Print:

Aan de slag met Predictive Maintenance: dit moet u weten

Jaime Donata, Journalist

LinkedIn profiel

Bedrijven passen steeds vaker predictive maintenance toe. Niet alleen om te besparen op reactief onderhoud. Maar ook om een andere mindset te creëeren in het management van assets. Twee experts in predictive maintenance, tevens docenten van de 3-daagse training Data Analytics voor Predictive Maintenance van IIR, Hans Minnaard en Jules Oudmans, delen trends die zij zien en de positie van de onderhoudsmanager daarin.

Data analytics voor predictive maintenance | IIR

 

De digitalisering is hier om te blijven. Zeker binnen de industriesector waar efficiënt werken steeds belangrijker wordt. Een onverwachte storing of breakdown kan al snel tot miljoenenschade leiden en dus is het aantrekkelijk om assets optimaal te laten functioneren, zowel op operatief als economisch vlak. Daarom proberen steeds meer bedrijven hun assets en onderhoud slim aan te sturen met big data en artificial intelligence. En dat kan. Maar het betekent wel dat onderhoudsprofessionals voldoende kennis in huis moeten hebben over de nieuwste monitorings- technieken, de IT-structuren die nodig zijn voor data-opslag en een basiskennis van wat data is en hoe deze slim kan worden gebruikt.

Nieuwe businessmodellen: big data, slimme meettechnieken en AI

Maar hoe ziet de toekomst er nu in het echt uit? Hans Minnaard, principal consultant bij Stork Asset Management Solutions ziet veel verschuiven in het vak: “Het gaat momenteel heel hard met big data, slimme meettechnieken en AI. Er worden ook steeds complexere softwareplatforms ontwikkeld waarin data opgeslagen en geanalyseerd wordt. Tel daarbij op de doorbraak van de cloud, het Internet of Things en de opkomst van steeds slimmere sensoren. De laatste twee jaar zijn er ook veel start-ups bijgekomen die high end sensoriek-netwerken bouwen. De drempel om hiermee aan de slag te gaan is laag.”

Ook Jules Oudmans (één van de) oprichter(s) van UReason, ziet in zijn werkveld steeds meer versnelling optreden: zowel in techniek als in nieuwe businessmodellen: “UReason is een leverancier van software en -diensten waarmee bedrijven gemakkelijk intelligente applicaties kunnen bouwen, die complexe en grote hoeveelheden real-time data inzichtelijk maken. Daarom komen wij veel in aanraking met bedrijven die iets willen met predictive maintenance: asset-owners, onderhoudsdiensten, maar ook manufacturers die hun assets steeds vaker ‘As-A-Service’ aanbieden met prestatie gebonden onderhoudscontracten en ook de beschikking willen hebben over data.

“Mensen kunnen niet meer in hun eigen silo’s blijven werken met predictive maintenance en AI, anders blijft het gerommel in de marge. Reliability en maintenance engineers krijgen een andere rol.”

Kwalitatieve data en data security

Het inzetten van nieuwe technieken voor voorspelbaar onderhoud biedt veel voordelen, maar brengt ook weer een groot aantal nieuwe uitdagingen met zich mee. Volgens Oudmans loopt iedere organisatie tegen specifieke valkuilen aan bij het toepassen van predictive maintenance. De grootste algemene uitdaging die hij ziet is het beschikbaar krijgen van goede kwalitatieve data van de assets:  “Welke data-sets kies je voor je predictive maintenance programma en waarom? Die vraag begint trouwens ook bij het kiezen van juiste assets: welke data ga je waar meten? Meestal wordt gekozen voor assets die een hoge downtime met zich meebrengen met veel economische schade – en die als het goed is al een lage faal frequentie hebben.”

Maar de implementatie van predictive maintenance kent vele facetten. Minnaard: “Natuurlijk is er ook de softwarekant. Als je bezig bent met predictive maintenance dan begin je met het verzamelen,  opslaan en koppelen van grote hoeveelheden data. Gevoelige data. Datasecurity is en wordt daarbij een steeds serieuzer issue. Zeker nu steeds meer technieken clouddriven worden. Bedrijven willen veel weten, maar niet dat anderen erbij kunnen. De ontwikkelingen hier gaan snel en ik denk dat IBM en Microsoft de slag in cloudsecurity gaan winnen, gewoon op schaalgrootte. Ook ERP en SAP zijn al langer bezig in de cloud.”

