7. SETTING SAIL TOWARDS PREDICTIVE MAINTENANCE

De Suto heeft dit jaar ook met de leerstoelen Maintenance Engineering en Dynamics Based Maintenance van Universiteit Twente samengewerkt op het thema Predictive Maintenance. In de samenwerking met onder meer universitair docent Jan Braaksma en promovendus Wieger Tiddens is naar de toepassing van Predictive Maintenance in verschillende praktijkcases gekeken. In dit hoofdstuk beschrijven we een aantal inzichten uit deze studie. Het onderzoek is mede mogelijk gemaakt door het Ministerie van Defensie en het Nederlands Lucht- en Ruimtevaartcentrum (NLR) en gedaan in samenwerking met Prof. Tiedo Tinga van de Dynamics Based Maintenance groep van de Universiteit Twente en de Nederlandse Defensie Academie.

1.1 De case voor Predictive Maintenance

Onderhoud heeft als belangrijk doel de betrouwbaarheid van assets te vergroten. Het onverwacht falen van assets is namelijk een van de primaire operationele risico’s van asset owners en leidinggevenden, werkzaam in kapitaalintensieve industrieën en bedrijven. Onverwachte downtime werkt ontwrichtend in complexe toeleveringsketens en kan bovendien ook hoge kosten met zich meebrengen vanwege misgelopen productie.

Om de betrouwbaarheid van assets te waarborgen, worden onderhoudende acties ondernomen zoals inspecties, vervangingen, reparaties en updates van machines. Het is belangrijk zulke acties in samenhang te or- ganiseren voordat assets falen. Dus niet te laat, maar ook niet te vroeg. Aangezien de kosten van onderhoud zorgen voor 60-75% van de totale lifecycle kosten8, moeten onderhoudsacties alleen ondernomen worden wanneer het echt nodig is. Vaak zijn onderhoudsbeslissingen gebaseerd op ervaring en kennis van experts en er wordt geen rekening gehouden met de actuele staat van de asset en het daadwerkelijk gebruik. Onderhoudsmomenten worden gepland op basis van kalendertijd of het aantal uren dat de asset al actief is (denk aan kilometertelling bij een auto). Een nadeel hiervan is dat het onderhoud niet wordt uitgevoerd op het moment dat de asset het, op basis van de conditie van de asset, nodig heeft. Een theoretisch optimum, hoewel niet altijd praktisch mogelijk, is om onderhoud uit te voeren op basis van de actuele staat van de asset. Hiervoor moet (near)real-time data verzameld worden over de staat van de asset, bijvoorbeeld door middel van sensoren en microprocessors. Zo’n aanpak is in veel situaties bewezen effectiever dan andere onderhoudsmethodes. Voorspellend onderhoud of ‘Predictive Maintenance’ (PdM) is een set van activiteiten die de eigenaar, fabrikant, dienstverlener of gebruiker informeren over de huidige en toekomstige status van hun fysieke assets. PdM maakt hiervoor gebruik van analyse-instrumenten (analytics), methoden en technieken. Deze gebruiken asset data, zoals data over de conditie en belasting, of ervaring, om veranderingen in de fysieke conditie van assets te detecteren, diagnosticeren en te voorspellen.

Idealiter worden Predictive Maintenance strategieën toegepast om inzichten te verkrijgen in de toekomstige staat en prestaties van assets. Predictive Maintenance helpt asset owners, OEM’s (original equipment manufacturer, de fabrikant), service providers, of operators door inzichten te geven over de huidige en toekomstige staat van assets. Hierdoor helpt PdM bij het reduceren van het onverwacht falen van assets, verbetert het de betrouwbaarheid van assets en ondersteunt de kostenbeheersing (of omgekeerd de waarde toevoeging).

