Naar inhoud gaan
Technologieën voor predictive maintenance gebruiken om de prestaties van enterprise assets te optimaliseren

Wat is predictive maintenance?

Met technologieën voor predictieve maintenance (of voorspellend onderhoud) kun je horen wat je bedrijfsmiddelen je proberen te vertellen. De machines in je fabrieken, je wagenpark, je industriële apparatuur: ze praten al jaren tegen je. Ze vertellen je wanneer ze op het punt staan uit te vallen en wat ze nodig hebben om langer probleemloos te kunnen werken.  

 

Met voorspellend onderhoud kunnen bedrijven anticiperen op storingen en onderhoud plannen wanneer en waar dit onmiddellijk nodig is. Het wapent bedrijven met de informatie die ze nodig hebben om hun waardevolle assets optimaal te laten presteren, in het vertrouwen dat ze niet te veel van de machines vergen en geen kostbare uitval riskeren.

Definitie van voorspellend onderhoud: predictive maintenance is bedoeld om storingen en downtime van equipment te voorkomen. Door bedrijfsassets met IoT-functionaliteit te verbinden, geavanceerde analytics toe te passen op de realtime data die ze leveren, en de resulterende inzichten te gebruiken als informatie voor onderbouwde, kosteneffectieve en efficiënte onderhoudsprotocollen. 

Waarom is voorspellend onderhoud tegenwoordig zo belangrijk voor bedrijven?

Voor bedrijven is dit een tijd van ongekende veranderingen en concurrentie. Door het Amazon-effect is de vraag van de consument naar controle, personalisering en snelheid in hoog tempo toegenomen. Als gevolg van een veranderend politiek en handelsklimaat hebben veel bedrijven moeite om betaalbare bevoorradings- en productierelaties in stand te houden. En nu steeds meer bedrijven met een digitale transformatie zijn begonnen, neemt de concurrentie toe en wordt de foutenmarge steeds kleiner. Daarom proberen ondernemers nu een concurrentievoordeel te behalen met slimme oplossingen die voorspellen wanneer assets aan onderhoud toe zijn, die helpen de kostenefficiëntie te verhogen en die de vaak complexe vereisten voor enterprise asset management stroomlijnen. 

Use case: Swiss Federal Railways

Hoor hoe predictive maintenance hielp om te optimaliseren.

Wat is het verschil tussen reactief, preventief en predictive maintenance?

Het verschil in deze drie onderhoudsmodellen ligt niet zozeer in de manier waarop de onderhoudstaken worden uitgevoerd, als wel in het moment waarop.

  • Reactief onderhoud: dit is in wezen de strategie van het niets doen tot er iets kapot gaat. Om voor de hand liggende redenen is dit niet de meest gebruikelijke onderhoudsstrategie voor grote bedrijven. Het kan echter onbedoeld de praktijk worden als bepaalde onderdelen en componenten buiten de reguliere roulatie in traditionele onderhoudsschema's vallen. Reactief onderhoud gebeurt altijd achteraf.
  • Preventief onderhoud: dit is gebaseerd op prestaties uit het verleden en de kennis en ervaring van technici en operators. Het omvat routinematig, periodiek, gepland of op tijd gebaseerd onderhoud. Deze vorm van onderhoud voorkomt wel vaak uitval, maar is helaas niet altijd even nauwkeurig: het gevolg kan namelijk zijn dat er duur onderhoud wordt gepleegd terwijl dat nog niet nodig is, of dat zwakke plekken in het onderhoudsproces onopgemerkt blijven. Preventief onderhoud vindt plaats op momenten die vaak lang van tevoren zijn ingesteld.
  • Predictive maintenance: dit is mogelijk wanneer alle bedrijfsmiddelen via een IoT-netwerk (Internet of Things) in een live ecosysteem zijn geïntegreerd. De mogelijkheid om data in realtime te verzenden en te analyseren betekent dat de live conditie van assets, en niet de kalender, de basis wordt voor onderhoudsprotocollen. Voorspellend onderhoud vindt plaats in realtime, exact waar en wanneer dat nodig is.

