Wat is predictive maintenance?
Voorspellend onderhoud beoordeelt voortdurend de gezondheid van je apparatuur in realtime. Zo kun je de prestaties, uptime en levensduur van jouw apparatuur maximaliseren en tegelijkertijd de totale exploitatiekosten minimaliseren.
Definitie voorspellend onderhoud
Predictive Maintenance is een onderhoudsaanpak die de nadruk legt op het horen van wat jouw bedrijfsmiddelen je proberen te vertellen. De machines in je fabrieken, jouw wagenpark, jouw industriële apparatuur – ze praten al jaren met je. Als je goed kunt luisteren, kun je begrijpen wanneer je machines op het punt staan af te breken en wat ze nodig hebben om langer en soepeler te draaien.
Voorspellend onderhoud stelt je bedrijf in staat om te anticiperen op equipmentstoringen en onderhoud in te plannen wanneer en waar dit onmiddellijk nodig is. Het bewapent je met de informatie die nodig is om je assets optimaal te laten werken zonder ze te ver te duwen en kostbare uitval te riskeren. Door bedrijfsassets met IoT-functionaliteit te verbinden, geavanceerde analytics toe te passen op de realtime data die ze genereren, en de bijbehorende inzichten te gebruiken om kosteneffectieve, efficiënte onderhoudsprotocollen te ondersteunen, voorkomt voorspellend onderhoud uitval en uitvaltijd van equipment en verlengt de totale levensduur van vitale assets.
Waarom is voorspellend onderhoud vandaag zo belangrijk?
Voorspellend onderhoud is belangrijk omdat het bedrijven tijd en geld bespaart door dure en verstorende apparatuurstoringen te voorkomen. Naarmate de vraag van de consument naar productbeschikbaarheid toeneemt, kunnen organisaties met programma's voor voorspellend onderhoud zonder onderbrekingen produceren. Het resultaat is voortdurende klantloyaliteit, hogere omzet en verbeterd concurrentievoordeel.
Slimme oplossingen voor voorspellend onderhoud voorspellen wanneer assetonderhoud nodig is, helpen kostenefficiëntie te vergroten en complexe vereisten voor enterprise asset management te stroomlijnen. Eenvoudig gezegd helpt het gebruik van technologie voor voorspellend onderhoud je bedrijf tijd, geld en procedurele hoofdpijn te besparen.
Hoe werkt voorspellend onderhoud?
Voorspellend onderhoud werkt door equipmentgegevens in realtime vast te leggen en te analyseren om potentiële problemen te voorspellen voordat deze tot equipmentfouten leiden.
De eerste stap in dit proces is het verzamelen van realtimegegevens en informatie van netwerksensoren die informatie over equipmentomstandigheden doorgeven. Deze gegevens moeten vervolgens worden opgeslagen en beheerd op een manier die gemakkelijk toegankelijk, verwerkt en geanalyseerd kan worden. De “predictive” component komt in beeld wanneer kunstmatige intelligentie (AI) en machine learning technologieën worden toegepast op de data om een nuttig en bruikbaar verhaal te vertellen.
Er zijn vier basisfasen in de architectuur van voorspellend onderhoud en een Industrial IoT (IIoT)- netwerk:
Het proces van predictive maintenance
- Verzamelen van gegevens van sensoren die machinekenmerken zoals trillingen, temperatuur, vochtigheid, druk, lawaai en meer kunnen bewaken
- Deze gegevens in realtime verzenden via het netwerk naar een centraal bedrijfssysteem
- Het toepassen van intelligente technologieën zoals AI en machine learning analytics op die data, om nuttige en relevante inzichten te onthullen
- Snel actie ondernemen op basis van deze inzichten, hetzij met een geautomatiseerde respons, hetzij door menselijke interventie
Technologieën voor voorspellend onderhoud gebruiken
Conditiebewaking
Voorspellend onderhoud wordt mogelijk gemaakt door cyber-fysieke systemen die machines en software samenbrengen in een intelligent IoT-netwerk. Om een dergelijk netwerk op te bouwen, moet je beginnen met het identificeren van de activaomstandigheden die moeten worden bewaakt.