Hoewel voorspellend onderhoud verschillende voordelen biedt aan de eigenaren van assets, OEM’s (original equipment manufacturer, de fabrikant) en dienstverleners, lijkt de invoering van PdM in de praktijk achter te blijven bij het theoretische begrip van het gebruik ervan. Gebruikers ervaren een kloof tussen de potentiële en gerealiseerde voordelen. Dit laatste kan te wijten zijn aan onvoldoende inzicht in de manier waarop bedrijven deze voordelen kunnen behalen en de middelen die nodig zijn om deze voordelen om te zetten in tastbare waarde proposities. Onderzoek laat zien dat gebruikers “een gebrek aan inzicht in de manier waarop analyse-instrumenten kunnen bijdragen aan het verbeteren van hun bedrijf” en “een gebrek aan managementbandbreedte” zien als de twee belangrijkste obstakels bij het behalen van het concurrentievoordeel dat het effectief gebruik van analyse-instrumenten hun bedrijf kan bieden. Er wordt gesuggereerd dat veel van deze kwesties over het hoofd worden gezien in de academische literatuur, omdat de meeste onderzoeken op het gebied van PdM de organisatorische- en managementfacetten lijken uit te sluiten en alleen betrekking hebben op de technische aspecten (zoals het ontwikkelen van nauwkeurige sensoren of algoritmes).

Het onderzoek van Tiddens heeft daarom tot doel het begrip van het gebruik van en de acceptatie van PdM verder te ontwikkelen. Om vervolgens op basis van deze ob- servaties instrumenten te ontwikkelen om de praktische toepassing van voorspellend onderhoud beter te ondersteunen.

Om de problemen in kaar te brengen die gebruikers van PdM in de praktijk ervaren, is een meervoudige casestudy uitgevoerd, met daarin veertien casussen uit verschillende industrieën in Nederland. De focus in deze studie ligt zowel op het technische als het organisatorische toepassingsproces van PdM. Het blijkt dat bedrijven en organisaties ondersteuning nodig hebben bij het:

1. Identificeren van de meest geschikte kandidaten voor PdM;

2. Selecteren van de meest geschikte technieken voor PdM;

3. Evalueren van de toegevoegde waarde van PdM.

1.2 Het identificeren van geschikte assets en componenten voor de toepassing van Predictive Maintenance

Het identificeren van de meest geschikte systemen of componenten voor PdM is doorslaggevend voor de succesvolle implementatie hiervan. Deze identificatie is nodig om te beoordelen waar PdM het grootste voordeel kan bieden in de bijdrage aan bedrijfsprestaties en het reduceren van de kosten van stilstandstijd. In de praktijk worden hiervoor overwegend eenvoudige methoden gebruikt. Om de meest geschikte systemen of componenten voor PdM te selecteren, wordt bijvoorbeeld gebruik gemaakt van een top tien lijst van prestatiekillers of kostendrijvers of Pareto-analyses.

Deze methoden leiden echter niet altijd tot de selectie van de meest geschikte systemen of componenten voor PdM. De belangrijkste reden is dat deze methoden vooral gericht zijn op het identificeren van kritieke componenten zonder rekening te houden met de clustering van onderhoud en de technische-, economische- en organisatorische haalbaarheid.

Een drie-traps trechtervormige selectiemethode om dit selectieproces te verbeteren wordt daarom voorgesteld. De eerste stap van de trechter helpt het aantal opties aanzienlijk te reduceren door een traditionele filtering op faalfrequentie en impact op het bedrijf (bijvoorbeeld kosten van stilstandstijd). In de tweede en derde stap wordt een meer diepgaande analyse van de resterende componenten uitgevoerd. Deze stappen helpen om mogelijke showstoppers (redenen waarom een PdM aanpak uiteindelijk geen waarde oplevert) te filteren, zoals onderhoudsclustering voortkomend uit plannings- of technische overwegingen. Vervolgens wordt een diepgaande analyse uitgevoerd op de technische- en economische haalbaarheid van het ontwikkelen van een specifieke PdM-aanpak voor de geselecteerde componenten.

De huidige selectieprocedures kunnen echter nog verbeterd worden. Bij het selecteren van assets en componenten die geschikt zijn voor Predictive Maintenance, is er namelijk een groot aantal factoren waar rekening mee kan worden gehouden om tot een optimale selectie te komen. Allereerst kunnen huidi- ge selectieprocessen tijdrovend zijn, omdat complexere assets vaak uit een groot aantal componenten en sub-componenten bestaan. Een andere overweging is het feit dat er niet altijd gelegenheid is om onderhoud te plegen. Een voorbeeld is onderhoud aan een schip, dat over het algemeen alleen gebeurt wanneer het schip in de haven ligt. Het uitstellen van gepland onderhoud is dan enkel mogelijk wanneer dit uitgesteld wordt tot de volgende keer dat het schip in de haven ligt. Daarnaast moet er ook rekening gehouden worden met de kosten van Predictive Maintenance en de impact van het implementeren ervan. Zo is PdM bijvoorbeeld niet rendabel als er niet ‘genoeg’ falen van assets verwacht wordt of als het falen relatief voorspelbaar is met huidige methodes.

