Als Data Scientist bij de Luchtmacht bouwde ik een predictive maintenance model voor een helikopterprogramma. Het doel: eerder inzicht krijgen in welke onderdelen onderhoud nodig zouden hebben, zodat inkopers beter vooruit konden plannen.
Voor sommige helikopteronderdelen loopt de levertijd op van zes maanden tot anderhalf jaar. Wachten tot iets kapot gaat is dus geen optie.
De vraag was: kunnen we met operationele en onderhoudsdata eerder voorspellen welke onderdelen waarschijnlijk onderhoud nodig hebben? Het model moest de inkoper ondersteunen, niet vervangen.
Als Data Scientist werkte ik mee aan het model en de vertaling naar bruikbare inzichten. Daarbij stemde ik continu af met technische experts en stakeholders om data, aannames en praktijkcontext goed te begrijpen.
Stap voor stap bouwen en onderweg blijven toetsen bij de mensen die dagelijks met het onderhoud werkten.
Data opschonen, samenbrengen en betekenis geven.
Patronen zoeken en tussentijds toetsen met experts.
Met XGBoost voorspellingen maken op historische data.
Aannames en uitkomsten continu verifiëren en bijsturen.
Na zo'n vijf maanden stond er een werkend machine-learningmodel voor het helikopterprogramma. Via een dashboard werd per onderdeel zichtbaar waar mogelijke voorraadknelpunten konden ontstaan.
Dan is er waarschijnlijk meer mogelijk. Laten we kijken hoe je data kan helpen om betere keuzes te maken.