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 | foto: Bilfinger / Stork Asset Management Technology
Stork heeft een 6-stapsmodel ontwikkeld waarmee bedrijven predictive maintenance kunnen invoeren. De stappen zijn:
Identificeren
Data selecteren
Modelleren
Business case bepalen
Invoeren
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"
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”
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
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).
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.
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.
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.