nieuws

In zeven stappen naar Predictive Maintenance

Maintenance

PWC en Mainnovation hebben een nieuw rapport uitgebracht over voorspellend onderhoud. Uit een enquête blijkt dat het merendeel van de ondervraagde bedrijven voorspellend onderhoud nog niet heeft geïmplementeerd. Een stappenplan kan houvast bieden.

In zeven stappen naar Predictive Maintenance

Uit een enquête waaraan 268 bedrijven uit Nederland, België en Duitsland in 2018 deelnamen, blijkt dat net als vorig jaar slechts 11 procent van de ondervraagden voorspellend onderhoud in volle breedte (Predictive Maintenance 4.0 oftewel PdM 4.0 )hebben geïmplementeerd. De ambities liggen dit jaar echter hoger. 60 procent van de ondervraagden heeft concrete plannen om voorspellend onderhoud in de nabije toekomst te implementeren (in vergelijking met 49% vorig jaar). Doel is vooral om de uptime te verbeteren.

Eenvoudig is het echter niet om tot het hoogste niveau van onderhoud – voorspellend onderhoud – te komen. Daarom hebben Mainnovation en PWC een stappenplan met zeven stappen opgesteld om daartoe te komen.  Matthias Reyntjens, partner bij PwC, licht het stappenplan verder toe.

Wat is nodig voor een succesvolle implementatie ?

Om het hoogste niveau van onderhoud te realiseren, zijn er twee aspecten van groot belang: de technologie en de organisatie. ‘De funderingen moeten goed zijn’, zegt Reyntjens. ‘Binnen het bedrijf moeten machines geschikt zijn voor Internet of Things en er moet een organisatie aanwezig zijn die continu met maintenance bezig is. Dit lijkt logisch, maar nog niet ieder bedrijf heeft deze structuur. Daarnaast moet het bedrijf beseffen dat het implementeren van PdM 4.0 een impact heeft op het hele bedrijf. Daarom is het van belang om klein en stapsgewijs te beginnen.’

Stap 1: Het rangschikken van de assets en een haalbaarheidsstudie

De belangrijkste stap om mee te beginnen, is het bepalen van de assets waarvoor het de moeite waard is én haalbaar is om predictief onderhoud op toe te passen om de betrouwbaarheid van de assets te vergroten. Alleen belangrijke en cruciale assets – waarvan data is te verkrijgen – zijn in principe geschikt om deze vorm van onderhoud op toe te passen en de nodige investeringen te kunnen verantwoorden. Deze selectie draagt bij aan het bouwen van een eerste positieve business case die deel zou moeten uitmaken van de haalbaarheidsstudie.  ‘Erg belangrijk is dat je eerste project meteen een succes wordt om iedereen te motiveren en dat er een enorme leercurve in zit. Eventueel kan nog een tweede pilot worden opgesteld voor het verder wordt uitgerold. Wel moet uiteraard aan het einde van de rit, wanneer het volledige business plan is uitgerold, een positieve balans worden opgemaakt’, zegt Reyntjes. ‘Je moet eerst bepalen wat wilt je gaan doen. Wat is de pilot die je gaat opzetten om een aantal dingen te leren? Welke data zijn er en hoe kunnen we die verwerken? Waar zit onze kracht en hoe kunnen we meteen een succes boeken? Het gaat tenslotte om het begin van een groot verandertraject. In de pilot-fase is het terugverdienen van de gemaakte investering niet het allerbelangrijkste.’

Stap 2: Houd het beheersbaar

Bij de selectie is het van belang om het project goed te kunnen blijven overzien. Probeer niet alle machines of de volledige fabriek meteen aan te pakken, luidt het advies van PwC en Mainnovation: Selecteer de machines die kunnen worden aangepakt in een pilotproject en zie het als een leerproces waaruit de noodzakelijke lessen moeten worden getrokken voor een verdere uitrol per type assets of machines. Reyntjens: ‘Big data is over het algemeen erg ongestructureerd. Er kan data komen van meerdere machines binnen het bedrijf. Er kunnen op weinig of veel plekken metingen worden uitgevoerd en mogelijk kunnen ook gegevens van buiten het bedrijf worden gebruikt. Hoe meer gegevens beschikbaar zijn, hoe exacter het beeld van de status van machines, hoe groter het leereffect en hoe sneller kennis kan worden opgebouwd. Echter, niet alle meetpunten zijn cruciaal om de doelen die je voor ogen hebt te bereiken. Ook zijn niet alle machines voorbereid of geschikt om data te verzamelen. En wanneer data van machines buiten het bedrijf worden gebruikt, speelt ook het veiligheidsaspect een rol. Om het overzicht te bewaren is het belangrijk om, zeker in het begin, data van cruciale meetpunten te gebruiken en het niet al te complex te maken om het overzicht te bewaren.’