Tiddens stelt voor om geschikte componenten en assets vast te stellen door deze te filteren in drie stappen. Er wordt in deze methode gekeken naar drie fases: ‘criticality classification’, ‘showstopper identification’ en ‘focused feasibility’ (zie figuur 27).

In de eerste stap (criticality classification) worden de meeste kandidaten gefilterd. Dit gebeurt door te kijken naar de verwachte frequentie van falen en de impact van falen van een asset. Veelbelovende assets voor PdM hebben een lage frequentie van falen, maar grote consequenties mocht de asset falen. Assets moeten echter vaak genoeg falen om PdM rendabel te maken. Wanneer de verwachte frequentie van falen erg hoog ligt dan is het echter beter om de onbetrouwbaarheid van een asset al te verbeteren in de ontwerpfase.

In de tweede stap wordt gekeken naar mogelijke problemen bij de implementatie van PdM, zogenaamde ‘showstoppers’. Hierbij kan gedacht worden aan het feit dat onderhoud niet uitgesteld kan worden vanwege een planning op hoger niveau, waardoor de asset niet stopgezet kan worden. Andere ‘showstoppers’ zijn dat de huidige technologie nog niet geavanceerd genoeg is om falen van een asset te voorspellen of dat PdM simpelweg niet loont voor een bepaalde asset of component.

Wanneer er in de tweede fase geconstateerd wordt dat er geen ‘showstopper’ aanwezig is, wordt deze asset nader onderzocht in de derde fase (focused feasibility). Specifiek wordt in deze laatste fase gekeken naar de organisatorische, technologische en economische toepasbaarheid van PdM voor het specifieke component.

1.3. Het selecteren van de meest geschikte technieken voor PdM

Er zijn verschillende technieken voor het toepassen van PdM mogelijk. Voorbeelden zijn predictive maintenance uitvoeren op basis van ervaringen van onderhoudsprofessionals, maar ook technieken die gebruik maken van modelgebaseerde voorspellingen. Er is niet één beste aanpak. Voor elke situatie kan een andere aanpak werken. Tiddens ziet dat de techniek waar gebruik gemaakt wordt van ervaringen het meest worden gebruikt in de praktijk.

Om te helpen bij het selecteren van de geschikte technieken voor PdM, wordt een raamwerk voor de selectie van de optimale preventieve onderhoudsbenadering voorgesteld. Dit laat zien dat het allereerst belangrijk is het ambitieniveau te bepalen. Dit bepaalt waaraan de voorspelling dient te voldoen: geldt de voorspeling voor een individueel asset of een vloot, dienen verschillende soorten gebruik meegenomen te worden, dienen klimatologische verschillen meegenomen te worden, etc. Door het ambitieniveau te mappen op de beschikbare data, ervaring en kennis in het bedrijf, kan het meest geschikte type van PdM gekozen worden.

1.4.

Het

evalueren van de toegevoegde waarde van PdM

Bedrijven hebben vaak moeite om de bedrijfswaarde van PdM aan te tonen. Hoewel het ontwikkelen van businesscases belangrijk is voor het evalueren van projectsuccessen, worden de kosten en baten van PdM-implementaties vaak niet expliciet gedefinieerd en geëvalueerd. Dit kan ertoe leiden dat PdM soms niet op de meest efficiënte manier wordt toegepast en dat er soms een alternatieve strategie wordt gevolgd. Daarom wordt een hybride business case-aanpak voorgesteld om te helpen bij het evalueren en motiveren van de implementatie van PdM. Hierbij wordt naast de financiële impact ook naar de strategische voordelen van PdM gekeken, zoals impact op klant, maatschappij en interne doelen van het bedrijf.

1.5 Conclusie

Digitalisering verandert geleidelijk aan de wereld van het onderhoud. Steeds vaker worden onderhoudsbeslissingen genomen op basis van data van sensoren. Dit is een grote kans voor Predictive Maintenance, hoewel het tegelijkertijd nieuwe vaardigheden vereist van onderhoudsprofessionals. Er zijn meer specialisten nodig voor het bepalen van de juiste onderhoudsstrategie en daaraan verbonden het organiseren van de verzameling en analyse van data.

