Predictive maintenance: onderhouden is vooruitzien

Tijdig diagnosticeren gezondheidstoestand assets loont

Predictive maintenance heeft het in zich de betrouwbaarheid van kapitaalgoederen te vergroten, de onderhoudskosten te verlagen en de uptime van installaties te verhogen, maar is complex en moeilijk realiseerbaar. Binnen het PrimaVera-project is een team van wetenschappers en bedrijven bezig nieuwe big data-algoritmen te ontwikkelen, om daarmee storingen beter te kunnen voorspellen en onderhoud beter te kunnen plannen. Projectleider Marielle Stoelinga heeft het over de problemen die de implementatie van predictive maintenance in de weg staan en de mogelijke oplossingen daarvoor.

Methodiek

Onderhoud van hightech systemen is cruciaal. Dat geldt zowel voor de betrouwbaarheid, de beschikbaarheid en de kosteneffectiviteit van een installatie als voor de veiligheid van de betrokkenen en hun omgeving. Predictive maintenance kan daarin voorzien, maar een dergelijke manier van onderhoud vergt nauwkeurige voorspellingsmethoden. Verder zijn er operationele methoden nodig om die voorspellingen daadwerkelijk om te zetten in bruikbare onderhoudsbeslissingen. Omdat deze werkwijze ingrijpt op meerdere fasen van het productieproces, is een ​​holistische en multidisciplinaire aanpak nodig.

"Predictive maintenance is weliswaar veelbelovend, maar veel bedrijven worstelen met de realisatie ervan, en daarvoor zijn diverse redenen aan te voeren", zegt prof. dr. Marielle Stoelinga, UT-hoogleraar risicomanagement van hightechsystemen en leider van het PrimaVera-project (zie kader) dat een belangrijke rol vervult bij de ontwikkeling en implementatie van predictive maintenance.

PrimaVera-project
PrimaVera is een samentrekking van 'Predictive Maintenance for Very Effective Asset Management'. Het project wordt uitgevoerd door een multidisciplinair team van wetenschappers en bedrijven dat de volledige onderhoudsketen tot zijn werkterrein rekent. De ambitie is om nieuwe big data-algoritmen te ontwikkelen, om zo storingen beter te kunnen voorspellen en onderhoud beter te kunnen plannen. Het uiteindelijke doel is te komen tot self maintaining systems: de realisatie van intelligente assets die zijn verbonden via het Internet of Things. Zij verzamelen continu gegevens over hun toestand, belasting en omgeving, en beslissen autonoom of en wanneer een bepaald type onderhoud nodig is. Voor de uitvoering van dit project is er door wetenschapsfinancier NWO en de deelnemende bedrijven in het kader van de Nationale Wetenschapsagenda een bedrag van 5 miljoen euro beschikbaar gesteld.

Knelpunten realisatie

Voor de moeizame realisatie van predictive maintenance somt Stoelinga een viertal oorzaken op.

kwaliteit van verzamelde gegevens

"Bij data analytics en artificial intelligence (AI) geldt het principe garbage in, garbage out. Wat we veelal zien, is dat bedrijven vaak volop data hebben, maar dat die niet altijd van de juiste kwaliteit zijn. Het ontbreekt bijvoorbeeld nogal eens aan de juiste features. Soms worden gegevens bijvoorbeeld overschreven op het moment dat een component wordt vervangen. Dit kan een logische keuze zijn als de gegevens primair zijn verzameld om de aanwezige assets te inventariseren, en niet zozeer voor onderhoudsdoeleinden. Historische data, nodig om storingsgevoelige componenten te identificeren, gaan dan onnodig verloren."

Ook een mix van bijvoorbeeld test- en operationele data kan tot onjuiste resultaten leiden, omdat in een testomgeving nu eenmaal andere factoren spelen dan in een productieomgeving. Stoelinga adviseert bij het verzamelen van data klein te beginnen en goed na te gaan of die ook daadwerkelijk leiden tot betrouwbare resultaten.

"Predictive maintenance vergt een holistische en multidisciplinaire aanpak"

Ontbreken van een doelstelling

Bij de invoering van predictive maintenance – en feitelijk bij elke vorm van data analytics – is het van belang goed voor ogen te hebben wat een bedrijf of organisatie met de verzamelde data wil bereiken: het verrichten van onderhoud, het vergroten van de uptime of het verlagen van de kosten. Ook hier is het advies: klein beginnen.

"Dat kan bijvoorbeeld door de invoering van predictive maintenance toe te spitsen op een enkele machine of een bepaald bedrijfsonderdeel; alleen dat is al een project op zich. Vaak wordt er dan al gauw duidelijk waar de knelpunten liggen en hoe die zijn op te lossen. Door vooraf duidelijk te definiëren waarvoor de dataverzameling dient, zal de kwaliteit en bruikbaarheid ervan aanzienlijk verbeteren."

