De juiste businesscase voor predictive maintenance
We leven in bijzondere tijden. Wie vermoedde twintig jaar geleden dat je tegenwoordig daklekkages kunt voorspellen en dus precies weet wanneer de monteur moet langskomen? Predictive maintenance heeft veel in petto – zolang je de juiste business case optuigt. John Ciocoiu en Raphaël Hoogvliets van KPN ICT Consulting aan het woord over 'hun' case.
Met predictive maintenance is het mogelijk te voorspellen wat het beste moment voor onderhoudswerk is. Het kan bijvoorbeeld gaan om onderhoud aan een auto, een lift of het dak van een gebouw. De onderhoudsbehoefte is meestal afhankelijk van gebruik en slijtage van het object. Bij daken gaat het onder meer om de weersomstandigheden en de directe omgeving, zoals de aanwezigheid van bomen.
Voor woningcorporaties is het waardevol om te weten op welk moment daklekkage dreigt en ze dus een monteur moeten inschakelen om dit te voorkomen. Niet onnodig vroeg en zeker niet te laat, is daarbij het motto. Door de monteur exact op het juiste moment in te schakelen, besparen corporaties veel geld en moeite. Maar hoe bepaal je het juiste onderhoudsmoment?
Beperk de scope
Met die vraag zijn wij de afgelopen tijd bezig geweest. We deden dit in opdracht van het onderhoudsbedrijf van een grote woningcorporatie. Zij wilden eigenlijk op elk dak sensoren plaatsen en vervolgens de sensordata analyseren. Dat zou erg kostbaar worden. Aan de hand van gesprekken met dakexperts en een inventarisatie van de beschikbare data, stelden we de scope bij en maakten we de business case rond.
Met de informatie van dakexperts gaven we de opdracht een concretere scope, namelijk lekkages ontstaan door vervuilde dakgoten. Daarop besloten wij het voorspellingsmodel te beperken tot dakgoten, hun mate van vervuiling en het daarmee samenhangende risico op lekkage. Hierdoor konden we de onderhoudsbehoefte en de uitkomsten van het model gemakkelijker kwantificeren aan de hand van een risicopercentage.
Business case
Een goede business case is essentieel voor het succes van predictive maintenance. In ons geval zit de business case in de acties die volgen op voorspeld lekkagerisico. De woningcorporatie heeft een jaarlijkse cyclus voor gootonderhoud. Als we met het model kunnen aantonen dat ze een jaartje kunnen overslaan, omdat de goot niet vuil is en het lekkagerisico dus klein, bespaart dat onnodige controles en geld.
Het voorspellingsmodel wordt gevoed met historische data van de dakgoten. We pakten de gegevens van de afgelopen vijf jaar, vulden het model met de eerste vier en gebruikten de gegevens van het vijfde jaar ter controle en finetuning. Dit leverde een veelbelovend proof of concept op. Maar we zijn er nog niet.
Nog nauwkeuriger
De woningcorporatie heeft het model en het risicopercentage opgenomen in het onderhoudsplanningssysteem. Gebruikt worden de modelvoorspellingen nog niet. Daarvoor moeten er eerst afspraken komen met de planners en de monteurs. We willen het model ook nog verder verbeteren, zodat het nog nauwkeuriger wordt. Deze gegevens worden vanaf nu door monteurs aangevuld met een van tevoren afgesproken kwantificering van de mate van vervuiling.
Het uitdenken en ontwikkelen van dit model van predictive maintenance heeft ons veel kennis bijgebracht. De belangrijkste les is dat je de juiste scope moet kiezen, zodat het behapbaar blijft. Welke scope de juiste is, hangt af van de wensen en van de beschikbare data. Een andere les is dat het model een concrete toepassing moet hebben. Je hebt een business case als je een modelvoorspelling logisch laat opvolgen door acties die tijd, geld en/of moeite besparen. Is dat het geval? Dan voorspellen we jou alvast een onderhoudsarme toekomst.
John Ciocoiu is Data Engineer bij KPN ICT Consulting en Raphaël Hoogvliets is Data Scientist bij KPN ICT Consulting.