Het proefschrift van Tiddens laat zien dat bijna alle organisaties die PdM met succes hebben toegepast een kostbaar proces van vallen en opstaan hebben gevolgd, deels vanwege de complexiteit en deels vanwege de afwezigheid van effectieve theoretische ondersteuning. Daarbij benadrukt deze studie het belang van de organisatieaspecten van PdM-implementaties.

Er zit een groot potentieel in de toepassing van Predictive Maintenance. Om dit potentieel te realiseren, moeten de juiste stappen ondernomen worden. Allereerst de eerder beschreven voorselectie waarmee er een selectie gemaakt wordt van assets of onderdelen die potentieel geschikt zijn voor de invoering van PdM. Er moet een analyse gemaakt worden voor welke componenten de invoering van PdM het meest rendabel zal zijn. Verder moeten zogenaamde ‘showstoppers’, assetonderdelen waarbij onderhoud uitstellen ofwel niet mogelijk ofwel niet logisch is, uitgesloten worden. Daarnaast moet er gekeken worden of er data van hoge kwaliteit beschikbaar is. Dit is een van de belangrijkste bottlenecks voor het daadwerkelijk invoeren van PdM. De juiste methode voor het toepassen van PdM hangt dan ook grotendeels af van een match tussen de beschikbare onderhoudsdata en het gewenste ambitieniveau van de onderhoudsorganisatie. Meer geavanceerde PdM-technieken sluiten beter bij bedrijven met een hoger ambitieniveau en bereidheid om te investeren.

Het is niet altijd mogelijk om de toegevoegde waarde van PdM in concrete getallen uit te drukken. Het is echter wel van belang om aan te kunnen tonen dat de investeringen die gemaakt zijn om PdM mogelijk te maken, financieel voordeel zullen opleveren. Bij het maken van de business case voor PdM is het belangrijk dat er naast de traditionele financiële elementen (zoals ROI) ook gekeken wordt naar niet-financiële toegevoegde waarde. Een voorbeeld hiervan is kennisverrijking. De organisatie en maintenance professionals doen relevante kennis en vaardigheden op door te investeren in veelbelovende onderhoudsmethodes. Dit kan de effectiviteit van de (eigen) onderhoudsorganisatie verbeteren, waardoor op de lange termijn ook financiële voordelen behaald worden. En ook ervaringen opleveren voor herinvesteringen in nieuwe assets.

Referenties

1. Treacy, M. & Wiersema, F., 1993 – Customer Intimacy and Other Value Disciplines, https://hbr.org/1993/01/customer-intimacy-and-other-value-disciplines

2. Pianoo, 2018 – Zo kreeg Zuid-Holland een weg die energie opwekt, https://www.pianoo.nl/ nl/zo-kreeg-zuid-holland-een-weg-die-energie-opwekt

3. CustomerTalk, 2018 – Slimme contracten met behulp van de blockchain technologie, https:// www.customertalk.nl/nieuws/slimme-contracten-met-behulp-van-de-blockchain-technologie/

4. Inspectie SZW, 2018 – E-magazine verantwoord opdrachtgeverschap rond veilig werken in bouw en infra, https://www.inspectieszw.nl/ actueel/nieuws/2018/06/04/e-magazine-verantwoord-opdrachtgeverschap-rond-veilig-werken-in-bouw-en-infra

5. Salesforce, 2017 – Waarom presteert de Nederlandse maakindustrie nu wél goed?, https:// www.salesforce.com/nl/blog/2017/09/Maakindustrie-Kwartaalmonitor.html

6. LinkMagazine, 2018 – Efficiënter en sneller precies dat maken wat de markt wil, vergt ketensamenwerking in de maakindustrie, https://www.linkmagazine.nl/efficienter-ensneller-precies-dat-maken-wat-de-markt-wilvergt-ketensamenwerking-in-de-maakindustrie/

7. RWS, 2018 – Beste Prijs Kwaliteit Verhouding (BPKV), https://www.rijkswaterstaat.nl/zakelijk/zakendoen-met-rijkswaterstaat/inkoopbeleid/aanbesteden/economische-meest-voordelige-inschrijving.aspx

8. Dhillon, Balbir S. 2006. Maintainability, maintenance, and reliability for engineers: CRC Press