Condition monitoring en Digital Twins
14 mei 2025 – 25 juni 2025
In de maak- en procesindustrie streven we naar een nagenoeg voltijdse up-time van machines. Het is echter onvermijdelijk dat kritieke assets vroeg of laat falen, denk aan pompen, compressoren of robots. Het is dan ook een grote meerwaarde om falen tijdig te voorspellen om een productiestop te kunnen inplannen en gepast onderhoud of een vervanging te kunnen uitvoeren.Klassiek gebruikt men hiervoor condition monitoring. Gekende technieken zijn het gebruik van accelerometers om trillingen van mechanische componenten te bewaken, of stroomsensoren om de harmonische inhoud van motorstromen te analyseren. Hiermee kan het falen van gevoelige componenten zoals mechanica en motoren voorspeld worden. Echter kan vaak geen verband gelegd worden met de oorzaak van het falen, en dus leveren deze methodes geen inzichten waarmee de betrouwbaarheid kan verhoogd worden.
De laatste jaren evolueerde de Digital Twin van een vaag concept naar een realiteit. Een Digital Twin wordt gedefinieerd als een virtuele kopie van een fysisch systeem, dat mee evolueert dankzij een uitwisseling van data en informatie. Het is met andere woorden een simulatiemodel dat mee leeft met het werkelijk systeem en ten allen tijde een correcte weergave ervan voorstelt. De combinatie van toegenomen rekenkracht, connectiviteit, data en AI heeft de voorbije jaren voor realistische simulatiemodellen gezorgd waarmee het Digital Twin concept mogelijk is geworden.
In deze opleiding gaan we via hoorcolleges, lezingen en getuigenissen uit zowel de academische wereld als de industrie dieper in op de laatste nieuwe ontwikkelingen in de wereld van condition monitoring en Digital Twins. Vervolgens brengen we beide concepten samen en demonstreren we de meerwaarde van Digital Twins in condition monitoring. Een Digital Twin laat namelijk toe om oorzakelijke verbanden te leggen, waardoor niet alleen falen kan voorspeld worden, maar ook bijkomende inzichten kunnen bekomen worden over de inwendige faalmechanismes in kritieke assets. Dit laat o.a. toe om het ontwerp van processen en machines verder te verbeteren en falen vroeger te detecteren. Eveneens kunnen hiermee grootheden gemonitord worden die niet rechtstreeks gemeten worden, namelijk door een Digital Twin te gebruiken als virtuele sensor.
De lessen zijn bedoeld voor ingenieurs die werken in productie-omgevingen in de maak- en procesindustrie. De deelnemers hebben een ingenieursopleiding gevolgd in elektromechanica, elektrotechniek, regeltechniek, automatisering of beschikken over een gelijkwaardige ervaring. In deze opleiding brengen we het nieuwe concept van de Digital Twin aan en tonen we de meerwaarde ervan voor condition monitoring van kritieke assets.
Deelnemers die de volledige opleiding volgen, ontvangen een aanwezigheidsattest.
Wetenschappelijk Coördinator
- dr. ir. Annelies Coene, Vakgroep Elektromechanica, Systeem- en Metaalengineering, Universiteit Gent
- prof. dr. ir. Jeroen De Kooning, Vakgroep Elektromechanica, Systeem- en Metaalengineering, Universiteit Gent
Lesgevers
- Annelies Coene, Vakgroep Elektromechanica, Systeem- en Metaalengineering, Universiteit Gent
- Jeroen De Kooning, Vakgroep Elektromechanica, Systeem- en Metaalengineering, Universiteit Gent
- Femke Ongenae, Vakgroep Informatietechnologie, Universiteit Gent
- Tom Rombouts, I-care
- Bram Steenwinckel, Vakgroep Informatietechnologie, Universiteit Gent
- Herman Van der Auweraer, KU Leuven & Siemens Industry Software NV
- Sofie Van Hoecke, Vakgroep Elektronica en Informatiesystemen, Universiteit Gent
- Jan Verhasselt, Yazzoom
Digital Twins: van concept tot waarde-creatie
In deze inspirerende gastles introduceert Herman Van der Auweraer (Siemens, KUL) het concept van de Digital Twin aan de hand van een reeks tastbare voorbeelden uit diverse toepassingsdomeinen.Datum: 14 mei 2025
Lesgevers: Jeroen De Kooning en Herman Van der Auweraer
Digital Twins: evolutie, definitie en demonstratie