De analyse die nodig is om de omstandigheden van de activa te identificeren, kan een combinatie van deze criteria zijn: visueel, auditief, thermisch of meestal. De focus ligt hierbij op het bepalen van de juiste sensoren en meetinstrumenten die gemonteerd moeten worden:
Trillingsanalyse: kleine veranderingen in trillingspatronen kunnen wijzen op onbalans of verkeerde uitlijning, terwijl hoge trillingsniveaus kunnen wijzen op dreigende lagerproblemen. Trillingsanalyse kan vroegtijdige waarschuwingen van storingen geven en is met name nuttig bij het opsporen van onbalans, verkeerde uitlijning, mechanische losheid, of versleten of beschadigde onderdelen.
Geluids- en ultrasone analyse: bij normale werking hebben de meeste systemen een stabiel geluidspatroon. Veranderingen in het referentiegeluidspatroon kunnen wijzen op slijtage of andere vormen van verslechtering. Ultrasone analyses kunnen ook informatie geven over de algehele conditie van het systeem, door hoogfrequente geluiden (zoals de geluiden die ontstaan door stoom- of luchtlekken) om te zetten in geluid binnen het hoorbare bereik.
Infraroodanalyse: net als bij ultrasone analyse, onthult thermografie ook de verborgen met behulp van infraroodanalyse om temperatuurveranderingen in een zichtbaar spectrum te vertalen. Zelfs subtiele veranderingen in normale operationele temperaturen kunnen waarschuwen voor dreigende problemen.
Vloeistofanalyse: naast het eenvoudig controleren van de vloeistofniveaus en temperatuur, kan de fysische en chemische analyse van vloeistoffen waardevolle informatie geven over de toestand van mechanische componenten. Door de snelheid van degradatie in koelmiddelen en smeermiddelen te detecteren, kunnen preventieve stappen worden genomen zodra deze inzichten dit rechtvaardigen.
Overig: andere technologieën voor voorspellend onderhoud zijn gespecialiseerd voor verschillende unieke industriële behoeften. Deze omvatten laseruitlijning, bewaking van elektrische circuits, scheurdetectie, foutdetectie, corrosiemonitoring, elektrische weerstandsveranderingen en andere branchespecifieke middelen om corrosie of verslechtering te meten.
Belangrijke technologieën voor voorspellend onderhoud
Zodra de bovenstaande criteria zijn vastgesteld, moeten de juiste sensoren en monitoren worden geïnstalleerd en verbonden met een centraal bedrijfssysteem, meestal een ERP-systeem (Enterprise Resource Planning), via een met de cloud verbonden IoT-netwerk. Tot slot moeten AI-gedreven oplossingen beschikbaar zijn om de data te analyseren en bruikbare inzichten en aanbevelingen te leveren op basis van de verzamelde data.
IoT-netwerk: wanneer bedrijfsassets worden uitgebreid met sensoren, verwerkingscapaciteit en andere technologieën, kunnen ze data verzenden en ontvangen, meestal via cloudconnectiviteit, van en naar een centraal bedrijfssysteem. Dit omvat een IoT-netwerk en vormt de basis voor de strategie voor voorspellend onderhoud.
IoT-gateways: veel oudere assets werken nog prima, maar hun analoge technologie dateert van vóór de digitale integratie. Deze machines kunnen worden uitgerust met IoT-gatewayapparaten, waaronder camera's, microfoons en thermometers, om realtime gegevens over hun operationele toestand te verzamelen en te verzenden.
Cloudconnectiviteit: cloudconnectiviteit biedt de on-demand beschikbaarheid van computersysteemresources. In een IoT-netwerk dat bestaat uit meerdere industriële assets, is het van cruciaal belang dat datacenters met meerdere locaties in één database en systeem worden geïntegreerd.
Moderne database en ERP: oude op schijven gebaseerde databases zijn niet goed uitgerust om de omvangrijke en niet-lineaire data te beheren die big data en complexe datasets omvatten. Bovendien maakt voorspellend onderhoud gebruik van AI en machine learning om geavanceerde analyses uit te voeren op dergelijke gegevens. Dit hele proces wordt het beste bediend door een moderne AI-aangedreven ERP met een in-memory database die snel, responsief en bijna oneindig schaalbaar is.
AI en machine learning: machine learning is een subset van AI die algoritmen gebruikt om data te analyseren en begrijpen. Oplossingen voor voorspellend onderhoud zijn afhankelijk van AI en machine learning om niet alleen de operationele data van bedrijfsassets te sorteren, te begrijpen en ervan te leren, maar ook om bruikbare aanbevelingen en inzichten te genereren.