Algoritmen

Vaak worden algoritmen op data "losgelaten" om er waardevolle informatie uit te destilleren. De aard van de instructies bepaalt daarbij de kwaliteit van het uiteindelijke resultaat. Volgens Stoelinga dienen bedrijven steeds goed te onderzoeken welke algoritmen ze gebruiken, en moeten ze zich terdege voorbereiden op het eventuele gebruik van zogeheten black box-algoritmen (zie kader).

"Hoewel niet altijd eenvoudig – het zijn immers additionele taken − is het daarbij zaak het proces op elk moment inzichtelijk en begrijpelijk te houden. Dat doe je door de lead te nemen en doorlopend vast te leggen hoe een bepaalde uitkomst tot stand is gekomen."

Black box-algoritme
Een klassiek algoritme is opgezet als stappenplan van bovenaf, en wordt uitgebreid en/of verfijnd naarmate de regels ingewikkelder worden of wanneer er uitzonderingen moeten worden doorgevoerd. Als gevolg van de toegenomen complexiteit drijven algoritmen echter steeds vaker op artificial intelligence (AI). Dit zijn zelflerende algoritmen die voorspellingen doen op basis van – bijvoorbeeld − een neuraal netwerk. Dergelijke algoritmen zijn te beschouwen als een black box, omdat er moeilijk valt te herleiden hoe een dergelijk neuraal netwerk tot stand is gekomen.

Investering

Een succesvolle implementatie vergt een investering. Dan gaat het niet alleen om hardware (dataopslag) en software (algoritmen), maar ook om mensen: 'mindware'. Stoelinga adviseert om een multidisciplinair team samen te stellen. "Zo'n team zou moeten bestaan uit productie- en maintenance engineers, een aantal data scientists en onderhoudsmonteurs. Door zowel het management als de werkvloer bij het project te betrekken, creëer je draagvlak en wordt de opgedane kennis gedeelde kennis."

Transformatie

De huidige technieken voor predictive maintenance werken met name voor kleinschalige systemen, en die zijn niet in alle gevallen opschaalbaar.

"Kleine systemen zijn minder complex. Het gedrag van een enkele pomp is gemakkelijker te meten en te voorspellen dan dat van een fabriek met meerdere machines die uit meerdere componenten bestaan. Het invoeren van predictive maintenance is een vorm van digitale transformatie, waarbij data in de organisatie centraal staan en bedrijfsprocessen rondom die data zijn gerangschikt. Dat vraagt andere skills van onder meer onderhoudstechnici: minder zelf identificeren van storingen en hun oorzaken, meer digitale vaardigheden om bijvoorbeeld data te interpreteren."

Predictive maintenance vergt dan ook een aanpassing van de gehanteerde bedrijfsprocessen. "Als algoritmen in plaats van onderhoudsexperts bepalen welke onderhoudsacties er worden uitgevoerd, zijn dergelijke aanpassingen noodzakelijk, en daarbij spelen zowel technische als menselijke factoren een rol", aldus Stoelinga.

Technische factoren

"Bij technische factoren kun je bijvoorbeeld denken aan de wijze van meten: welke sensoren plaats je, hoeveel en waar? De keuze voor bepaalde typen sensoren en metingen is van invloed op het soort voorspellingen en op de kwaliteit daarvan. Daarom worden er binnen PrimaVera cross-level optimalisatiemethoden ontwikkeld. Je optimaliseert dan op meerdere niveaus tegelijkertijd. Je plaatst bijvoorbeeld niet alleen sensoren waarmee je de beste waarden krijgt − single-level optimalisatie − maar die ook nog eens het beste werken bij de vervolgstappen in de predictive maintenance-keten."

"De invoering van predictive maintenance is een vorm van digitale transformatie"

"Verder is de planning veelomvattender dan de onderhoudsacties alleen. Het gaat daarbij om de hele logistieke keten; inclusief personeel, onderhoudsmateriaal en -apparatuur. Het liefst cluster je daarbij natuurlijk diverse onderhoudsactiviteiten. Het is dan nuttig te weten of je bepaalde onderhoudsacties wat later kunt uitvoeren, zonder dat daarbij het risico op storingen te veel toeneemt."

Menselijke factoren

Als voorbeeld van de menselijke factor noemt Stoelinga het gegeven dat niet alle aanbevelingen van digitale systemen daadwerkelijk worden opgevolgd. Ze trekt de vergelijking met de matrixborden boven de snelwegen. "Deze zijn bedoeld om de doorstroming te bevorderen en files te voorkomen, maar omdat aanbevelingen slecht worden opgevolgd, krijg je juist meer files. Als mensen de aanbevelingen die de predictive maintenance-algoritmen opleveren niet op de juiste wijze opvolgen, is alles voor niets geweest. Het is daarom van belang dat er bij de invoering van predictive maintenance sprake is van voldoende draagvlak én van goed verandermanagement."

"We hebben al veel vooruitgang geboekt, bijvoorbeeld rond het omgaan met onzekerheid, het automatisch genereren van modellen en het combineren van meerdere degradatiemechanismen in een en hetzelfde model. Het creëren van intelligente, autonome assets die zichzelf onderhouden, is en blijft onze stip op de horizon", klinkt het nog.