De meeste mensen denken alleen aan de systemen die hun steden van stroom voorzien als er iets misgaat. Helaas hadden veel mensen in de San Francisco Bay Area de laatste tijd veel om over na te denken toen hun nutsbedrijf begon met geplande stroomuitval in een poging bosbranden te voorkomen. De beslissing kwam nadat vorig jaar verwoestende branden bleken te zijn veroorzaakt door defecte apparatuur, waaronder transformatoren.

Transformatoren zijn de verbindingen tussen energiecentrales, hoogspanningsleidingen en distributienetwerken. Als er iets mis gaat met een transformator, kunnen hele centrales donker worden. Om het probleem op te lossen, werken operators de klok rond om verschillende componenten van de installatie te beoordelen, verschillende gegevensbronnen in overweging te nemen en te beslissen wat er moet worden gerepareerd of vervangen.

Onderhoud aan en uitval van elektrische apparatuur is zo'n verstrekkend probleem dat het moeilijk is om een ​​dollarteken aan te bevestigen. Naast de verloren inkomsten van de fabriek zijn er bedrijven die niet kunnen werken, mensen die vastzitten in liften en metro's en scholen die niet kunnen openen.

Nu werkt de startup Tagup aan modernisering van het onderhoud van transformatoren en andere industriële apparatuur. Met het platform van het bedrijf kunnen operators al hun datastromen op één plek bekijken en machine learning gebruiken om in te schatten of en wanneer componenten defect raken.

Opgericht door CEO Jon Garrity '11 en CTO Will Vega-Brown '11, SM '13 - die onlangs zijn PhD-programma bij MIT's Department of Mechanical Engineering voltooide en deze maand afstudeert - wordt Tagup momenteel gebruikt door energiebedrijven om ongeveer 60,000 apparaten in Noord-Amerika en Europa. Dat omvat onder meer transformatoren, offshore windturbines en omgekeerde osmosesystemen voor waterfiltratie.

"Onze missie is om AI te gebruiken om de machines die de wereld aandrijven veiliger, betrouwbaarder en efficiënter te maken", zegt Garrity.

Een lamp gaat branden

Vega-Brown en Garrity kruisten elkaar in de loop der jaren op een aantal manieren bij MIT. Als studenten volgden ze een paar van dezelfde cursussen, met Vega-Brown dubbel als hoofdvak in werktuigbouwkunde en natuurkunde en Garrity met dubbel hoofdvak in economie en natuurkunde. Ze waren ook broederschapsbroeders en teamgenoten van het voetbalteam.

Garrity maakte voor het eerst kennis met ondernemerschap als student in de Energy Ventures-klas van MIT en in het Martin Trust Center for Entrepreneurship. Later, toen Garrity terugkeerde naar de campus terwijl hij aan de Harvard Business School zat en Vega-Brown zijn doctoraat nastreefde, waren ze weer klasgenoten in de New Enterprises-cursus van MIT.

Toch dachten de oprichters er pas in 2015 over na om een ​​bedrijf te starten, nadat Garrity bij GE Energy had gewerkt en Vega-Brown goed bezig was met zijn PhD-werk bij het Computer Science and Artificial Intelligence Laboratory van MIT.

Bij GE ontdekte Garrity een intrigerend bedrijfsmodel waarbij kritieke activa zoals straalmotoren werden geleasd door klanten - in dit geval luchtvaartmaatschappijen - in plaats van gekocht, en fabrikanten waren verantwoordelijk voor het op afstand bewaken en onderhouden ervan. Dankzij de overeenkomst konden GE en anderen hun technische expertise inzetten terwijl de klanten zich concentreerden op hun eigen industrieën.

“Toen ik bij GE werkte, heb ik me altijd afgevraagd: waarom is deze service niet beschikbaar voor welk type apparaat dan ook? Het antwoord is economie. " Zegt Garrity. “Het is duur om een ​​meldkamer op afstand op te zetten, de apparatuur in het veld te instrumenteren, de vijftig of meer technische experts te bemannen en de eindklanten de nodige ondersteuning te bieden. De kosten van uitval van apparatuur, zowel in termen van bedrijfsonderbreking als uitval van apparatuur, moeten enorm zijn om de hoge gemiddelde vaste kosten te rechtvaardigen. "

