Voorspellend onderhoud invoeren in 6 stappen

icon.highlightedarticle.dark Automatisering
41 bekeken Laatste wijziging: 22 augustus 2024
Voorspellend onderhoud optimaliseert de uptime van een machine
Voorspellend onderhoud optimaliseert de uptime van een machine | Foto: Bilfinger / Stork Asset Management Technology

Hoe voer je voorspellend onderhoud in? Volg het 6-staps model van Bilfinger (voorheen Stork Asset Management Technology) om predictive maintenance in te voeren.

Om voorspellend onderhoud in te kunnen voeren heb je big data nodig. Productielijnen moeten voorzien zijn van sensoren, die gegevens verzamelen over de werking van de machines.

De verzamelde data moeten gedurende lange tijd bewaard worden om er een trend uit te kunnen halen. Historische data zijn nodig om de restlevensduur van machines (assets) te voorspellen en tekenen van verval en uiteindelijk faalvormen te registreren.

Door assetgedrag en faalmechanismen te koppelen in algoritmes kun je voorspellen wanneer een machine onderhoud nodig heeft.

6-staps model
6-staps model | foto: Bilfinger / Stork Asset Management Technology
tk1

Dit is het 6-stapsmodel

Stork heeft een 6-stapsmodel ontwikkeld waarmee bedrijven predictive maintenance kunnen invoeren. De stappen zijn:

  1. Identificeren
  2. Data selecteren
  3. Modelleren
  4. Business case bepalen
  5. Invoeren
  6. Verbeteren

Stap 1: Identificeren

Stap 1 bestaat uit het in kaart brengen van:

  • de productiemiddelen
  • hun conditie
  • wat er mis kan gaan
  • welke gevolgen dit heeft
  • ook financieel

Je focust op het begrijpen van de werking van de machine en de manieren waarop die kan falen. Storingsgegevens zijn te vinden in het Computerized Maintenance Management System (CMMS-systeem) en procesgegevens in de handboeken van de fabrikanten.

Belangrijk is om dit voor elke machine zorgvuldig en compleet te doen. Zo krijg je goed zicht op de meest voorkomende faalmechanismes en de impact daarvan op het productieproces.

Figuur 1: "De kans op storing wordt groter naarmate de tijd vordert; bepaalde meetgegevens laten zien dat een storing op handen is"
Figuur 1: "De kans op storing wordt groter naarmate de tijd vordert; bepaalde meetgegevens laten zien dat een storing op handen is"

Kans op storing

De probability-failure-curve in figuur 1 laat zien dat de kans op storing groter wordt naarmate de tijd verstrijkt en welke signalen daarbij horen.

Aan het begin van de levensduur (t=0) functioneert een machine prima, maar dat wordt gaandeweg minder door gebruik, veroudering, slijtage en omgevingsfactoren. In de figuur zie je ook welke (categorieën) afwijkingen je na verloop van tijd kunt verwachten.

Trillingsmetingen en olieanalyse kunnen gegevens opleveren die wijzen op minder goed functioneren. Vervolgens zal een machine gaan warmlopen.

Daarmee weet je nog niet wanneer de machine er helemaal mee ophoudt, maar je kunt op basis van de gemeten waarden wel besluiten eerder in te grijpen, voordat er een echte storing optreedt.

“Categorisering (labeling) van gegevens is een belangrijke randvoorwaarde voor predictief onderhoud”
tk2

Stap 2: Data verzamelen en selecteren

Stap 2 is het selecteren van historische gegevens die data of patronen bevatten die ingedeeld kunnen worden als ‘functioneert goed’ of ‘functioneert slecht’.

Omdat algoritmen alleen patronen kunnen leren die al in de gegevens aanwezig zijn, moet de dataset groot genoeg zijn om patronen te bevatten, maar ook weer niet té groot, want de patronen moeten wel vrij snel te herkennen zijn.

Vaak zijn de datasets opgeslagen in verschillende databases die eerst geïntegreerd moeten worden. De kwaliteit van de gegevens is ook belangrijk. Gegevens moeten voorzien zijn van een tijdstempel en apparaat-identificaties.

Immers, om gegevens van verschillende sensoren te kunnen combineren voor één voorspelling, moeten de data van die sensoren dezelfde tijdstempel hebben. Ontbrekende gegevens kunnen worden geïnterpoleerd (ontbrekende waarden tussen andere waarden worden geschat). En ruisgegevens worden verwijderd.

