In negen stappen naar predictive maintenance

Door de opkomst van nieuwe technologieën, zoals Internet of Things en analytics, kan veel meer waarde gehaald worden uit predictive maintenance.

Aan het gebruik van predictive maintenance kleven tal van voordelen. Binnen een industriële omgeving is een belangrijk voordeel dat het helpt bij het plannen van onderhoudstaken. Door inzicht in de toestand van apparaten, de slijtage van onderdelen en tijdige signalering kunnen onderdelen precies op tijd worden vervangen, waardoor vroegtijdige vervanging (kost geld) en te laat ingrijpen (kan nog meer geld kosten) worden voorkomen.

Andere voordelen zijn dat het organisaties in staat stelt de kwaliteit nauwer te monitoren en controleren, de inkoop en opslag van reserveonderdelen te stroomlijnen, de inzet van onderhoudspersoneel zo efficiënt mogelijk in te richten, evenals de plannen voor langetermijn-kapitaaluitgaven te optimaliseren. 

9 stappen voor predictive maintenance

Het toepassen van predictive maintenance kan een complexe aangelegenheid zijn. Voor organisaties is het daarom belangrijk om predictive maintenance goed voor te bereiden en toe te passen op geschikte assets. Hoe gaat dit in zijn werk? Experts van Supply Value delen negen stappen voor een succesvolle implementatie:

Stap 1: Strategie opstellen

De belangrijkste stap wordt gek genoeg vaak overgeslagen: het bepalen van een strategie. Omdat er veel kosten bij komen kijken en data goed ingeregeld moet worden voordat deze bruikbaar is, is het belangrijk dat organisaties de businesscase helder krijgen. Wat is het doel? Welke informatie is nodig en hiervoor relevant, en op welke termijn is dit interessant?

Stap 2: Rollen en verantwoordelijkheden

Door de complexiteit van de systemen rondom predictive maintenance is het van belang de betrokkenen mee te nemen in het veranderproces. “Breng een multidisciplinair team bij elkaar dat inzicht heeft in de verschillende processen en werkwijzen en verdeel de taken en verantwoordelijkheden. Door mensen verantwoordelijkheden en de ruimte voor meedenken te geven wordt de werkwijze sneller geaccepteerd”, adviseren de experts. 

Stap 3: Data verzamelen

Binnen de strategie is bepaald wat voor data relevant is voor de businesscase van een organisatie. Deze data dient verzameld te worden vanuit de systemen van het bedrijf. Bij het verzamelen van data kan men denken aan gebruikshistorie, onderhouds- en servicehistorie en andere vastliggende data, zoals gebruiksgedrag en technische specificaties.

“Denk ook aan de performance-indicatoren. Om hierin een duidelijke lijn te krijgen is het verstandig om data governance in te richten, waardoor de procedures, systemen en verantwoordelijkheden duidelijk worden. Door Master Data Management kan de data worden beheerd en gemanaged. Ook is duidelijk welke data waar te vinden is.”

Stap 4:Data analyseren en modelleren

Wanneer de data is verzameld is het mogelijk om te analyseren, zodat er conclusies getrokken kunnen worden. Belangrijk hierin is dat de data op de juiste manier gestructureerd is en dat de data kwalitatief goed is. “De data moet compleet en consistent zijn en moet op de goede manier gemeten zijn. Fouten of dubbele input kunnen worden verwijderd.” 

Stap 5: Selectie van assets

De data-analyse geeft output op verschillende punten. Deze output kan tegen de businesscase aangehouden worden om te achterhalen wat de belangrijkste punten zijn die in lijn liggen met de strategie van de organisatie. Daarnaast kan binnen de data gekeken worden naar de meest kansrijke opties voor predictive maintenance. Op basis hiervan worden assets (of onderdelen hiervan) geselecteerd om predictive maintenance op toe te passen. “Alleen belangrijke en cruciale assets – waarvan data te verkrijgen is – zijn in principe geschikt om deze vorm van onderhoud op toe te passen”, aldus de consultants. 

Stap 6: Bepaal referentiepunten en regel deze in

Nu er inzicht is in data en de selectie van assets is gemaakt zullen er referentiepunten moeten worden bepaald. Bij welke waarde functioneren de assets? Bij welke moet er actie ondernomen worden? En tot slot: bij welke waarde ontstaan er beschadigingen of raken de assets defect? De sensoren geven aan wanneer het tijd is voor onderhoud. De referentiepunten moeten vervolgens worden ingeregeld, zodat het geheel in werking kan treden. 

Hierbij kan gebruik worden gemaakt van een Root Cause Analysis (RCA) en een Failure Mode Effects Analysis (FMEA) per asset om de juiste richting te bepalen. De organisatie dient hierbij de volgende vragen te stellen: Welke data is nodig om oorzaken en storingen te monitoren? Welke data uit sensoren en welke externe data zijn nodig? En hoe zijn de verschillende oorzaken en gevolgen met elkaar verbonden?

Stap 7: Ontwerp van een algoritme

De experts van Supply Value benadrukken het belang van het kiezen van een algoritme bij het bepalen van de kwaliteit van de voorspellingen. “Het kan relatief eenvoudig zijn om het beste algoritme te ontwerpen, wanneer reeds een geschikt model voor betrouwbaarheid van de assets is gemaakt in de vorige stap.”

Stap 8: Inbouwen van een continue verbeterloop

Het model gaat vervolgens live en het algoritme zal toekomstige storingen gaan voorspellen. De experts lichten toe: “Op het hoogste niveau van voorspellend onderhoud, voorspelt het algoritme niet alleen wanneer een storing wellicht zal optreden, maar het stelt ook een verzameling van standaard onderhoudstaken samen die voorschrijven wat de beste te nemen acties of werkzaamheden zijn om dergelijke storingen te voorkomen.”

Het algoritme verwerkt gegevens uit verschillende bronnen zoals sensoren uit machines, de onderhouds- en faalhistorie van de machines en/of externe data, zodat kan worden waargenomen en gevisualiseerd wat de prestaties zijn in real-time. De adviseurs wijzen erop hoe belangrijk het is dit te blijven onderhouden en door te ontwikkelen. “Door het continue verbeterproces leert het proces steeds meer, wat meer inzicht geeft in de systemen. Hierdoor kunnen er steeds preciezere voorspellingen met betrekking tot het onderhoud worden gedaan.” 

Stap 9: Uitbouwen van infrastructuur

Door het uitbouwen van predictive maintenance over verschillende assets vindt er een integratie met de systemen plaats. Hierdoor kunnen processen en assets op elkaar worden afgestemd en wordt de keten geoptimaliseerd. “Op deze manier wordt de verzamelde data op meerdere punten ingezet”, aldus de experts.

Door de ingebouwde verbeterloop blijven de processen incrementeel doorontwikkelen, waardoor er geen tussentijdse ingrijpende investeringen plaats hoeven te vinden. Ook zorgt het ervoor dat de organisatie goed ingericht is voor de datagedreven toekomst en Industry 4.0.