Cookies & Privacy

Wij maken gebruik van cookies.

Google Analytics
Bezoekersstatistieken, websitebezoek en gebruik wordt gemeten en gebruikersgegevens worden anoniem verzameld.

Vimeo
Gegevens over de bezoeken van de gebruiker worden verzameld zoals welke pagina’s zijn gelezen.

YouTube
Klikgedrag, bekeken video’s en aangepaste voorkeuren worden verzameld. Bezoekersinformatie en gebruikersgedrag wordt gebruikt voor advertenties.

In zeven stappen naar voorspellend onderhoud

05-12-2020


Veel bedrijven willen de onderhoudskosten van hun machines terugdringen. Maar hoe voorkom je onnodig hoge onderhoudskosten? Voorspellend onderhoud biedt een oplossing. Door het analyseren van machine-data kunnen storingen voorspeld en preventief verholpen worden. Met andere woorden: je doet alleen onderhoud wanneer nodig, op het meest geschikte moment.


Real-time machine-analyse door sensordata

Om voorspellend onderhoud te kunnen plegen zijn er voorspellende machine-data nodig. Deze worden vergaard door sensoren die aan de machines gekoppeld zijn. Deze sensoren leveren grote hoeveelheden data die iets zeggen over de conditie van de machine. Vaak wordt er pas na een storing naar deze data gekeken om te zien wat er is gebeurd. Door innovatieve software kunnen deze data echter ook preventief gebruikt worden om storingen te voorspellen en daardoor te voorkomen. De algoritmes in de software herkennen verbanden en patronen, waardoor preventief het juiste onderhoud gepland en verricht kan worden.


Het implementeren van voorspellend onderhoud is geen ‘straight forward’ proces. De volgende zeven stappen geven inzicht hoe voorspellend onderhoud kan worden gerealiseerd:

1. Verzamelen en analyseren van beschikbare data

De eerste stap in het proces is het verzamelen en analyseren van beschikbare machine data. Hoe meer data, hoe betrouwbaarder de analyse. De module moet eerst leren om patronen in de data te herkennen zoals momenten waarop er storingen zijn opgetreden of wanneer de machine heeft stil gestaan.


2. Selecteer ook irrelevante variabelen

De technische dienst of onderhoudsexpert van een bedrijf heeft vaak goed inzicht in de verschillende variabelen die informatie geven over de conditie van de machines. Hoe meer variabelen, hoe beter. In een later stadium kunnen er wellicht nieuwe, nog onbekende en irrelevante verbanden aan het licht komen waar andere meetpunten voor nodig zijn.


3. Aggregeer de data

De variabelen zijn afkomstig van verschillende types sensoren, zoals het meten van temperatuur, druk en snelheid. Een snelheidssensor kan elke milliseconde een waarde doorgeven, terwijl een temperatuursensor alleen een waarde doorgeeft wanneer er een verandering plaatsvindt. Tijdens het aggregeren worden deze ‘ruwe’ data tot een leesbaar formaat verwerkt waardoor deze goed bruikbaar zijn voor een analyse. Het is gebruikelijk om een meting over een bepaalde periode te middelen of alleen metingen mee te nemen als deze een bepaalde grenswaarde overstijgen. Hoe te aggregeren, hangt tevens samen met het algoritme dat gebruikt wordt in het voorspellend model.


4. Kies het algoritme

De keuze voor een algoritme is een belangrijke stap in het proces, want deze stap vormt de basis waarop het voorspellend onderhoud wordt gebouwd. Voorspellende onderhoudsmodules geven echter nooit een absolute zekerheid dat er uitval zal plaatsvinden. Deze modules voorspellen wat de kans is dat er bij een installatie binnen een bepaalde tijd een storing optreedt.

Op basis van deze kans, bijvoorbeeld dat de installatie met een kans van 85% binnen twee weken een storing zal geven, moet er worden besloten al dan niet onderhoud uit te voeren. Als de resultaten uit zo’n eenvoudig algoritme onvoldoende zijn, experimenteer dan met andere, meer complexe algoritmes waarbij de keuze afhankelijk is van het gestelde doel (resultaat versus inspanning).


5. Test de module

Na de keuze voor een algoritme dient het voorspellend model ‘getraind’ te worden. Het model moet leren de juiste voorspelling te geven; bij welke combinatie van omstandigheden een storing optreedt of niet. Hieruit kan blijken dat het vooraf gekozen algoritme niet het gewenste resultaat levert en dat er voor een ander algoritme gekozen moet worden.

Madolex in de actualiteit

19-12-2023

De Madolex-offerte als basis voor een gestroomlijnd project

Een op maat gemaakte machine is een investering in de ...

Lees verder

15-11-2023

Duurzaamheid vs. Innovatie: wanneer is moderniseren beter dan vervangen?

Vaak kan de levensduur van een machine namelijk signif...

Lees verder

01-09-2023

Turnkey machinebouw: in 5 stappen naar de ideale productielijn

Madolex heeft ruime ervaring in het coördineren van pr...

Lees verder