• icon industriĆ«le automatisatie
  • icon industriĆ«le automatisatie
image
image

Dit artikel is verschenen in PT Industrieel Management en werd geschreven door  Evi Husson. 

Contacteer de 3IF.be proeftuin voor een setup van een Industrie 4.0 Predictice Maintenance Case. 

Download het volledige PwC rapport van Juni 2017.

 

Van brandjes blussen naar voorspellend onderhoud

Maintenance

Waar staan bedrijven momenteel op het gebied van voorspellend onderhoud en waar denken ze in de nabije toekomst te staan? Hoe kom je stapsgewijs tot voorspellend onderhoud? Marktonderzoekers PwC en Mainnovation deden afgelopen jaar onderzoek onder 280 bedrijven uit België, Nederland en Duitsland. De resultaten zijn in het rapport Predictive Maintenance 4.0, Predict the unpredictable gepubliceerd.

 
Van brandjes blussen naar voorspellend onderhoud

Tekst Evi Husson

Met Predictive Maintenance oftewel voorspellend onderhoud wordt bedoeld dat men op het juiste moment onderhoud uitvoert. ‘Bij correctief onderhoud, het achteraf herstellen van defecten of verhelpen storingen, ben je te laat. Bij preventief onderhoud, plan je vooraf onderhoud in om storingen te voorkomen en gebeurt je onderhoud meestal vóór de storing. In beide situaties verlies je tijd en geld. De volgende stap is te voorspellen wanneer de ideale situatie is om onderhoud uit te voeren, in functie van het effectieve gebruik en de status van de machine. Dat betekent dat in sommige gevallen minder frequent en in andere gevallen frequenter onderhoud zal plaatshebben, met als doel de uptime zoveel mogelijk te garanderen’, geeft Matthias Reyntjens aan. Reyntjens is partner bij PwC. Volgens het rapport Predictive Maintenance 4.0, Predict the unpredictable is voorspellend onderhoud niet nieuw. Ook in het verleden werd regelmatig op basis van visuele of instrumentele inspecties bepaald of onderhoud nodig is of niet. De laatste jaren is echter door een groei aan beschikbare data deze vorm van onderhoud op een hoger niveau gekomen. Dankzij verbeterde sensortechnologie, het gebruik van slimme algoritmes en machine learning of zelflerende systemen kan veel exacter worden voorspeld wanneer onderhoud nodig is. Mits alle beschikbare data op de juiste manier worden ingevoerd. ‘We zien dat door een andere aanpak van onderhoud ook de business en servicemodellen veranderen’,  zegt Reyntjens. ‘Vroeger verkocht je een machine die je bij de klant plaatste en kwam je op bepaalde tijdstippen of bij het optreden van problemen langs om inspecties te doen of onderhoud uit te voeren. Dankzij het monitoren op afstand is het mogelijk om het meest ideale moment te bepalen om werkzaamheden uit te voeren. Je ziet dus ook dat bedrijfsmodellen bij zowel machinebouwers als onderhoudsbedrijven geleidelijk aan veranderen.’

Vier niveaus van volwassenheid

Nog niet elk bedrijf is zover. PwC en Mainnovation onderscheiden in hun rapport vier niveaus van volwassenheid waar bedrijven zich bevinden, met betrekking tot voorspellend onderhoud. Bedrijven die zich in niveau één bevinden, doen voornamelijk periodieke fysieke inspecties. De conclusies zijn daarbij gebaseerd op de expertise van diegene die inspecteert. In niveau twee doen bedrijven periodieke inspecties, waarbij conclusies worden getrokken uit een combinatie van het uitlezen van instrumentatie en de expertise van diegene die inspecteert. In niveau drie staat realtime conditiemonitoring centraal. De assetsworden continu realtime gemonitord waarbij waarschuwingen worden afgegeven bij vooraf bepaalde kritieke niveaus. Het laatste niveau is Predictive Maintenance 4.0 oftewel PdM 4.0: De assets worden op dit niveau continu realtime gemonitord, waarbij waarschuwingen worden gegeven die zijn gebaseerd op machine learning technieken. Reyntjens: ‘Naarmate bedrijven op een hoger niveau komen, is er een toename te zien van de hoeveelheid data die ze gebruiken om fouten te voorspellen. Niveau vier gaat om het toepassen van de kracht van machine learning technieken om duidelijke patronen in grote hoeveelheden data te identificeren en nieuwe, praktische inzichten te genereren om de betrouwbaarheid van assets te verbeteren.’

