In 3 stappen naar succesvol predictive maintenance

Geplaatst op 26 oktober 2015 om 21:44 uur Bedrijven die zich anno 2015 bezighouden met technisch onderhoud aan machines en installaties, hebben in groeiende mate te maken met hoge eisen van klanten. Installaties moeten betrouwbaar zijn en dus altijd beschikbaar. Onderhoudskosten dienen geminimaliseerd te worden. Een continue beschikbaarheid is essentieel voor de business. Voor baggerbedrijven zijn de machines op schepen onmisbaar en voor elektriciteitsnetbeheerders moeten vermogensschakelaars altijd up-and-running blijven. Vindt er downtime plaats, dan lopen naast de onderhouds- en reparatiekosten ook de economische kosten flink op.

Om onderhoudskosten te verlagen en downtime te voorkomen, biedt predictive maintenance uitkomst. Van onderhoud wordt vaak gezegd dat het op twee momenten kan gebeuren: te vroeg of te laat. Bij predictive maintenance wordt echter een toekomstige storing voorspeld, waardoor het benodigde onderhoudsmoment op het juiste moment in te plannen is. Hierdoor zijn bedrijven in staat realtime en op afstand de conditie van machines te monitoren en betrouwbaarheid te garanderen. Voorspellen wanneer uitval zich dreigt voor te doen, is een wens voor menig onderhoudsexpert. Predictive maintenance is voor veel bedrijven de toekomst, maar het is slim om nu al de eerste stappen te zetten. Hoe begin je ermee?

 

Stap 1: Data

Bij het implementeren van predicitive maintenance is het allereerst een vereiste dat data van de betreffende installatie of machine beschikbaar is. Is er geen data, dan is het vrijwel zinloos om met predictive maintenance aan de slag te gaan. De eerste stap is het verzamelen van historische sensordata om patronen te ontdekken. Naast sensor data is ook data van bedrijfsprocessen en storingsmomenten van groot belang. Om de hoeveel weken wordt er gesmeerd? Wanneer is er voor het laatst onderhoud gepleegd? Wanneer was de laatste storing? Allemaal vragen waar historische data antwoord op heeft. En hoe meer antwoorden, hoe accurater uiteindelijk de voorspelling.

 

In veel gevallen staan installaties op afstand, waardoor data niet zomaar beschikbaar is. De sensoren worden vaak op lokaal opgeslagen en zeker met installaties op verschillende plaatsen kost dit onnodig veel reistijd voor onderhoudsmonteurs. In het geval van de baggerschepen op zee is dit zelfs een vrijwel onmogelijke exercitie. Cloudtechnologieën lossen dit op door data direct online op te slaan. Hierdoor is ook op afstand de conditie van de machine te monitoren en hoeven monteurs pas op locatie te zijn als het echt nodig is.

 

Stap 2: Voorspellend model

Als de data beschikbaar is gemaakt, kan er begonnen worden met de data analyse: hetvoorspellen van de toekomst. Momenteel wordt vaak pas achteraf gekeken naar data om te analyseren wat er gebeurd is, in plaats van deze te benutten voor voortschrijdend inzicht. Op basis van de sensordata kunnen analytische modellen ontwikkeld worden die patronen herkennen. Een data specialist is hierbij nodig en moet nauw samenwerken met een onderhoudsexpert om te bepalen welke data beschikbaar, nodig en geschikt is voor het ontwikkelen van een voorspellend model. De modellen worden gebruikt voor het voorspellen van de storingskans en brengen huidige staat van verschillende onderdelen in kaart. Hoewel dit het werk is van de data specialist, is ook de onderhoudsexpert hard nodig om het model te optimaliseren, trainen en uit te rollen.

 

Stap 3: Draagvlak

Hoewel er bij predictive maintenance gebruik wordt gemaakt van de nieuwste IT-oplossingen (predictive analytics, cloud etc.), is het niet een plug and play-principe. Naast de software is ook een andere manier van werken voor eindgebruikers nodig, zij moeten er immers mee aan de slag. Onderhoudsmomenten worden afgestemd op basis van de uitkomsten en niet meer periodiek ingepland. Net als bij alle verandertrajecten is budget voor om- en bijscholing noodzakelijk voor een succesvolle implementatie. De derde stap is dan ook het creëeren van draagvlak onder medewerkers. Zijn onderhoudsexperts en monteurs te weinig betrokken, dan heeft het proces weinig kans van slagen. Uiteindelijk staat het onderhoudsproces centraal.

 

Voor bedrijven die afhankelijk zijn van machines is predictive maintenance de toekomst. Downtime wordt geminimaliseerd en onderhoudskosten teruggedrongen, met dank aan op afstand meetbare sensordata en toekomstvoorspellingen. IT-specialisten en onderhoudsexperts zijn samen verantwoordelijk voor een implementatie van predictive maintenance. Alleen dan heeft deze belangrijke, kostenbesparende overstap kans van slagen.

 

Ivo van der Stap, junior consultant Business Analytics bij QNH Consulting

 
© Engineersonline.nl