Niemand wordt blij van een trein die onverwachts stilvalt. Dit is frustrerend voor iedereen, van reizigers tot medewerkers. Hetzelfde geldt voor machines die opeens kapotgaan en processen en leveringsschema's overhoopgooien. Hoe voorkom je dit?
Predictive maintenance is een toepassing waarbij op basis van actuele en historische data, aankomend falen van componenten wordt voorspeld. Dit is essentieel om te zorgen dat alles, van fabrieksinstallaties tot locomotieven, 24/7 operationeel is met een hoge beschikbaarheid.
Eén van de doelen van predictive maintenance is het realiseren van een effectiever en efficiënter onderhoudsproces met behulp van IoT en Big Data. We zien in fabrieken vaak dat een machine in onderhoud is bij de fabrikant, leverancier of een speciaal onderhoudsbedrijf. Bij treinen zie je dat ook voor aandrijfmotoren of de hele locomotief. Een fabrikant speelt daarbij vaak “op safe”: Uitvoering van onderhoud vindt plaats volgens het schema van de fabrikant – of natuurlijk nadat er storingen of incidenten zijn opgetreden. Met predictive maintenance ga je datagedreven werken om problemen vroegtijdig te signaleren, zodat je ongeplande downtime en aanverwante kosten kunt voorkomen.
Optimalisatie van onderhoud begint met het begrijpen van de context waar een machine in staat, gecombineerd met meetgegevens. Het onderhoudsschema van de fabrikant is vaak niet afgestemd op het totale onderhoudsschema van de fabriek, installatie, de werkelijke gebruiksomstandigheden zoals vuil, stof of warmte. In het geval van locomotieven, vaak ook niet op de conditie van het spoor en de eigenschappen van het traject. Jouw team kent de context het beste: denk bijvoorbeeld aan je procesengineer, operations manager, plant manager of een treinmachinist. Hun waardevolle kennis en ervaring moet je benutten en aanvullen met data.
Meetgegevens kunnen uit de machine of van additionele sensoren komen. Op basis daarvan krijg je een beeld van de real-time operationele status van een machine en ga je historische data opbouwen. De real-time data wordt vaak verwerkt en bekeken door procesengineers die verantwoordelijk zijn voor de hele operatie. Historische data wordt tegenwoordig verzameld in de cloud voor visualisatie en analyses, voor het toevoegen van context en ook om bijvoorbeeld onderhoud- en verbeteralgoritmen te ontwikkelen.
Het omzetten van historische data naar waardevolle informatie is een traject op zich. Daarbij begin je met het begrijpen en visualiseren van de data. Hiernaast bekijk je afwijkingen in de data gecombineerd met bijvoorbeeld incidenten uit de operaties en trendanalyses. De uitkomst daarvan zijn bijvoorbeeld modellen voor het bijsturen van de operatie maar ook het verbeteren van het onderhoudsschema van een machine. Dit gaat met kleine stapjes waarbij je steeds meer waarde uit de data haalt; van regulier onderhoud via condition-based-onderhoud naar preventief onderhoud. Een interessante voorbeeldcase is het realiseren van predictive maintenance voor de locomotieven van onze klanten DB Cargo en SBB, zoals mijn collega Pieter Kal in zijn recente blog liet zien.
Predictive maintenance heb je niet van de ene op de andere dag gerealiseerd. Iedere machine werkt anders. Mijn advies: begin met een design thinking workshop. Daarin zet je samen met een team en onder begeleiding van onze experts, ideeën en gedachten op papier, om te bepalen wat je daadwerkelijke probleem is en wat je wilt verbeteren. Op basis van de uitkomst kun je een Minimum Viable Product (MVP) ontwikkelen om mee te starten en via sprints steeds verder te verbeteren door waarde toe te voegen.
Ben je ook benieuwd naar de mogelijkheden van predictive maintenance? Je bent van harte uitgenodigd om langs te komen in ons innovatiecentrum. Laat je inspireren door onze waterpompdemonstratie, gebaseerd op een klantimplementatie, en vele andere interessante use cases. We kunnen samen ontdekken wat de toepassingsmogelijkheden voor jou zijn.