Merendeel op niveau 2

Uit het onderzoek blijkt dat tweederde van de respondenten nog steeds op volwassenheidsniveau een of twee zit. Slechts elf procent heeft niveau vier al bereikt. De data die de respondenten gebruiken om aan voorspellend onderhoud doen, komen van de onderhoudshistorie (73%), het gebruik van de assets (72%) en de conditie van de assets (71%) en worden in de meeste gevallen (67% ) verzameld en verwerkt met MS Excel en MS Access. In 79 procent van de gevallen is de technicus betrokken bij het onderhoud en slechts in 8 procent van de gevallen is een data-analist of specialist betrokken. Deze cijfers wijzen op niveau twee van volwassenheid. Ingrediënten voor niveau vier zijn environmental datastatistical software en data scientist,  aldus het rapport.

Waarom is voorspellend onderhoud zo belangrijk?

De wil om een niveau hoger te komen, is er zeker. De respondenten zijn erg ambitieus om hun niveau in voorspellend onderhoud te verbeteren. Ongeveer één op de drie bedrijven verwacht binnen een periode van vijf jaar voorspellend onderhoud in een of andere vorm te gebruiken, op voorwaarde dat ze het succesvol kunnen implementeren. Het verbeteren van de uptime is voor de deelnemers aan het onderzoek één van de belangrijkste redenen (47%), gevolgd door kostenreductie (17%) en levensduurverlenging van de assets (16%). Andere beweegredenen die in mindere mate een rol spelen zijn een verlaging van HSE-risico’s, een hogere klanttevredenheid, een nieuw productontwerp en nieuwe inkomsten, komt naar voren in het onderzoek.

Wat is nodig voor een succesvolle implementatie ?

Om het hoogste niveau van onderhoud te realiseren, zijn er twee aspecten van groot belang: de technologie en de organisatie. ‘De funderingen moeten goed zijn’, zegt Reyntjens. ‘Binnen het bedrijf moeten machines geschikt zijn voor Internet of Things en er moet een organisatie aanwezig zijn die continu met maintenance bezig is. Dit lijkt logisch, maar nog niet ieder bedrijf heeft deze structuur. Daarnaast moet het bedrijf beseffen dat het implementeren van PdM 4.0 een impact heeft op het hele bedrijf. Daarom is het van belang om klein en stapsgewijs te beginnen.’ PwC en Mainnovation hebben een plan met zeven stappen opgesteld om PdM 4.0 te implementeren.

Stap 1: Het rangschikken van de assets en een haalbaarheidsstudie

De belangrijkste stap om mee te beginnen, is het bepalen van de assets waarvoor het de moeite waard is én haalbaar is om predictief onderhoud op toe te passen om de betrouwbaarheid van de assets te vergroten. Alleen belangrijke en cruciale assets – waarvan data is te verkrijgen – zijn in principe geschikt om deze vorm van onderhoud op toe te passen en de nodige investeringen te kunnen verantwoorden. Deze selectie draagt bij aan het bouwen van een eerste positieve business case die deel zou moeten uitmaken van de haalbaarheidsstudie.  ‘Erg belangrijk is dat je eerste project meteen een succes wordt om iedereen te motiveren en dat er een enorme leercurve in zit. Eventueel kan nog een tweede pilot worden opgesteld voor het verder wordt uitgerold. Wel moet uiteraard aan het einde van de rit, wanneer het volledige business plan is uitgerold, een positieve balans worden opgemaakt’, zegt Reyntjes. ‘Je moet eerst bepalen wat wilt je gaan doen. Wat is de pilot die je gaat opzetten om een aantal dingen te leren? Welke data zijn er en hoe kunnen we die verwerken? Waar zit onze kracht en hoe kunnen we meteen een succes boeken? Het gaat tenslotte om het begin van een groot verandertraject. In de pilot-fase is het terugverdienen van de gemaakte investering niet het allerbelangrijkste.’

