Het andere geluid over Predictive Maintenance

ASSET MANAGEMENT <

Foto: Mainnovation

Het andere geluid over

Predictive Maintenance

Honderd procent voorspelbaar onderhoud was de belofte. Just-in-time maintenance waarbij we onderdelen nooit meer te vroeg vervangen. Smart maintenance op basis van real time monitoring. Het klinkt fantastisch. Maar Predictive Maintenance werd ook geduid als ‘een hype’ of als ‘de heilige graal’. Waar staan we nu? Is Predictive Maintenance dé belofte van de toekomst, of zijn er echt (nog) te veel valkuilen?

Het onderzoeksrapport van Mainnovation en PwC ‘Predictive Maintenance 4.0 - Beyond the hype: PdM 4.0 delivers results’ vertelde ons in 2018 dat van de 268 deelnemende bedrijven maar liefst 60% concrete plannen had om PdM te gaan toepassen. “Een kleine vier jaar later zien we dat daadwerkelijk doorpakken toch lastig is. De markt is voorzichtig”, stelt Pieter de Klerk, Executive Consultant bij Mainnovation.

> Grote voordelen. Dat de ondertitel van het onderzoek ‘PdM 4.0 delivers results’ luidde, is niet vreemd. De markt zag zeker de toegevoegde waarde van het toepassen van nieuwe digitale technologieën. Level 4.0 staat overigens voor een continue realtime monitoring van de assets en het nemen van beslissingen op basis van deze data. “Dan gaat het over patronen herkennen, anomalieën waarnemen en zodoende tijdig worden gewaarschuwd over verminderde prestaties ofwel een uiteindelijke storing van een onderdeel”, aldus De Klerk. “Natuurlijk is dat interessant. Je voorkomt downtime, je kunt je maintenancetaken beter plannen, de reguliere visuele inspecties worden overbodig en je kunt je assets optimaal en maximaal benutten, omdat het faalmoment bekend is”. Predictive Maintenance zou dus een antwoord kunnen zijn op de personeelstekorten, efficiëntieverbetering én kostenreductie. Dit klinkt natuurlijk allemaal ‘too good to be true’ en daar zit ‘m inderdaad de crux. “Bedrijven hebben moeite met de business case. Wat zijn de echte voordelen en hoe makkelijk of hoe moeilijk zijn deze te realiseren”?

> Big data analytics. Veel bedrijven zijn in de afgelopen jaren wel gestart met een pilot. Sensoren werden geplaatst, data werd verzameld en er werd goed nagedacht over de analyse van

de verzamelde data. Een vak apart! Zo ontdekten bedrijven dat alleen data over bijvoorbeeld de trilling en de temperatuur nog steeds niets zegt over het faalmechanisme. Ook het soort materiaal, de wanddikte en andere constructiedetails hebben invloed. En dat geldt ook voor procescondities en de wijze van bedienen. Een chemiebedrijf op Chemelot ontdekte dat het belangrijk bleek om de procescondities in relatie tot elkaar te beschouwen. Het gaat dan bijvoorbeeld om druk als functie van temperatuur en tijd. Deze factoren waren altijd als onafhankelijke variabelen gezien, maar er bleek wel degelijk een verband te zijn. “Soms was noch de temperatuur, noch de druk te hoog, maar had een bepaalde combinatie wel degelijk effect”, aldus de betreffende asset manager.

> Algoritme. Het blijkt dus enorm complex om een storing te voorspellen. Enerzijds omdat de beïnvloedende factoren enorm groot zijn en er soms onverwachte verbanden blijken te zijn, maar anderzijds omdat er simpelweg geen data beschikbaar is over het falen. De Klerk; “Een food & beverage onderneming startte een jaar geleden, samen met ons, een pilot voor predictive maintenance. Hun meest kritische asset werd nauwkeurig gemanaged. Maar de installatie ging niet kapot. Als je een algoritme wil maken, heb je de faaldata nodig. Wat vertelt de data een maand voor deze kapot gaat? En wat zie je twee weken voor deze kapot gaat? En kun je een uur voor het daadwerkelijk falen zien dat het moment van breakdown nu echt is aangebroken? Ongetwijfeld, maar dan moet ie wel een keer kapot gaan”. Ook is gebleken dat de kopieerbaarheid van het algoritme lastig is. Een zelfde installatie is niet per definitie een zelfde installatie. Mogelijk is het eindproduct anders, is de bediening anders en staat deze installatie op een andere plek in de fabriek waar bijvoorbeeld meer zonlicht of meer tocht aanwezig is.

> De menselijke factor. Tot slot is er - en dat moet ook zeker niet veranderen - het zelfdenkend vermogen van de mens. Zo is daar de OEM’er die, al dan niet terecht, sterke twijfel heeft of hij de conditiedata wel beschikbaar moet stellen. In veel gevallen zit deze data in de black box van de machine. De OEM’er wil graag zelf eigenaar blijven van deze data. De Klerk; “Zij willen de data zelf gebruiken om het product verder te ontwikkelen en de concurrentiekracht te vergroten. Zij willen bijvoorbeeld zelf predictive analyses doen en in sommige gevallen is deze data met voorspellende algoritmes al veel geld waard”.

Een ander mooi voorbeeld uit de praktijk gaat over een pilot bij een containerterminal. Er was faaldata beschikbaar, de installatie was daadwerkelijk uitgevallen dus de maintenance planning was hierop aangepast. “Nadelige consequentie van het opgestelde algoritme waren de zogenaamde false positivs”, legt De Klerk uit. “Er werd een marge van extra veiligheid aangehouden waardoor just-in-time nog altijd te preventief was. Monteurs constateerden dat ze een machine te snel uit bedrijf haalden, waardoor er twijfels rezen ten aanzien van de werkbaarheid en de toepasbaarheid van het algoritme.’

> Hoop. Nu lijkt dit misschien een zeer negatief verhaal over de grote belofte, predictive maintenance. Het klinkt nu wellicht als een kansloze missie, maar zijn we niet allemaal groot geworden met vallen en opstaan? “Wij geloven nog steeds in de toegevoegde waarde”, vertelt De Klerk. “Predictive maintenance kan een onderneming veel geld besparen, efficiency opleveren en ook helpen bij het realiseren van de duurzaamheidsdoelstellingen. Maar we zijn lerende. Onder-

‘‘De OEM’er wil graag zelf ’ eigenaar blijven van deze data’

tussen worden de sensoren steeds beter, weten we steeds beter hoe we de resultaten moeten interpreteren, maken we afspraken over het delen van data en kunnen we dit ook steeds beter beveiligen. Er worden echt wel stappen voorwaarts gezet”. Ook wordt de IT architectuur steeds gebruiksvriendelijker. “De grote EAM systemen - zoals Maximo, SAP, Infor EAM en Ultimo - bieden oplossingen om de predictive analyses te faciliteren, door sensordata te combineren met storingsgegevens, inspectiegegevens en onderhoudsdata. En het wordt steeds eenvoudiger om analysemodellen te ontwikkelen”.

Mainnovation en PwC zullen dit jaar opnieuw een onderzoek opstarten naar de benefits van predictive maintenance. In de tussentijd biedt het eerdere onderzoek nog altijd de benodigde handvatten om hier daadwerkelijk mee aan de slag te gaan. “Steunend op een stevige business case”, voegt De Klerk toe. “Want die is er, daar ben ik van overtuigd”. <

Foto: Mainnovation