Geavanceerde analytics: geavanceerde analytics wordt aangedreven door AI en machine learning. Managers moeten bepalen welke attributen en condities moeten worden beoordeeld en welke analyseresultaten gewenst zijn. Op deze manier kunnen de algoritmen die geavanceerde analyses informeren, zo worden geprogrammeerd dat ze zo inzichtelijk en uitvoerbaar mogelijk zijn, en om het beste te leren van data en nieuwe ervaringen in de loop der tijd.
Digital twins: een digital twin is een virtuele recreatie van een daadwerkelijke fysieke asset. Door digital twins te creëren, kunnen managers elk mogelijk operationeel scenario op de tweeling bezoeken – zonder enig risico op werkelijke actuele schade aan een kostbare machine of apparaat. Dit helpt voorspellend onderhoud te verbeteren door machine learning en AI-tools toe te staan om ervaringen te integreren en ervan te leren die nog nooit zijn gebeurd.
Voorspellend onderhoud versus preventief onderhoud
Het verschil tussen deze onderhoudsmodellen ligt niet zozeer in hoe de onderhoudstaken worden uitgevoerd, maar wanneer.
Preventief onderhoud: onderhoud dat wordt geïnformeerd door prestaties uit het verleden en de kennis en ervaring van ingenieurs en operators. Het omvat routinematig, periodiek, gepland of tijdafhankelijk onderhoud. Hoewel het vaak storingen voorkomt, kan het onnauwkeurig zijn, wat kan leiden tot duur onderhoud voordat het nodig is of tot onopgemerkt zwakke punten in het onderhoudsproces. Preventief onderhoud gebeurt op momenten die vooraf zijn ingesteld, vaak lang van tevoren.
Voorspellend onderhoud: onderhoud dat mogelijk wordt gemaakt wanneer IoT-netwerken alle bedrijfsmiddelen integreren in een live ecosysteem. De mogelijkheid om gegevens in realtime te verzenden en te analyseren, betekent dat de live bewaking van de conditie van assets (in plaats van kalenders) de basis wordt voor onderhoudsprotocollen. Voorspellend onderhoud gebeurt in realtime, precies waar en wanneer het nodig is.
Overige technieken voor het onderhouden van activa
Reactief onderhoud
Onderhoud uitgevoerd als reactie op een plotselinge uitval of uitval van apparatuur. Dit soort onderhoud is vaak ongepland en kan leiden tot verhoogde downtime en kosten.
Corrigerend onderhoud
Onderhoud uitgevoerd om een defect of fout in apparatuur te corrigeren. Dit soort onderhoud wordt meestal uitgevoerd nadat een probleem is vastgesteld en kan helpen voorkomen dat er zich nog meer problemen voordoen.
Voorschrijvend onderhoud
Onderhoud dat wordt bepaald door de aanbevelingen of richtlijnen van de fabrikant voor een specifieke equipment. Dit type onderhoud is gebaseerd op het door de fabrikant voorgeschreven tijdschema voor onderhoudstaken.
Conditieafhankelijk onderhoud
Onderhoud uitgevoerd op basis van de conditie van equipment, in plaats van een vooraf bepaalde planning. Dit type onderhoud maakt gebruik van monitoring en inspectie om te bepalen wanneer interventie nodig is. Hoewel het kan helpen om onnodige onderhoudstaken te verminderen en downtime te minimaliseren, is op voorwaarden gebaseerd onderhoud zeer handmatig en tijdrovend.
Op betrouwbaarheid gericht onderhoud
Onderhoud dat taken prioriteert op basis van de betrouwbaarheid en kriticiteit van equipment. Deze aanpak richt zich op het identificeren van de belangrijkste onderhoudstaken om de betrouwbaarheid en efficiëntie van de apparatuur te maximaliseren.
De evolutie van assetonderhoud
Het volgende diagram (aangepast van Deloitte) toont de voortgang van technologische capaciteiten tijdens industriële revoluties en de resulterende impact op onderhoudsstrategieën en equipmenteffectiviteit.
Voorbeelden van voorspellend onderhoud in actie
Olie- en gassector: olieboringen brengen enorme slijtage aan activa met zich mee en kunnen bij een storing tot grote risico's en gevaren leiden. Door de olietemperatuur en de snelheid van versnellingsbakken in boorapparatuur te bewaken, heeft voorspellend onderhoud de veiligheid sterk verbeterd en de onderhoudskosten met 38% verlaagd.