Stap 2: Houd het beheersbaar

Bij de selectie is het van belang om het project goed te kunnen blijven overzien. Probeer niet alle machines of de volledige fabriek meteen aan te pakken, luidt het advies van PwC en Mainnovation: Selecteer de machines die kunnen worden aangepakt in een pilotproject en zie het als een leerproces waaruit de noodzakelijke lessen moeten worden getrokken voor een verdere uitrol per type assets of machines. Reyntjens: ‘Big data is over het algemeen erg ongestructureerd. Er kan data komen van meerdere machines binnen het bedrijf. Er kunnen op weinig of veel plekken metingen worden uitgevoerd en mogelijk kunnen ook gegevens van buiten het bedrijf worden gebruikt. Hoe meer gegevens beschikbaar zijn, hoe exacter het beeld van de status van machines, hoe groter het leereffect en hoe sneller kennis kan worden opgebouwd. Echter, niet alle meetpunten zijn cruciaal om de doelen die je voor ogen hebt te bereiken. Ook zijn niet alle machines voorbereid of geschikt om data te verzamelen. En wanneer data van machines buiten het bedrijf worden gebruikt, speelt ook het veiligheidsaspect een rol. Om het overzicht te bewaren is het belangrijk om, zeker in het begin, data van cruciale meetpunten te gebruiken en het niet al te complex te maken om het overzicht te bewaren.’

Stap 3: Betrouwbaarheid

Een derde stap is het controleren van de betrouwbaarheid. Het rapport: Gebruik een Root Cause Analysis (RCA) en een Failure Mode Effects Analysis (FMEA) per asset om de juiste richting te bepalen. Welke data heb je nodig om oorzaken en storingen te monitoren? Welke data uit sensoren en welke externe data zijn nodig? Hoe zijn de verschillende oorzaken en gevolgen met elkaar verbonden?

Stap 4: Ontwerp van een algoritme

Stap vier is de kunst van data-analyse. Het kiezen van een algoritme is volgens het rapport de belangrijkste factor bij het bepalen van de kwaliteit van de voorspellingen. Het kan relatief eenvoudig zijn om het beste algoritme te ontwerpen als je al een geschikt model voor betrouwbaarheid van de assets hebt gemaakt in de vorige stap. Het is ook mogelijk vereist om een aantal  data-analisten in te schakelen om een zelflerend algoritme te bouwen dat in staat is om betekenisvolle inzichten uit de verzameling van data te halen. Reyntjens hierover: ‘Stap vier is een lastige stap. Betrouwbare data verzamelen en meten is belangrijk, maar hoe bepaal je welke algoritmes moeten worden gebruikt? Hoe zet je kunstmatige intelligentie of zelflerende machines in? Op welke manier kunnen leereffecten worden doorgevoerd? In de pilot zal het niet heel eenvoudig zijn om te bepalen wanneer en hoe je de beschikbare tools maximaal kunt benutten. Het is daarom aan te bevelen om een data-analist onder de arm te nemen en cross-functioneel te gaan werken. Experts op het gebied van onderhoud en reliability engineers moeten samenwerken met data-analisten en managers die een goed overzicht hebben van de processen in het algemeen. Inzichten van ingenieurs over hoe en waarom machines falen zouden moeten worden vergeleken en afgestemd met inzichten die data-analisten uit de data halen. Een cross-functionele interactie is de sleutel tot het succesvol toepassen van data-analyse in onderhoud en asset management.’

Stap 5: Real-time monitoren van prestaties

Dit is het moment dat het model live gaat. Het algoritme verwerkt gegevens uit verschillende bronnen zoals sensoren uit machines, de onderhouds- en faalhistorie van de machines en/of externe data, zodat kan worden waargenomen en gevisualiseerd wat de prestaties zijn in real-time.

Stap 6: Voorspelling van storingen (vroegtijdige waarschuwing)

Het algoritme zal beginnen met het voorspellen van toekomstige storingen. Hiernaar handelen – door het daadwerkelijk stilzetten van een ogenschijnlijk perfect draaiende machine – vraagt zeker in de beginfase om een grote stap in vertrouwen in de data, zeker wanneer je als management of onderhoudsteam weinig ervaring of affiniteit hebt met data-analyse. Is er weinig vertrouwen, zo geeft het rapport aan, dan zou je PdM 4.0 parallel kunnen laten lopen met bestaande onderhoudsprocedures op een andere machine van hetzelfde type waarop geen onderhoud wordt gepleegd, gebaseerd op voorspellingen. Dit kan bijdragen aan het verder opbouwen van vertrouwen in voorspellingen.

