Wil jij predictive maintenance voor je laten werken, maar je weet niet goed waar te beginnen om voorspellend onderhoud in te voeren of te optimaliseren? Laat je inspireren door deze artikelen.
Wil je aan de slag met voorspellend onderhoud? Dan heb je big data nodig. Bij predictive maintenance geldt: meten = weten. Dus moeten productielijnen voorzien zijn van sensoren die gegevens verzamelen over de werking van de machines. Daarna kun je uit de verzamelde data aan trending doen, maar daarvoor zijn heel veel gegevens nodig. Met online metingen en historische data kun je daarna voorspellen hoe lang je machines en onderdelen meegaan, en wanneer je moet ingrijpen, voordat je assets gaan haperen of falen.
Door assetgedrag en faalmechanismen te koppelen in algoritmes kun je voorspellen wanneer een machine onderhoud nodig heeft. Bilfinger (vroeger Stork Asset Management Technology) heeft hiervoor een 6-stapsmodel ontwikkeld waarmee bedrijven predictive maintenance kunnen invoeren. De zes stappen zijn:
Identificeren
Data selecteren
Modelleren
Businesscase bepalen
Invoeren
Verbeteren
Het ontwikkelen van effectieve algoritmen voor voorspellend onderhoud kost weliswaar tijd en geld, maar de totale voordelen wegen ruimschoots op tegen de initiële investering.
Wil je voorspellend onderhoud serieus aanpakken, dan moet je ook je langzaam draaiende lagers monitoren. Ze falen zelden, maar als het misgaat, zijn de gevolgen groot: lange stilstand, hoge kosten en forse productieverliezen. Traditionele technieken zoals trillingsanalyse en thermografie schieten tekort bij lage toerentallen. Ultrasone monitoring biedt wél uitkomst.
Met ultrasoon geluid kun je afwijkingen in lagerwrijving vroegtijdig herkennen, zelfs bij zeer lage snelheden. Door geluidsniveaus vast te leggen, op te slaan en te analyseren, krijg je betrouwbare data. Door ultrasoon monitoring structureel toe te passen, voorkom je onverwachte uitval en maak je je predictive maintenance-programma een stuk robuuster.
Het project Fieldlab Campione heeft laten zien dat onderhoud écht voorspelbaar kan worden. Door sensoren, data-analyse en praktijkexperimenten weet je steeds beter wat de conditie van je machines is, zodat je onderhoud precies op tijd plant: niet te vroeg en niet te laat. Wat begon met scepsis in de procesindustrie, groeide via een centrale testlocatie en Living Labs uit tot bewezen praktijk bij grote bedrijven.
De sleutel? Technologie combineren met de kennis van ervaren mensen. Die kennis is nu ook beschikbaar voor het mkb. Je profiteert zo van hogere productiviteit, betere beschikbaarheid en meer veiligheid, tegen lagere kosten.
