Bij het onderhoud van installaties en machines opent Industry 4.0 de deuren om data te laten spreken en de onderhoudsingenieurs te ondersteunen bij het nemen van onderhoudsbeslissingen.

Zij moeten een maximale uptime van installaties en machines garanderen, liefst ook nog kosten reduceren en tegelijk bewaken dat het onderhoud veilig wordt uitgevoerd. Het is dan ook hoog tijd om ook machines richting digitale transformatie te loodsen om het hoofd te kunnen bieden aan die uitdagingen. Met behulp van onder andere predictive analytics en IoT kunnen we het ideale moment voor onderhoud voorspellen, rekening houdend met verwachte gebeurtenissen. U kunt een blik op de toekomst werpen en zelf bepalen hoe die er zal uitzien.

De meest primitieve manier van werken is het visueel inspecteren van machines. Een stap verder is het manueel uitvoeren van metingen op een bepaald moment in de tijd. Een meer geavanceerde vorm is real-time condition monitoring, hierbij worden een aantal parameters zoals oliepeil, temperatuur en trilling gemeten en bijgehouden. Deze parameters geven een mogelijke indicatie wanneer iets verkeerd zou lopen. Wanneer de metingen afwijken van wat men verwacht, wordt er een onderhoud ingepland. Op die manier is het onderhoud al veel meer gestuurd in functie van hetgeen echt nodig is. Dat brengt ons al meer in de buurt van toekomstgericht onderhoud of predictive maintenance (PdM).

Bent u klaar voor predictive maintenance?  Test het hier zelf.

De kracht zit in het permante oor dat u toelaat om te luisteren naar wat uw installaties, machines en toestellen te vertellen hebben. We destilleren deze info door analyses uit te voeren op data die u nu al op verschillende plaatsen capteert. Door middel van nieuwe concepten zoals Cloud, Big Data, IoT, AI en de toegenomen mogelijkheden van connectiviteit kunnen we de data die aanwezig is op verschillende plaatsen, doorheen verschillende systemen en afkomstig van verschillende sensoren nu efficiënt en effectief combineren met elkaar.

Predictive maintenance helpt om falingen en storingen van uw machines te voorspellen op basis van:

Data

Sensordata zoals metingen van trillingen, druk, debiet, temperatuur, … kunnen vandaag door middel van Internet Of Things (IoT) naar een internetplatform gebracht worden voor analyse. Het is mogelijk om daarbij ook verschillende databronnen samen te brengen zoals:  historiek van de machinewerking, onderhoudshistoriek,  productiedata (productiekwaliteit, productuitval, productiestilstanden,…) en omgevingsdata zoals temperatuur, vochtigheid, luchtkwaliteit,…. Plots kunnen hierdoor veel meer parameters betrokken worden bij de vergelijking met de storingsdata waardoor nieuwe inzichten en verbanden naar boven komen.

Predictive maintenance model

Data scientists komen op basis van machine learning algoritmes tot een predictive maintenance model dat daadwerkelijk op basis van tendensen van één of meerdere parameters voorspelt wanneer falingen van assets zich aankondigen. Naarmate meer data wordt bijgehouden kan ook het model verder bijgestuurd worden.

Samenwerking met de onderhoudsingenieurs

Een belangrijke rol is weggelegd voor de onderhoudsingenieurs en de reliability engineers die op basis van hun jarenlange ervaring vanaf de start van een predictive maintenance project mee de assetselectie bepalen, informatie geven over de beschikbare data en betrokken worden bij de creatie van het predictive maintenance model.

Grotere beschikbaarheid van uw assets

Uw onderhoudsstrategie ondersteunt uw productieproces om zo maximaal te produceren. Met behulp van het PdM-model kunt u stilstanden vermijden door tijdig in te grijpen in uw onderhoudsplannen, de nodige machinemodificaties voor te stellen en een aangepast onderhoud uit te voeren. Niet alleen uw productiemedewerkers zijn tevreden maar ook uw eindklanten waarderen dat hun producten tijdig geleverd worden. Finaal levert u een grotere bijdrage aan het realiseren van de bedrijfsdoelstellingen.

Vermindering van onderhoudskosten

Inzicht in toekomstige storingen en falingen van machines helpt u om het onderhoud  beter te organiseren. Dit kan zich vertalen in minder onnodig onderhoud, waardoor u meteen kosten bespaart. Bovendien verkleint de kans van een mogelijke negatieve impact van een onderhoudsbeurt. Grote efficiëntievoordelen heeft u zeker wanneer u de onderhoudswerkzaamheden beter kunt plannen. Voor een geplande onderhoudsbeurt kunt u rekening houden met de optimale planning van gekwalificeerde technici en de beschikbaarheid van zowel materialen als een eventuele vereiste stilstand van de asset.  U vermijdt overuren en de onbeschikbaarheid van materialen, wat u veel kosten kan besparen.

Genereer service inkomsten

Als OEM van een toestel of machine gaat er met PdM een nieuwe wereld voor u open, waarbij u verder kan gaan dan het leveren van een product aan uw klant. U kunt uw klanten een gegarandeerd gebruik van uw producten als service bieden. U garandeert bijvoorbeeld de draaiuren van de motor die u levert, daarbij volgt u de werking van de motor via sensoren en biedt u onderhoudsservice aan via een collaboratief platform met uw klanten en leveranciers. Dit laat u toe om extra inkomstenstromen te genereren omdat uw klanten een veel betere asset beschikbaarheid en service verkrijgen.

Inetum beschikt over de juiste skills en technische kennis om een pilotproject voor PdM te begeleiden. Een kenmerk van predictive maintenance is de complexe samenhang van verschillende technische domeinen en expertises. Door onze jarenlange ervaring met maintenance vanuit onze onderhoudssoftwareoplossing Rimses, zijn we erg vertrouwd met de werking van een maintenance afdeling. Alle expertise met betrekking tot maintenance en safety in combinatie met onze zeer gewaardeerde ervaring als integrator en ICT-partner maken van Inetum de geschikte partner voor predictive maintenance.

Onze aanpak voor een pilotproject, Inetum heeft op ieder van deze domeinen de nodige expertise in huis:

• Assetselectie: Welke assets zijn kritisch voor uw productieproces of garanderen een goede werking van uw installatie of machine? Verbeteringen aan het onderhoud van deze assets zullen de meeste waarde voor u opleveren.
   
• Data identificatie: Kwalitatieve data is erg belangrijk. We doen onderzoek naar de beschikbaarheid (historisch en actueel), relevantie, betrouwbaarheid en kwaliteit van uw aanwezige data.
   
• Data exploratie: Met de data  gaan onze datascientists aan de slag om met diverse analysetools en machine learning  de data te zetten in een Predictive Maintenance Model. Door gebruik van algoritmes zal op basis van de tendensen en historiek  van één of meerdere parameters het model aangeven wanneer falingen van assets zich aankondigen.

• Data monitoring: De wisselwerking met de onderhoudsmedewerkers is cruciaal in het toetsen van het model aan de realiteit. Dashboards en rapportering zijn belangrijk in de communicatie met de ingenieurs. Naarmate meer data wordt bijgehouden kan ook het model verder bijgestuurd worden.
   
• Predict & Prescribe: Het model helpt het onderhoud te verbeteren. De output van het model kan geïntegreerd worden in het CMMS voor aansturing van predictieve acties. Bijkomende artificiële intelligentie kan in de laatste fase ingezet worden om de stap te zetten naar Prescriptief Onderhoud. Daarbij doet het systeem voorstellen vanuit het CMMS met betrekking tot de gewenste te nemen actie.