Automobielindustrie: op assemblagelijnen voeren spotlaspistolen ongeveer 15.000 puntlassen per dag uit. Door laspistolen over de hele wereld met elkaar te verbinden en hun operationele gegevens te verzamelen, kunnen autofabrikanten miljoenen datapunten verzamelen, wat leidt tot ongekende voorspellende nauwkeurigheid op de conditie en status van deze assets.
Productie van huishoudelijke apparaten: trillingsmetingen van de trommelrotatie bij de productie van drogers hebben bijgedragen aan het voorspellen van storingen of storingen. Deze applicatie voor voorspellend onderhoud heeft productiefouten met 33% geëlimineerd en de onderhoudskosten voor consumenten met 27% verlaagd.
Beheer van spoorwegassets: "Voids" treden op wanneer een lege ruimte zich ontwikkelt onder een spoor dat leidt tot potentiële vertraging of zelfs ontsporing. Recente innovatie heeft geleid tot cabinesystemen die een aantal variabelen bewaken terwijl ze over de rails rollen. Dit heeft geleid tot een verbeterde detectie van leegtes en een algehele toename van de klantveiligheid.
Staalindustrie: anomaliedetectie wordt gebruikt om realtime metingen van de trillingen, rotatiesnelheid en elektrische stroom (ampère) te verzamelen in de koudwalsapparatuur die bij de staalverwerking wordt gebruikt. Deze toepassing heeft geleid tot een 60% verbetering van de levensduur van de apparatuur en aanzienlijk verminderde verliezen als gevolg van downtime en vertragingen.
Voordelen van programma's voor voorspellend onderhoud
De implementatie van systemen voor voorspellend onderhoud heeft in meerdere branches indrukwekkende resultaten opgeleverd. Een rapport uit 2022 van Deloitte noemt tal van kwantificeerbare verbeteringen. Deze omvatten een vermindering van 15% in uitvaltijd, een 20% hogere arbeidsproductiviteit en een vermindering van 30% van de voorraadniveaus met minder behoefte om just-in-case-onderdelen op te slaan.
Met technologieën als AI en geïntegreerde ERP bij de hand laten organisaties zien wat de voordelen zijn van oplossingen voor voorspellend onderhoud die echt werken. Het gaat onder meer om:
Beter inzicht in je gehele bedrijfsvoering: met meer inzicht in buitendienstvoorzieningen en andere externe apparatuur kunnen OEM's en externe serviceproviders beter geïnformeerde services en meer waarde leveren.
Lagere onderhoudskosten en verbeterde assetprestaties: door downtime te minimaliseren bespaart voorspellend onderhoud je geld en kun je meer gebruikmaken van bestaande assets, zelfs als je hun levensduur verlengt.
Betere teams: je assetoperators, serviceproviders en supply chain managers kunnen de overstap maken van brandweerlieden naar planners en strategen.
Veelvoorkomende uitdagingen op het gebied van voorspellend onderhoud overwinnen
Deze sectie belicht veelvoorkomende uitdagingen op het gebied van voorspellend onderhoud en verkent strategieën om deze op te lossen.
Kwaliteit en beschikbaarheid van data: voorspellend onderhoud is sterk afhankelijk van hoogwaardige en voldoende historische data. Slechte gegevenskwaliteit of onvoldoende gegevens kunnen tot onnauwkeurige voorspellingen leiden. Om de kwaliteit van de gegevens te waarborgen, is de best practice het opzetten van een programma voor datagovernance dat wordt ondersteund door de belangrijkste belanghebbenden.
IoT-connectiviteit: het opzetten van een verbonden IoT-netwerk vereist slimme apparatuur en randapparaten met sensoren die verbinding kunnen maken met datalakes en data in platte bestandsindelingen kunnen verzenden. Leg de nadruk op het vereenvoudigen van je connectiviteitsscenario's, zodat je probleemloos verbinding kunt maken met elke IoT-gegevensbron.
IoT-apparaatbeheer: het beheer van IoT-netwerkapparaten vereist een focus op apparaatbeveiliging om kwetsbaarheden voor cyberaanvallen te minimaliseren. Tegelijkertijd wil je interoperabiliteit tussen apparaten bevorderen en waar nodig opschalen. Om de juiste balans te vinden, is het het beste om moderne oplossingen voor assetprestatiebeheer te gebruiken die geïntegreerd geavanceerd apparaatbeheer en robuuste connectiviteitsmogelijkheden ondersteunen.
