De mogelijkheden van predictive maintenance

Share this post:

Nog gerichter voorspellen wanneer assets onderhouden moeten worden? IBM heeft zijn Enterprise Asset Management-platform Maximo Application Suite (MAS) uitgebreid met functionaliteit om de klant te helpen in hun ´Journey to Predict´. Hoe werkt deze functionaliteit en wat kan je daarmee?

Predictive maintenance voorspelt wanneer een asset waarschijnlijk uitvalt en dus wanneer onderhoud nodig is, aan welk onderdeel. Damiaan Zwietering, IBM Developer Advocate and Datascientist, beschrijft een aanpak voor en de mogelijkheden van predictive maintenance voor uiteenlopende assets. Want een asset kan van alles zijn, van een productielijn tot een windmolen en zelfs een stad of een patiënt. Ronald Teijken, Business Partner Manager Benelux voor IBM MAS, vertelt hoe predictive maintenance in IBM MAS werkt en wat de meerwaarde is van dergelijke functionaliteit als onderdeel van een uitgebreide applicatiesuite.

Optimalisatievraagstuk

“Predictive maintenance is in de basis een optimalisatievraagstuk. Eerst moet je je afvragen: wat wil ik optimaliseren?”, zegt Damiaan Zwietering. “Bij regulier onderhoud wordt een asset periodiek onderhouden, ook wanneer dat eigenlijk niet nodig is. Dat is inefficiënt. Aan de andere kant kan je een run to failure-aanpak aanhouden; je wacht tot een asset kapotgaat. Maar dan kunnen processen stil komen te liggen wat ook weer kostbaar is. Daarom optimaliseert predictive maintenance meestal de uptime. Maar je kunt er ook voor kiezen de onderhoudskosten of output te optimaliseren.” Hoe meer data, hoe optimaler predictive maintenance wordt. Zwietering: “Na verloop van tijd vergaar je steeds meer data over je assets en jouw predictive maintenance-oplossing berekent een gemiddelde levensduur. “Maar dan valt de ene machine opeens eerder uit dan gemiddeld en een andere juist later. Waar ligt dat aan? Vervolgens ga je op zoek naar de verschillen tussen assets. Misschien is bij een van de assets de omgeving koeler of voeren verschillende engineers onderhoudswerkzaamheden uit?” Door steeds meer data over verschillende beïnvloedingsfactoren te gebruiken, wordt predictive maintenance steeds beter. “Je kunt aan meer verschillende knoppen draaien, meten wat het resultaat is en op basis daarvan onderhoud optimaliseren.”

Extra data

Meestal gaat predictive maintenance uit van de asset zelf: hoe oud is een asset, hoe vaak wordt deze gebruikt en wanneer heeft het laatste onderhoud plaatsgevonden? “Maar er zijn veel meer factoren bepalend voor de levensduur, zoals de omgevingstemperatuur of luchtvochtigheid.” zegt Ronald Teijken. IBM MAS kan alle mogelijke factoren meenemen in predictive maintenance. “Dus in plaats van alleen te meten of bijvoorbeeld een machine aan of uit staat, kan je nu extra data meenemen in je onderhoudsbeslissing. Denk aan informatie van een thermometer of trillingsensor, maar ook externe data zoals de weersverwachting. Zo baseer je een voorspelling op een completere dataset, wordt de uitkomst nauwkeuriger en kan je deze beter interpreteren.” “De predictive maintenance-functionaliteit in MAS is onderdeel van een uitgebreide applicatiesuite. Dat betekent dat je onderhoud kunt baseren op een gigantische hoeveelheid data die afkomstig is van alle IBM MAS-applicaties”, legt Teijken uit. Al deze data is beschikbaar via een centraal platform. “Je kunt predictive maintenance toepassen op alle gekoppelde MAS-applicaties en de werkprocessen, systemen en apparaten die daaraan verbonden zijn.” Daarnaast biedt IBM MAS een uitstekende performance en AI-functionaliteit waardoor predictive maintenance-data sneller, diepgaander geanalyseerd kan worden. Deep learning-functionaliteit maakt de oplossing zelflerend, waardoor asset management vanzelf steeds beter wordt.

Kennis borgen

“Bouw predictive maintenance stap voor stap op”, adviseert Zwietering. “Wanneer je alle data in een keer in IBM MAS invoert, komt er waarschijnlijk een complex model uit. Met honderden variabelen die allemaal invloed op elkaar hebben. Dat is voor engineers niet meer te begrijpen. Grote kans dat ze er dan ook niet graag mee werken.” Het stapsgewijs toevoegen van nieuwe variabelen heeft nog een voordeel. “Als een ervaren engineer op deze manier een predictive maintenance-oplossing uitbouwt, borg je ook zijn kennis in de organisatie. Hij weet bijvoorbeeld dat een bepaald geluid erop wijst dat een onderdeel aan vervanging toe is. Met een microfoon als sensor en AI-toepassing die het geluid analyseert, kan je zijn expertise voorgoed vastleggen. Dus als hij vertrekt, blijft deze kennis behouden.”

De predictive maintenance-oplossing in IBM MAS is zelflerend. “Zo creëer je een feedbackloop die ervaren engineers normaal gesproken zelf uitvoeren. Vervangen ze bijvoorbeeld een tandwiel dat eerder een storingsoorzaak was en valt een machine toch uit? Dan legt IBM MAS dit vast en neemt het mee bij het volgende onderhoudsadvies. Ook zo wordt kennis geborgd.

Predictive maintenance is toepasbaar op uiteenlopende assets. “Je kunt ongeveer alles als asset beschouwen: een brug, de footprint van een bedrijf, een potentiele patiënt, de luchtvervuiling in een stad of coronasituatie in een land. Zo heeft Zwietering vanaf de eerste Corona-uitbraak infectiedata ondergebracht in een predictive model, met de bevolking van een land als asset. In ons volgende blog over predictive maintenance gaan we daar uitgebreider op in.

Meer weten over de mogelijkheden van de “Journey to Predict”?
Schrijf je nu in voor de live online talk en panel discussie met Waternet en Damen Shipyards op Think Summit Nederland, 4 November 2021 >