Voorspellend onderhoud: Alleen onderhoud plegen als uit de meetgegevens blijkt dat het nodig is
Voorspellend onderhoud: Alleen onderhoud plegen als uit de meetgegevens blijkt dat het nodig is
tk3

Stap 3: Modelleren

In de 3e stap – modellering – haal je patronen uit de gegevens. Je gebruikt algoritmes om een model te ontwikkelen dat het patroon beschrijft. Voor voorspellend onderhoud werken classificatie- en clusteringsalgoritmes het best.

Hiermee kun je historische gegevens (asset-gedrag) indelen in bepaalde categorieën of clusters. Een combinatie van een hoger dan normale temperatuur en een licht gestegen trillingsmeting levert dan bijvoorbeeld een bepaald label op.

Dit categoriseren of labelen van gegevens vormt de basis voor predictief onderhoud. Voor elke aparte combinatie van machine en faalmechanisme worden labels gedefinieerd.

Dat kunnen binaire labels zijn (goed of slecht functioneren) of een glijdende schaal (resterende levensduur 30 dagen, 29 dagen, etc.).

“Voorspellend onderhoud is gericht op de conditie van de machine en op de vraag wanneer onderhoud nodig is”

Welke algoritmen kun je gebruiken?

Algoritmen die voor classificatie kunnen worden gebruikt zijn bijvoorbeeld (lineaire):

  • Support Vector Machine
  • Naïve Bayes
  • KNeighbors
  • logistic regressie

Voor clustering zijn dit:

  • KMean
  • MeanShift
  • SpectralCLustering

Welke algoritmen de beste fit opleveren, hangt af van de grootte van de steekproef, het soort gegevens (gelabeld, hoeveelheid of tekstgegevens) en diepgaande kennis van de faalmechanismen van de machine.

Deze stap gaat vaak gepaard met ‘traditionele’ statistische analyse, het visualiseren van data en de simulatie van historische gegevens (ontwikkeling van een demoversie).

tk4

Stap 4: Businesscase

Stap 4 bestaat uit het ontwikkelen van een businesscase om de voordelen van voorspellend onderhoud hard te maken. De kosten van het schrijven van een algoritme en van realtime-monitoring worden afgezet tegen de financiële baten.

Hier zitten de voordelen in;

  • het voorkomen van downtime
  • het verminderen van downtime
  • het optimaliseren van periodiek onderhoud

Andere pluspunten zijn het opbouwen en doorgeven van kennis, verlenging van de levensduur van machines, en arbo- en milieuverbeteringen. Deze laatste voordelen zijn vaak moeilijker uit te drukken in cijfers en geld.

tk5

Stap 5: Invoeren

Stap 5 is de implementatiefase. Als blijkt dat de baten van voorspellend onderhoud opwegen tegen de kosten, kan begonnen worden met de invoering. Alles wat in de vorige fasen is uitgezocht, kan nu uitgevoerd worden.

Technisch is dat meestal niet zo moeilijk. De sensoren zijn er, de data worden geregistreerd, de IT-systemen zijn erop voorbereid. Lastiger is dat de organisatie – de mensen – eraan moeten wennen dat onderhoud nu datagestuurd is, en niet meer gebeurt op basis van de kalender of ervaring van de mensen die met de machines werken.

Informatie uit het model wordt gebruikt om de onderhoudsintervallen en werkprocessen aan te passen. Dat betekent dat er vaak ingegrepen wordt op basis van kleine afwijkingen, ver voordat er met het blote oog of oor iets waar te nemen valt.

tk6

Stap 6: Verbeteren

Stap 6 is verbeteren. Dit gaat om het verfijnen en leren van fouten. Geeft het systeem bijvoorbeeld een foutmelding terwijl er in de praktijk niets aan de hand blijkt te zijn, dan moet het systeem aangepast worden, zodat dit gedrag van de machine de volgende keer niet meer aangemerkt wordt als abnormaal en er niet onterecht onderhoud wordt gepleegd.

Ook voeg je nieuwe faalvormen toe, die het systeem niet voorspeld had, maar die je in de praktijk tegenkomt. Het algoritme leert hierdoor bij en daardoor worden de voorspellingen beter, totdat het slim genoeg is om 100% van de storingen correct te voorspellen.

Het ontwikkelen van effectieve algoritmen voor voorspellend onderhoud kost weliswaar tijd en geld, maar de totale voordelen wegen ruimschoots op tegen de initiële investering.

Geschreven door:

Enos Postma, consultancy manager bij Bilfinger

Blijf op de hoogte en mis geen artikel

Inschrijven icon.arrow--dark