"We realiseerden ons twee dingen," vervolgt Garrity. “Met de toenemende beschikbaarheid van sensoren en cloudinfrastructuur kunnen we de kosten [voor het bewaken van kritieke activa] op het gebied van infrastructuur en communicatie drastisch verlagen. En met nieuwe machine-leermethoden kunnen we de productiviteit verhogen van ingenieurs die apparatuurgegevens handmatig beoordelen. "

Dat besef leidde tot Tagup, hoewel het enige tijd zou kosten om de technologie van de oprichters te bewijzen. "Het probleem met het gebruik van AI voor industriële toepassingen is het gebrek aan gegevens van hoge kwaliteit", legt Vega-Brown uit. “Veel van onze klanten hebben gigantische datasets, maar de informatiedichtheid in industriële data is vaak vrij laag. Dat betekent dat we heel voorzichtig moeten zijn in het zoeken naar signalen en het valideren van onze modellen, zodat we betrouwbaar nauwkeurige voorspellingen en voorspellingen kunnen doen. "

De oprichters maakten gebruik van hun MIT-banden om het bedrijf van de grond te krijgen. Ze kregen begeleiding van MIT's Venture Mentoring Service en Tagup was in de eerste cohort van startups die werden toegelaten tot de STEX 25-accelerator van het MIT Industrial Liaison Program (ILP), die startups met een hoog potentieel verbindt met leden van de industrie. Tagup heeft sindsdien verschillende klanten binnengehaald via ILP, en die vroege partnerschappen hielpen het bedrijf bij het trainen en valideren van enkele van zijn machine learning-modellen.

Macht betrouwbaarder maken

Het platform van Tagup combineert alle apparatuurgegevens van een klant in één sorteerbare hoofdlijst die de waarschijnlijkheid weergeeft dat elk activum een ​​storing veroorzaakt. Gebruikers kunnen op specifieke items klikken om grafieken van historische gegevens en trends te zien die worden meegenomen in de modellen van Tagup.

Het bedrijf zet geen eigen sensoren in. In plaats daarvan combineert het de realtime sensormetingen van klanten met andere gegevensbronnen, zoals onderhoudsrecords en machineparameters, om de eigen machine learning-modellen te verbeteren.

De oprichters begonnen ook met een gerichte aanpak om hun systeem op te bouwen. Transformatoren waren een van de eerste soorten apparatuur waarmee ze werkten, en ze zijn geleidelijk uitgebreid naar andere groepen activa.

Tagup's eerste inzet was in augustus 2016 met een energiecentrale die uitkijkt op de Charles River, dicht bij de campus van MIT. Slechts een paar maanden nadat het was geïnstalleerd, was Garrity op een buitenlandse vergadering toen hij een telefoontje kreeg van de fabrieksmanager over een transformator die zojuist onverwachts offline was gegaan. Vanaf zijn telefoon kon Garrity realtime gegevens van de transformator inspecteren en de manager de informatie geven die hij nodig had om het systeem opnieuw op te starten. Garrity zegt dat het de fabriek ongeveer 26 uur stilstand en $ 150,000 aan inkomsten heeft bespaard.

"Dit zijn echt catastrofale gebeurtenissen in termen van bedrijfsresultaten", zegt Garrity, waarbij hij opmerkt dat transformatorstoringen naar schatting $ 23 miljard per jaar kosten.

Sindsdien hebben ze partnerschappen gesloten met verschillende grote nutsbedrijven, waaronder National Grid en Consolidated Edison Company uit New York.

Garrity en Vega-Brown zijn enthousiast over het gebruik van machine learning om de werking van apparatuur te besturen. Een machine kan zichzelf bijvoorbeeld op dezelfde manier besturen als een zelfrijdende auto een obstakel kan detecteren en er omheen kan sturen.

Die mogelijkheden hebben grote gevolgen voor de systemen die ervoor zorgen dat de lichten aangaan als we 's nachts schakelaars omdraaien.

"Waar het echt spannend wordt, is op weg naar optimalisatie", zegt Garrity. Vega-Brown is het daarmee eens en voegt eraan toe: “Enorme hoeveelheden stroom en water gaan verloren omdat er niet genoeg experts zijn om de controllers op elke industriële machine ter wereld af te stemmen. Als we AI kunnen gebruiken om een ​​deel van de deskundige kennis in een algoritme vast te leggen, kunnen we inefficiëntie verminderen en de veiligheid op schaal verbeteren. "