Het volgende schema (in aangepaste vorm overgenomen van Deloitte) toont de progressie van technologische mogelijkheden tijdens de verschillende industriële revoluties en de impact ervan op onderhoudsstrategieën en effectiviteit van equipment.

Edit Table Feature Comparison Component
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component

Hoe werken predictive maintenance en IoT-analytics?

De eerste stap in het voorspellende onderhoudsproces bestaat uit het verzamelen van realtime data en informatie uit verbonden IoT-netwerkapparaten in het hele bedrijf. Deze data moeten vervolgens zo worden opgeslagen en beheerd dat ze gemakkelijk kunnen worden verwerkt, geopend en geanalyseerd. De 'voorspellende' component gaat een rol spelen wanneer technologieën op basis van kunstmatige intelligentie (AI) en machine learning worden toegepast op de data, om er een nuttig en bruikbaar verhaal van te maken.

 

Er zijn vier basisfasen in de architectuur van predictive maintenance en een industrieel IoT-netwerk (IIoT):

De vier stappen van het voorspellende onderhoudsproces

Het proces van predictive maintenance

  1. Registratie en verzameling van data met behulp van technologieën voor predictive maintenance (bijvoorbeeld thermische beeldvorming of trillingen)
  2. Verzending van deze data, in realtime, via het netwerk naar een centraal bedrijfssysteem
  3. Toepassing van slimme technologieën zoals analyses met AI en machine learning op die data, zodat deze de meest nuttige en relevante inzichten kunnen leveren 
  4. Snelle actie op deze datagedreven inzichten om de vereiste onderhouds- en responsprotocollen (zowel handmatig als geautomatiseerd) vast te stellen

Assetcondities bewaken en gebruikmaken van technologieën voor voorspellend onderhoud

Predictive maintenance wordt mogelijk gemaakt door cyberfysieke systemen die helpen om machines en bedrijfsassets te integreren in een intelligent IoT-netwerk. Het begint met de identificatie van de assetcondities die moeten worden bewaakt. Daarna worden de sensoren geplaatst en een IoT-netwerk opgezet. De laatste stap is het verzamelen en analyseren van data uit het netwerk om bruikbare bevindingen en inzichten te leveren. De identificatie van deze te bewaken voorwaarden is de eerste cruciale stap wanneer een bedrijf predictive maintenance wil opnemen in zijn enterprise asset management. 

 

Condities bewaken

 

Om te beginnen moeten managers de condities vaststellen die voor elke machine moeten worden bewaakt. Dit kan gebeuren op basis van een visuele, auditieve of thermische analyse, of, zoals meestal, een combinatie van deze en andere criteria. De technologische stap op dit punt bestaat eruit te bepalen welke sensoren en meetinstrumenten moeten worden geplaatst: 

  • Trillingsanalyse: kleine veranderingen in trillingspatronen kunnen wijzen op onbalans of verkeerde uitlijning, terwijl hoge trillingsniveaus kunnen duiden op dreigende lager- of andere problemen. Een trillingsanalyse kan vroegtijdig waarschuwen voor storingen en is met name nuttig bij het opsporen van onbalans, verkeerde uitlijning, losse schroeven of bouten, of versleten of beschadigde delen.

  • 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 de ultrasone analyse maakt thermografie het verborgene zichtbaar door met een infraroodanalyse temperatuurveranderingen om te zetten in een zichtbaar spectrum. Zelfs zeer subtiele veranderingen in de normale bedrijfstemperaturen kunnen een indicatie zijn voor dreigende problemen.

  • Vloeistofanalyse: een fysische en chemische vloeistofanalyse bewaakt de niveaus en temperatuur van de vloeistoffen, en kan daarnaast waardevolle informatie geven over de toestand van mechanische componenten. Aan de hand van de snelheid van verslechtering in koel- en smeermiddelen kunnen er preventieve maatregelen worden genomen zodra deze inzichten dit rechtvaardigen.