Stap 3: Betrouwbaarheid

Een derde stap is het controleren van de betrouwbaarheid. Het rapport: Gebruik een Root Cause Analysis (RCA) en een Failure Mode Effects Analysis (FMEA) per asset om de juiste richting te bepalen. Welke data heb je nodig om oorzaken en storingen te monitoren? Welke data uit sensoren en welke externe data zijn nodig? Hoe zijn de verschillende oorzaken en gevolgen met elkaar verbonden?

Stap 4: Ontwerp van een algoritme

Stap vier is de kunst van data-analyse. Het kiezen van een algoritme is volgens het rapport de belangrijkste factor bij het bepalen van de kwaliteit van de voorspellingen. Het kan relatief eenvoudig zijn om het beste algoritme te ontwerpen als je al een geschikt model voor betrouwbaarheid van de assets hebt gemaakt in de vorige stap. Het is ook mogelijk vereist om een aantal  data-analisten in te schakelen om een zelflerend algoritme te bouwen dat in staat is om betekenisvolle inzichten uit de verzameling van data te halen. Reyntjens hierover: ‘Stap vier is een lastige stap. Betrouwbare data verzamelen en meten is belangrijk, maar hoe bepaal je welke algoritmes moeten worden gebruikt? Hoe zet je kunstmatige intelligentie of zelflerende machines in? Op welke manier kunnen leereffecten worden doorgevoerd? In de pilot zal het niet heel eenvoudig zijn om te bepalen wanneer en hoe je de beschikbare tools maximaal kunt benutten. Het is daarom aan te bevelen om een data-analist onder de arm te nemen en cross-functioneel te gaan werken. Experts op het gebied van onderhoud en reliability engineers moeten samenwerken met data-analisten en managers die een goed overzicht hebben van de processen in het algemeen. Inzichten van ingenieurs over hoe en waarom machines falen zouden moeten worden vergeleken en afgestemd met inzichten die data-analisten uit de data halen. Een cross-functionele interactie is de sleutel tot het succesvol toepassen van data-analyse in onderhoud en asset management.’

Stap 5: Real-time monitoren van prestaties

Dit is het moment dat het model live gaat. 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.

Stap 6: Voorspelling van storingen (vroegtijdige waarschuwing)

Het algoritme zal beginnen met het voorspellen van toekomstige storingen. Hiernaar handelen – door het daadwerkelijk stilzetten van een ogenschijnlijk perfect draaiende machine – vraagt zeker in de beginfase om een grote stap in vertrouwen in de data, zeker wanneer je als management of onderhoudsteam weinig ervaring of affiniteit hebt met data-analyse. Is er weinig vertrouwen, zo geeft het rapport aan, dan zou je PdM 4.0 parallel kunnen laten lopen met bestaande onderhoudsprocedures op een andere machine van hetzelfde type waarop geen onderhoud wordt gepleegd, gebaseerd op voorspellingen. Dit kan bijdragen aan het verder opbouwen van vertrouwen in voorspellingen.

Stap 7: Voorschrijvende taken

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. ‘Stap voor stap wordt PdM 4.0 geïmplementeerd en zal het systeem aangeven wanneer welke onderhoudstaken moeten worden uitgevoerd. Het kan daarbij ook voorkomen dat de suggesties voor het onderhoudsteam niet altijd de meest logische tijdstippen of werkzaamheden lijken. Daarom is het van belang het gehele proces vanaf het begin goed te documenteren om de redeneringen te kunnen blijven volgen. Voorspellend onderhoud waarbij gebruik wordt gemaakt van kunstmatige intelligentie mag geen black box worden.  Op het moment dat er zich een probleem of vreemde situatie voordoet, moet je kunnen teruggrijpen naar een vorige situatie en moet je kunnen nagaan welke stappen er zijn gebeurd die leiden tot de nieuwe situatie. Tot op een bepaalde manier op de hoogte blijven van het model en de werkwijze en daarnaast voldoende vertrouwen hebben in de algoritmes zijn belangrijke voorwaarden voor succes.’

Reageer op dit artikel