In zeven stappen naar voorspellend onderhoud
5 december 2020 

In zeven stappen naar voorspellend onderhoud

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.

6. Evalueer het resultaat

De onderhoudsexpert beoordeelt of de output realistisch is en bepaalt of deze bruikbaar is in de praktijk of dat er nog aanpassingen gedaan moeten worden. Aanpassingen kunnen inhouden dat de voorspelling niet goed genoeg is en de dataspecialist het model moet herzien. Het op het juiste niveau instellen van bepaalde grenswaarden die bij overschrijding waarschuwingen geven is een voorbeeld van zo’n aanpassing. Pas als de onderhoudsexpert akkoord is volgt de implementatie in de praktijk.

7. Implementatie

In de basis is het in de praktijk toepassen van het model niets anders dan de sensordata van de installatie realtime door het model te laten analyseren en op basis van de output de juiste onderhoudsacties in te plannen. Dit betekent een verandering in de manier waarop onderhoud wordt gepleegd.

Resultaat: geen onnodig onderhoud meer

Door de stap van preventief- naar voorspellend onderhoud is het niet meer nodig om volgens een vast schema onderhoudstechnici continu aan het werk te hebben, want onderhoud wordt pas gepleegd wanneer de module dit aangeeft. Verder is het belangrijk om te registreren hoe nauwkeurig er wordt voorspeld. Het verschil tussen de daadwerkelijke en voorspelde conditie van een machine is de input om de onderhoudswerkzaamheden te evalueren en dit continu te verbeteren.

Reactie plaatsen

arrow_drop_up arrow_drop_down