  • Overig: daarnaast zijn er technologieën voor voorspellend onderhoud specifiek voor verschillende unieke industriële behoeften. Het gaat onder meer om: laseruitlijning, bewaking van het elektrische circuit, scheurdetectie, corrosiebewaking, veranderingen in de elektrische weerstand en andere branchespecifieke manieren om corrosie of verslechtering te meten.
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component
Edit Table Feature Comparison Component

Technologieën voor predictive maintenance

 

Zodra de bovenstaande criteria vaststaan, moeten de juiste sensoren en monitors worden geplaatst en verbonden met een centraal bedrijfssysteem, meestal een ERP-systeem (enterprise resource planning), via een met de cloud verbonden IoT-netwerk. Tot slot moeten de nodige AI-gestuurde softwareoplossingen geïnstalleerd zijn om de verschillende algoritmen en analyseprocessen te ondersteunen die nodig zijn om bruikbare inzichten en aanbevelingen uit de verzamelde data te leveren.

  • IoT-netwerk:  wanneer assets van de onderneming worden uitgebreid met sensoren, verwerkingsmogelijkheden en andere technologieën, kunnen ze, meestal via de cloud, data verzenden naar en ontvangen van een centraal bedrijfssysteem. Dit omvat een IoT-netwerk en ondersteunt de strategie voor voorspellend onderhoud.

  • IoT-gateways: veel oudere machines werken nog uitstekend, maar berusten op analoge technologie die dateert van vóór de digitale integratie. Deze machines kunnen worden uitgerust met IoT-gatewayapparaten, zoals camera's, microfoons en thermometers, die realtime data over hun operationele status kunnen verzamelen en verzenden.

  • Cloudconnectiviteit: cloudconnectiviteit levert de on-demand beschikbaarheid van computerbronnen. In een IoT-netwerk dat uit meerdere industriële assets bestaat, is het van cruciaal belang dat datacenters met meerdere locaties worden geïntegreerd in één database en systeem.

  • Moderne database en ERP: oude, op schijven gebaseerde databases zijn niet goed geschikt voor het beheer van de omvangrijke, niet-lineaire data die bestaan uit big data en complexe datasets. Bovendien maakt predictive maintenance gebruik van AI en machine learning om geavanceerde analyses op dergelijke data uit te voeren. Dit hele proces wordt het best gediend door een modern AI-aangedreven ERP-systeem met een in-memory database die snel, responsief en bijna eindeloos schaalbaar is.

  • AI en machine learning: de baanbrekende computerwetenschapper John McCarthy definieert AI als "de wetenschap en technologie van het maken van intelligente machines". Machine learning is een subset van AI die algoritmen gebruikt om data te analyseren en te begrijpen. Oplossingen voor voorspellend onderhoud hebben AI en machine learning nodig om operationele data van bedrijfsassets te sorteren, te begrijpen en ervan te leren, maar ook om bruikbare aanbevelingen en inzichten uit die kennis af te leiden.

  • Geavanceerde analyses: geavanceerde analyses worden aangestuurd door AI en machine learning. Managers moeten bepalen welke kenmerken en condities moeten worden beoordeeld en welke analytische resultaten wenselijk zijn. Zo kunnen de algoritmen die de informatie aanleveren voor geavanceerde analyses worden geprogrammeerd om zo inzichtelijk en praktisch mogelijk te zijn en om mettertijd optimaal te leren van data en nieuwe ervaringen.

  • Digital twins: een digital twin (of digitale tweeling) is exact wat de naam zegt: een virtuele kopie van een concreet, fysiek item. Door digital twins te creëren, kunnen managers elk mogelijk operationeel scenario op deze tweelingvariant toepassen, zonder het risico dat een dure machine of een duur apparaat beschadigd raakt. Dit helpt het voorspellend onderhoud te verbeteren doordat het tools voor machine learning en AI in staat stelt om ervaringen die ze niet in werkelijkheid hebben meegemaakt te integreren en ervan te leren.

