook daarvoor bleken de data onvoldoende. Uiteindelijk ontwikkelden we een MVP dat het falen van de ‘piston ring’, oftewel de zuigerveer, voorspelt.”

Niek: “Bij elk project is het erg belangrijk om iemand in het team te hebben met veel domeinkennis, om de data en uitkomsten daadwerkelijk te kunnen interpreteren. Zodat we weten of we een bepaalde uitkomst of factor relevant is of niet. Zo kwamen we in dit project dus uiteindelijk bij de zuigerveer uit.” De zuigerveer is belangrijk omdat als deze stuk gaat, er veel gevolgschade is, plus er veel meer brandstof wordt gebruikt. Het model voorspelt hoe groot de kans is dat een zuigerveer bij de volgende geplande inspectie in slechte conditie is. De bemanning kan dan beslissen of de instructie krijgen om de inspectie te vervroegen, zodat het onderdeel tijdig wordt onderhouden.

Begin bij de data die je in huis hebt

Beginnen met het toepassen van voorspellende algoritmen en AI is dus niet zozeer een kwestie van het implementeren van allerlei nieuwe IoT-sensoren. Berend: “We beschikten al over behoorlijke hoeveelheden data. Zoals alle reparatiedata van de afgelopen vijf jaar, inspectierapporten, brandstofrapportages. Onze monteurs houden deze rapportages secuur bij, dat zijn we ook wettelijk verplicht. De vraag was dus vooral: hoe krijgen we deze data ‘aan de wal’ en maken we ze bruikbaar voor de analyse en het model? Daar heeft HSO dan weer de juiste kennis en tooling voor.”

Niek: “Veel bedrijven denken dat hun data helemaal perfect moet zijn voordat je ermee aan de slag gaat. Dit is echter niet het geval; je kunt vaak met data die voor zo’n 95% accuraat zijn al heel goed werken en voorspellingen doen. Het is vaak een kwestie van beginnen en proberen.”

Schepen slimmer maken voor de toekomst

Berend: “We verwachten dat het model ons ook gaat helpen straks bij de energietransitie. Wat als we andere brandstoffen gebruiken, wat is dan het effect op de zuigerveren en de filters bijvoorbeeld? Het model geeft ons veel mogelijkheden om anders te sturen. Als we weten welke zuigerveer binnenkort kapotgaat, willen we dan dat de bemanning de inspectie vervroegt? En wat zijn de risico’s voor de motor als de bemanning toch doorvaart, bijvoorbeeld omdat het schip zich in onveilig gebied bevindt?”

Een heldere visualisatie van de resultaten vond Stolt ook belangrijk. Berend: “Wij werken het liefst met schroeven en bouten, algoritmes zijn ons veel te abstract. Dus wilden we duidelijke plaatjes en een goed werkend dashboard.”

Berend ziet veel kansen voor digitalisering bij Stolt. “Onze sector is tamelijk conservatief, maar ik ben ervan overtuigd dat we met data en automatisering het verschil kunnen maken. Schepen slimmer maken, dat is onze missie. En dan niet zozeer met behulp van meer IoT, maar juist door gebruik te maken van bedrijfsdata, informatie vanuit de bedrijfsprocessen, die we al hebben en bijvoorbeeld van informatie van de werven waar de schepen gebouwd zijn.”