Het Digital Twin concept wordt verder uitgediept door te kijken naar de geschiedenis en evolutie ervan in de wetenschappelijke literatuur. We sluiten deze les af met een bezoek aan het labo waar een demo van slipdetectie in wikkelmachines zal getoond worden.Datum: 21 mei 2025
Lesgever: Jeroen De Kooning
Modelleringstechnieken en parameter-identificatie voor Digital Twins
Deze les gaat dieper in op de verschillende modelleringstechnieken voor Digital Twins, namelijk fysica-gebaseerde modellering, data-gedreven modellering en de combinatie van beide in hybride modellering. Vervolgens gaan we dieper in op het live aanpassen van parameters in deze modellen door middel van data door gebruik te maken van parameter-identificatie technieken.Datum: 28 mei 2025
Lesgevers: Annelies Coene en Jeroen De Kooning
Condition monitoring: Klassieke aanpak en signaalanalyse
In deze les worden de klassieke methoden voor condition monitoring toegelicht. De les omvat belangrijke signaalanalysetechnieken die de basis vormen van deze methoden. Verder worden enkele voorbeelden van condition monitoring uit de praktijk toegelicht.Datum: 4 juni 2025
Lesgever: Tom Rombouts
Data-gedreven technieken voor onderhoud
De verschillende niveaus van onderhoud en de verschillen tussen traditionele onderhoudsmethoden (visuele inspectie, periodieke metingen) en moderne, data-gedreven benaderingen komen aan bod. De les behandelt hoe data-gedreven technieken en voorspellend onderhoud helpen ongeplande stilstanden te voorkomen door anomalieën vroegtijdig te detecteren. We bespreken de voordelen van data-gedreven onderhoud en concrete toepassingen in de industrie. Tot slot kijken we hoe bedrijven data-gedreven kunnen integreren om kosten te verlagen en hun efficiëntie te verbeteren.Datum: 11 juni 2025
Lesgever: Jan Verhasselt
Data-gedreven technieken voor condition monitoring
Data-gedreven technieken voor condition monitoring richten zich op het detecteren van afwijkingen en fouten, alsook het voorspellen van de resterende levensduur van systemen en/of hun componenten aan de hand van machine learning. Deze technieken spelen een cruciale rol in de industrie, met toepassingen zoals kwaliteitscontrole, machinemonitoring voor voorspellend onderhoud, en procesoptimalisatie. We bespreken diverse methoden en voorbeeldapplicaties, waaronder anomaliedetectie, foutdetectie en remaining useful life (RUL)-predictie, met een focus op zowel unsupervised, semi-supervised als supervised methodes, evenals methoden specifiek voor tijdsreeksdata.Datum: 18 juni 2025
Lesgever: Sofie Van Hoecke
Hybride AI voor foutdetectie en diagnose
Hybride AI kan data- en kennisgedreven AI-technieken combineren om fouten in systemen op te sporen en te verklaren. Dit speelt een cruciale rol in industrie waar zowel grote hoeveelheden sensor data als expertkennis nodig zijn om betrouwbare voorspellingsmodellen te maken. In deze les bespreken we hoe hybride AI-modellen zowel nauwkeurige diagnoses kunnen voorspellen, alsook inzicht kunnen geven in de reden achter een beslissing. We geven hands-on ervaringen van technieken met kennisgrafen en semantische regels, en tonen aan hoe deze methodes de foutdetectie verbeteren en industriële processen adaptiever kunnen maken.Datum: 25 juni 2025
Lesgevers: Femke Ongenae en Bram Steenwinckel
Praktisch
De deelnameprijs bedraagt 1.070 euro.
Deelnameprijs omvat lesgeld, hand-outs, frisdranken, koffie en broodjes.
Betaling geschiedt na ontvangst van de factuur. Alle facturen zijn betaalbaar dertig dagen na dagtekening. Alle vermelde bedragen zijn vrij van BTW.
Korting
- Indien minstens één deelnemer van een bedrijf inschrijft voor de volledige opleiding wordt voor alle bijkomende gelijktijdige inschrijvingen van hetzelfde bedrijf een korting van 20% verleend. Facturatie geschiedt dan d.m.v. een gezamenlijke factuur.
- Personeelsleden van de UGent genieten bijzondere voorwaarden. mail ons voor meer informatie.
Kortingen zijn niet cumuleerbaar.
Annulering
Raadpleeg onze annulatievoorwaarden op www.ugain.ugent.be/annulatievoorwaarden.
KMO-portefeuille
Universiteit Gent aanvaardt betalingen via de KMO-portefeuille,
gebruik authorisatiecode DV.O103 194.
Meer info vindt u op www.kmo-portefeuille.be