Stap 7: Voorschrijvende taken

Op het hoogste niveau van voorspellend onderhoud, voorspelt het algoritme niet alleen wanneer een storing wellicht zal optreden, maar het stelt ook een verzameling van standaard onderhoudstaken samen die voorschrijven wat de beste te nemen acties of werkzaamheden zijn om dergelijke storingen te voorkomen. ‘Stap voor stap wordt PdM 4.0 geïmplementeerd en zal het systeem aangeven wanneer welke onderhoudstaken moeten worden uitgevoerd. Het kan daarbij ook voorkomen dat de suggesties voor het onderhoudsteam niet altijd de meest logische tijdstippen of werkzaamheden lijken. Daarom is het van belang het gehele proces vanaf het begin goed te documenteren om de redeneringen te kunnen blijven volgen. Voorspellend onderhoud waarbij gebruik wordt gemaakt van kunstmatige intelligentie mag geen black box worden.  Op het moment dat er zich een probleem of vreemde situatie voordoet, moet je kunnen teruggrijpen naar een vorige situatie en moet je kunnen nagaan welke stappen er zijn gebeurd die leiden tot de nieuwe situatie. Tot op een bepaalde manier op de hoogte blijven van het model en de werkwijze en daarnaast voldoende vertrouwen hebben in de algoritmes zijn belangrijke voorwaarden voor succes.’

Organisatie

Naast de technische implementatie is ook een organisatorische ondersteuning erg belangrijk. Sterke projectmanagement vaardigheden zijn nodig om zowel op korte als op de langere termijn de vruchten te kunnen plukken. ‘Bedrijven moeten een structuur ontwikkelen die voldoende ondersteuning biedt om het te doen slagen’, zegt Reyntjens.‘PdM 4.0 kan niet in volledig isolement worden geïmplementeerd,  maar moet zijn ingebed in een algemene digitale strategie die volledig wordt gedragen en ondersteund door het topmanagement. Niet alleen omdat het een behoorlijke investering vergt. In het begin zijn er mogelijk nog geen harde data die een positieve business case bewijzen. Maar om dingen aan het rollen te krijgen is een sterke visie van het topmanagement die de kracht van nieuwe digitale technieken begrijpt, onontbeerlijk.’ Dit is mogelijk met een robuuste digitale cultuur. Reyntjens: ‘Dit betekent het creëren van een cultuur die toelaat om te experimenteren met nieuwe technieken en werkmethoden, een cultuur die cross-functioneel werken stimuleert waarbij men zich comfortabel voelt bij het nemen van data-gedreven beslissingen, zelfs als dit onnatuurlijk aanvoelt of niet strookt met werkmethodes uit het verleden. Zo’n digitale cultuur kan alleen ontstaan als er vanuit de top volledige toewijding of ondersteuning is.’


Randvoorwaarden

Om Predictive Maintenance 4.0 (PdM 4.0) te kunnen implementeren, zijn een aantal randvoorwaarden van belang. Zo moet er een big data infrastructuur aanwezig zijn die elke opeenvolgende stap ondersteunt. Bedrijven moeten overwegen welke data zij willen verzamelen van zowel externe als interne bronnen en op welke manier ze deze data willen verzamelen (bijvoorbeeld via de cloud of intern). Toegang tot de data is belangrijk en kan implicaties hebben op de snelheid, betrouwbaarheid en bandbreedte van het communicatienetwerk.

Daarnaast is ook een Internet of Things infrastructuur vereist, wat betekent dat de assetsen het (onderhouds) data center draadloos met elkaar moeten zijn verbonden. Het maakt het verzamelen en distribueren van sensordata mogelijk. De juiste IoT-infrastructuur voor het bedrijf opzetten, impliceert het kiezen voor een geschikt protocol, draadloze verbindingen, data-encryptie en een bepaald veiligheidsniveau. Ook de keuze van het data-analyseplatform is een belangrijke beslissing voor het bedrijf, om te komen tot een geïntegreerde oplossing. Niet alle bestaande ERP-systemen zijn bijvoorbeeld geschikt om geavanceerde datatrends, analyses en algoritmes uit te voeren.

Een derde randvoorwaarde is het installeren van feedback loops. Dit is niet alleen een technische aangelegenheid. Het is een essentiële stap om het model op één lijn te houden met de business doelen. Het algoritme dat aan de basis ligt van PdM 4.0 kan zelflerend zijn, wat betekent dat zijn voorspellend vermogen geleidelijk aan zal toenemen, wanneer meer data worden gebruikt. Echter, als het model is geoptimaliseerd, moeten ook lessen worden getrokken over de algemene aanpak. Het algoritme kan mogelijk nieuwe storingen aan het licht brengen of nieuwe inzichten verschaffen in de betrouwbaarheid van de assets. Misschien is het nodig om de business case voor een bepaald type assets opnieuw te evalueren. Het kan duurder zijn of minder rendement opleveren dan aanvankelijk gedacht. Of het belang van de asset kan in de loop van de tijd veranderen waardoor een nieuwe haalbaarheidsstudie noodzakelijk is.

Bron: rapport Predictive Maintenance 4.0, Predict the unpredictable