artikel

Van brandjes blussen naar voorspellend onderhoud

elektrotechniek

Hoe kom je stapsgewijs tot voorspellend onderhoud? Marktonderzoekers PwC en Mainnovation deden afgelopen jaar onderzoek onder 280 bedrijven uit België, Nederland en Duitsland. De resultaten zijn in het rapport Predictive Maintenance 4.0, Predict the unpredictable gepubliceerd.

Van brandjes blussen naar voorspellend onderhoud

Door Evi Husson

Met Predictive Maintenance oftewel voorspellend onderhoud wordt bedoeld dat men op het juiste moment onderhoud uitvoert. “Bij correctief onderhoud, het achteraf herstellen van defecten of verhelpen storingen, ben je te laat. Bij preventief onderhoud, plan je vooraf onderhoud in om storingen te voorkomen en gebeurt je onderhoud meestal vóór de storing. In beide situaties verlies je tijd en geld”, geeft Matthias Reyntjens aan. Reyntjens is partner bij PwC.

Onderhoud uitvoeren

De volgende stap is te voorspellen wanneer de ideale situatie is om onderhoud uit te voeren, in functie van het effectieve gebruik en de status van de installatie of machine. Dat betekent dat in sommige gevallen minder frequent en in andere gevallen frequenter onderhoud zal plaatshebben, met als doel de uptime zoveel mogelijk te garanderen.

Voorspellend onderhoud

Volgens het rapport Predictive Maintenance 4.0, Predict the unpredictable is voorspellend onderhoud niet nieuw. Ook in het verleden werd regelmatig op basis van visuele of instrumentele inspecties bepaald of onderhoud nodig is of niet. De laatste jaren is echter door een groei aan beschikbare data deze vorm van onderhoud op een hoger niveau gekomen. Dankzij verbeterde sensortechnologie, het gebruik van slimme algoritmes en machine learning of zelflerende systemen kan veel exacter worden voorspeld wanneer onderhoud nodig is. Mits alle beschikbare data op de juiste manier worden ingevoerd.

Wanneer inspecteren?

“We zien dat door een andere aanpak van onderhoud ook de business en servicemodellen veranderen”,  zegt Reyntjens. “Vroeger realiseerde je een installatie bij een klant en kwam je op bepaalde tijdstippen of bij het optreden van problemen langs om inspecties te doen of onderhoud uit te voeren. Dankzij het monitoren op afstand is het mogelijk om het meest ideale moment te bepalen om werkzaamheden uit te voeren. Je ziet dus ook dat bedrijfsmodellen bij zowel onderhoudsbedrijven als machinebouwers geleidelijk aan veranderen.”

Vier niveaus van volwassenheid

PwC en Mainnovation onderscheiden in hun rapport vier niveaus van volwassenheid waar bedrijven zich bevinden, met betrekking tot voorspellend onderhoud. Bedrijven die zich in niveau één bevinden, doen voornamelijk periodieke fysieke inspecties. De conclusies zijn daarbij gebaseerd op de expertise van diegene die inspecteert. In niveau twee doen bedrijven periodieke inspecties, waarbij conclusies worden getrokken uit een combinatie van het uitlezen van instrumentatie en de expertise van diegene die inspecteert. In niveau drie staat realtime conditiemonitoring centraal. De assets worden continu realtime gemonitord waarbij waarschuwingen worden afgegeven bij vooraf bepaalde kritieke niveaus.

PdM 4.0

Het laatste niveau is Predictive Maintenance 4.0 oftewel PdM 4.0: De assets worden op dit niveau continu realtime gemonitord, waarbij waarschuwingen worden gegeven die zijn gebaseerd op machine learning technieken.
Reyntjens: “Naarmate bedrijven op een hoger niveau komen, is er een toename te zien van de hoeveelheid data die ze gebruiken om fouten te voorspellen. Niveau vier gaat om het toepassen van de kracht van machine learning technieken om duidelijke patronen in grote hoeveelheden data te identificeren en nieuwe, praktische inzichten te genereren om de betrouwbaarheid van assets te verbeteren.”

Merendeel op niveau 2

Uit het onderzoek blijkt dat tweederde van de respondenten nog steeds op volwassenheidsniveau een of twee zit. Slechts elf procent heeft niveau vier al bereikt. De data die de respondenten gebruiken om aan voorspellend onderhoud doen, komen van de onderhoudshistorie (73%), het gebruik van de assets (72%) en de conditie van de assets (71%) en worden in de meeste gevallen (67% ) verzameld en verwerkt met MS Excel en MS Access. In 79 procent van de gevallen is de technicus betrokken bij het onderhoud en slechts in 8 procent van de gevallen is een data-analist of specialist betrokken. Deze cijfers wijzen op niveau twee van volwassenheid. Ingrediënten voor niveau vier zijn environmental data, statistical software en data scientist,  aldus het rapport.

Waarom is voorspellend onderhoud zo belangrijk?

De wil om een niveau hoger te komen, is er zeker. De respondenten zijn erg ambitieus om hun niveau in voorspellend onderhoud te verbeteren. Ongeveer één op de drie bedrijven verwacht binnen een periode van vijf jaar voorspellend onderhoud in een of andere vorm te gebruiken, op voorwaarde dat ze het succesvol kunnen implementeren. Het verbeteren van de uptime is voor de deelnemers aan het onderzoek één van de belangrijkste redenen (47%), gevolgd door kostenreductie (17%) en levensduurverlenging van de assets (16%). Andere beweegredenen die in mindere mate een rol spelen zijn een verlaging van HSE-risico’s, een hogere klanttevredenheid, een nieuw productontwerp en nieuwe inkomsten, komt naar voren in het onderzoek.

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.”
PwC en Mainnovation hebben een plan met zeven stappen opgesteld om PdM 4.0 te implementeren. Dit stappenplan staat op de site van PT Industrieel Management.

Reageer op dit artikel