Data-integratie: het integreren van data uit verschillende bronnen, zoals IoT-sensoren, bestaande systemen en onderhoudsrecords, kan complex en tijdrovend zijn. Zoek naar een krachtig integratieplatform op ondernemingsniveau met een uitgebreide bibliotheek met kant-en-klare connectors die voldoen aan je behoeften op het gebied van gegevensintegratie.
De complexiteit van sensorgegevens: IoT-sensorgegevens kunnen moeilijk te begrijpen zijn en vereisen vaak gespecialiseerde gegevenskennis die een barrière vormt voor betrouwbaarheidstechnici. Zoek naar oplossingen voor assetprestatiebeheer waarmee niet-technische doelgroepen gegevens kunnen opvragen om ze te begrijpen en te manipuleren.
Algoritmeselectie: het kiezen van de juiste algoritmen voor voorspellend onderhoud is de sleutel tot succes. Zorg ervoor dat je specifieke use cases en de kenmerken van de gegevens zorgvuldig evalueert om de meest geschikte algoritmen voor je machines en bedrijfsbehoeften te kiezen.
Integratie van de onderhoudsstrategie: het implementeren van voorspellend onderhoud vereist integratie in bestaande onderhoudsstrategieën en workflows. Weerstand tegen verandering en organisatorische inertie kan een succesvolle implementatie in de weg staan. Sterk leiderschap, ondersteuning van leidinggevenden, duidelijke communicatie en professioneel verandermanagement zijn vereist voor succes.
Een voorspellend onderhoudsprogramma implementeren in drie eenvoudige stappen
- Definieer doelstellingen en bepaal de scope: begin door vast te stellen welke bewakingscondities geschikt zijn voor elk asset. Zo wordt infraroodthermografie het best gebruikt op apparatuur die lucht of stoom kan lekken, terwijl trillingsanalyse het beste wordt gebruikt op roterende apparatuur, maar niet apparatuur die langzaam draait (minder dan 5 rpm). Olieanalyse en akoestische analyse zijn beter voor langzame roterende apparatuur. Zorg er ook voor dat je de omvang van je inspanningen bepaalt. Ga je bijvoorbeeld specifieke, individuele assets monitoren of streef je naar een uitgebreidere dekking?
- Installeer geschikte IoT-sensoren: installeer IoT-sensoren op basis van de analysetypen die het meest geschikt zijn voor elke bewaakte asset en begin vervolgens met het verzamelen van gegevens. Zorg ervoor dat deze sensoren zijn aangesloten op gegevensverwerkingssystemen, zoals die welke vaak worden geïntegreerd in oplossingen voor assetprestatiebeheer, om kosten, tijd en menselijke fouten terug te dringen.
- Protocollen instellen: om effectief te kunnen reageren op anomaliedetecties, stel je protocollen in om ervoor te zorgen dat assets efficiënt worden gerepareerd en in overeenstemming zijn met uptimedoelen. Deze protocollen kunnen geautomatiseerd, handmatig of een combinatie van beide zijn.
Transformeer je supply chain met oplossingen voor voorspellend onderhoud
Veel bedrijven hanteren al tientallen jaren dezelfde strategieën voor hun assetonderhoud, terwijl ze andere bedrijfsonderdelen wel hebben gemoderniseerd. Het is een hele uitdaging om ingeburgerde processen te veranderen en het kan moeilijk zijn om je teams mee te krijgen. De meest succesvolle bedrijfstransformatieplannen beginnen met een goede strategie voor communicatie en wijzigingsbeheer, om je teams te betrekken en silo's af te breken. Praat met je softwareleverancier om meer te weten te komen over de tools en oplossingen die het beste zullen werken voor jouw unieke behoeften en om je op weg te helpen met je roadmap en traject naar digitale transformatie.
Ontdek oplossingen voor voorspellend onderhoud
Maximaliseer uw assetprestaties met moderne tools voor predictive maintenance.
Stimuleren van asset, betrouwbaarheid en veiligheid met AI
Ontdek hoe spoorwegen en andere asset-intensieve industrieën visuele inspectie met AI-ondersteuning kunnen gebruiken om de betrouwbaarheid te verbeteren, activiteiten te optimaliseren en kosten te verlagen.