Voorbeelden van use cases voor voorspellend onderhoud

  • Olie- en gassector: olieboringen veroorzaken enorme slijtage aan assets en kunnen bij een storing tot grote risico's en gevaren leiden. Met predictive maintenance kunnen veranderingen in de olietemperatuur en de snelheid van tandwielkasten in boorapparatuur in realtime worden bewaakt. Hierdoor is de veiligheid aanzienlijk verbeterd en zijn de onderhoudskosten met maar liefst 38% verlaagd.
  • Automobielindustrie: puntlaspistolen in assemblagelijnen voeren per dag zo'n 15.000 puntlassen uit. Door laspistolen over de hele wereld met elkaar te verbinden en hun operationele data te verzamelen, kunnen autofabrikanten miljoenen datapunten verzamelen: dit levert een ongekende voorspellende nauwkeurigheid van de staat en toestand van deze assets op.
  • Productie van huishoudelijke apparaten: trillingsmetingen van de trommelrotatie in het productieproces van wasdrogers hielpen om storingen of uitval te voorspellen. Door deze toepassing van voorspellend onderhoud is het aantal productiegebreken met 33% afgenomen en zijn de onderhoudskosten voor de consument 27% lager geworden.
  • Assetmanagement voor spoorwegen: onder de spoorrails kunnen lege ruimten ontstaan waardoor treinen vertragingen kunnen oplopen of zelfs kunnen ontsporen. Recente innovatie heeft op cabines gebaseerde monitoringsystemen mogelijk gemaakt die een aantal variabelen kunnen detecteren wanneer zij over de rails rollen. Dit heeft geleid tot een betere detectie van deze lege ruimten en in het algemeen tot meer veiligheid voor de klant.
  • Staalindustrie: anomaliedetectie wordt gebruikt om realtime metingen te verzamelen van de trillingen, rotatiesnelheid en elektrische stroom (ampère) in de apparatuur voor koud walsen die bij staalverwerking wordt gebruikt. Deze toepassing heeft geleid tot een 60% langere levensduur van de apparatuur en aanzienlijk minder verliezen als gevolg van downtime en vertragingen.

Voordelen van predictive maintenance

De implementatie van systemen voor voorspellend onderhoud heeft in meerdere branches indrukwekkende resultaten opgeleverd.

Predictive maintenance verhoogt de productiviteit met 25%, beperkt uitval met 70% en verlaagt de onderhoudskosten met 25%.

Deloitte

Interessant genoeg is het idee van voorspellend onderhoud niet bijzonder nieuw. Bedrijven streven al tientallen jaren naar meer voorspelbaarheid in hun assetonderhoud, maar pas met de opkomst van technologieën als AI en moderne ERP-systemen ontstonden de capaciteit en functionaliteit die nodig zijn om oplossingen voor predictive maintenance te realiseren die echt werken. De voordelen zijn onder meer:  

  • Beter inzicht in het hele bedrijf: meer inzicht in de buitendienst en andere externe bedrijfsmiddelen. Hierdoor kunnen OEM's en externe serviceproviders meerwaarde bieden en beter gefundeerde diensten aan te bieden.
  • Lagere onderhoudskosten en verbeterde assetprestaties: predictive maintenance leidt consistent tot een beter gebruik van de bestaande resources, minder downtime en een langere levensduur van waardevolle activa.
  • Krachtigere teams: als operators van de assets, dienstverleners en supplychainmanagers gewapend zijn met data science en realtime analytics, kunnen ze onderhoudsschema's ontwikkelen die werken. Ze worden planners en strategen in plaats van brandjesblussers. 

Vervolgstappen om je supply chain te transformeren met 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 SAP Predictive Asset Insights

Maximaliseer de prestaties van je assets met moderne tools voor predictive maintenance.

SAP Insights nieuwsbrief

Meld je vandaag nog aan

Meld je aan voor onze nieuwsbrief en krijg belangrijke inzichten.

Meer lezen

Terug naar boven