Strijd om data ownership

Minnaard ziet door de opkomst van big data en AI een nieuwe ‘data ownership’ dynamiek binnen de wereld van assets en onderhoud: “Fabrikanten van equipment – Original Equipment Manufacturers (OEMs) – bouwen steeds vaker zelf slimme meettechnieken in de pompen en kleppen die zij zelf leveren. Ze lijven daarbij innovatieve start-ups in om bij te blijven in de nieuwste sensortechnieken en monitoren zo hun eigen assets. Tegelijkertijd worden ze daarmee vaak ook eigenaar van die data, wat weer een hele nieuwe dynamiek oplevert tussen de plant-owner, de assetleverancier en de onderhoudsdienst. Wil je iets met predictive maintenance, wees je er dan bewust van dat data zelf ook steeds meer een asset wordt, althans zo zie ik het.”

Bij dit vraagstuk waar technische bedrijfsdata blijft, van wie hij is – en wat er mee wordt gedaan – schuiven ook steeds meer domeinen in elkaar. Besturings- en procescontrolsystemen zoals die van Siemens, Emerson en ABB gebruiken de platforms van Microsoft. Maar ook asset-owners, onderhoudsdiensten en de OEMs moeten onderling afspraken maken over wie aan de slag mag met welke data. Minnaard: “Hiermee verschuiven ook de business modellen. Met Stork zoeken wij naar de rol van integrator in deze dynamiek, omdat wij alle equipment overzien en overzicht kunnen bieden in de data van verschillende leveranciers. Maar wij helpen de onderhoudsmanager die het zelf wil doen ook graag op weg.”

Wat de onderhoudsmanager moet weten

Wat moet de onderhoudsmanager weten in deze dynamiek? Hoe begin je? Wat zijn de beste keuzes als het gaat om softwarepakketten en sensoren? Wil je predictive maintenance direct overal toepassen of eerst een paar proof of concepts op een klein deel van de installatie? Welke stappen maak je zodra je jouw predictive maintenance roll-out wil upscalen en hoe beperk je de kosten (al dan niet met een cloud-oplossing)? Minnaard: “Feit is dat in Nederland veel fabrieken een aantal jaren oud zijn en dat de technologie verschillende generaties heeft. Data is hierdoor vaak minder direct beschikbaar maar soms wordt de aanwezige sensoriek ook niet optimaal gebruikt.  ”Wat betekent dit voor de onderhoudsmanager die aan de slag wil met predictive maintenance? Oudmans: “De moderne onderhoudsspecialist en onderhoudsmanager van de toekomst moet zich de IT-structuren en technieken die nodig zijn om PdM programma’s succesvol uit te rollen, eigen gaan maken. Omdat de  startsituatie in iedere organisatie anders is, wordt in onze training heel pragmatisch een eigen casus uitgewerkt voor een PdM programma. Daarnaast wordt een introductie gegeven in predictive analytics en praktische analysetechnieken die toepasbaar zijn op de data van de assets.”

Mindset organisatie

De organisatie – en hoe deze gewend is om te werken – vormt soms een belemmering op de weg naar predictive maintenance. Wil je toe naar een systeem waarin je continu informatie krijgt over de gezondheid van je assets , dan moeten je medewerkers ook wennen aan een andere besturing van je assets. Minnaard: “Onderhoudsprofessionals kunnen niet meer in hun eigen silo’s blijven werken wanneer je aan de slag gaat met predictive maintenance en AI, anders blijft het gerommel in de marge. Reliability en maintenance engineers krijgen dus ook een andere rol. Hun vak gaat meer opschuiven naar data-analyse, het toepassen van data in werkende modellen. Ze moeten minimaal iets begrijpen van data engineering en de basistechnieken zelf ook een beetje kunnen toepassen.”

De voornaamste redenen voor bedrijven om aan de slag te willen met predictive maintenance programma’s zijn: het reduceren van ongeplande stilstand en reparatietijd en het verlengen van de levensduur van verouderde assets. Maar big data, AI en predictive maintenance zijn geen wondermiddelen. Een goede voorbereiding is nodig om niet vast te lopen in de veelheid aan factoren en keuzes. Oudmans: “Kostenbesparing is vaak een helder te kwantificeren doelstelling, maar het is wel nodig om goed te weten welke zaken je gaat tegenkomen in het proces. Na de  training Data Analytics voor Predictive Maintenance van IIR weet je precies of je organisatie eraan toe is en wat de stappen zijn die gemaakt moeten worden voor een succesvolle uitrol van predictive maintenance.”

Data Analytics voor Predictive Maintenance | IIR

Meer informatie?

Laat uw e-mail achter en ontvang de brochure direct in uw mailbox.

Wij gebruiken cookies om IIR.nl gemakkelijk te maken. Bezoekt u onze website, dan gaat u akkoord met deze cookies meer informatie

De cookie-instellingen op deze website zijn ingesteld op 'toestaan cookies "om u de beste surfervaring mogelijk. Als u doorgaat met deze website te gebruiken zonder het wijzigen van uw cookie-instellingen of u klikt op "Accepteren" hieronder dan bent u akkoord met deze instellingen.

Sluiten