Whitepaper Predictive maintenance: efficiënt onderhoud en kostenbesparing
Inhoudsopgave Onderhoud als strategische asset 2 Voordelen rondom technisch onderhoud 3 Voordelen en voorwaarden predictive maintenance 5 Ontwikkelen van een voorspellend model 6 7 stappen van een voorspellend model 7 Ontsluiten van data via de cloud 9 Aandachtspunten 12 Predictive maintenance is de toekomst 13
Auteurs: Roy Diemeer Gerard Noorda juli 2015 © Copyright 2015 QNH Consulting BV
1
Onderhoud als strategische asset Bedrijven die zich vandaag de dag bezig houden met onderhoud aan technische installaties hebben te maken met hoge eisen van klanten. Zij streven immers naar zo min mogelijk onderhoudskosten, maar ze willen tegelijkertijd wel dat hun installaties 100% betrouwbaar zijn. Dit is vooral van toepassing op bedrijven die afhankelijk zijn van hun installaties en machines. Denk bijvoorbeeld aan baggerbedrijven; de baggerschepen zijn van onmisbare waarde voor de continuïteit van hun business. Een schip dat stil ligt in de haven wegens een storing, brengt naast de onderhouds- en reparatiekosten ook hoge economische kosten met zich mee. Er kan immers niet gebaggerd worden, waardoor er geen geld binnenkomt. Ook voor elektriciteitsnetbeheerders, die verantwoordelijk zijn voor onderhoud aan vermogensschakelaars, is de betrouwbaarheid van technische installaties essentieel. Een vermogensschakelaar heeft als doel kortsluitingen af te schakelen en is een van de belangrijkste beveiligingstoestellen in een elektriciteitsnet. Energiebedrijven streven naar maximale inzet van vermogensschakelaars in het energienetwerk en minimale storing voor de klant. Het spanningsveld tussen het streven naar lage onderhoudskosten en minimale storing van installaties, zorgt dat er continu gezocht wordt naar nieuwe en slimme methoden om op het juiste moment onderhoud te plegen aan deze installaties.
Door nieuwe ontwikkelingen op het gebied van big data en advanced analytics in combinatie met cloudtechnologieën kunnen grote hoeveelheden data vanuit verschillende bronnen worden ontsloten. Dit biedt grote kansen om slimmer en beter onderhoud te plegen. Deze nieuwe methodes en technologieën bieden een breed scala aan toepassingsmogelijkheden, zoals The Internet of Things. Hierbij worden apparaten en machines aan elkaar én aan het internet gelinkt, waardoor het mogelijk is om vanaf elke locatie te voorspellen wanneer een machine of installatie een storing zal geven. Onderhoud is hierdoor slimmer in te plannen, met dalende kosten als gevolg.
PLAATJE
Met behulp van predictive maintenance wordt het mogelijk om op afstand met behulp van cloud en analytics te voorspellen wanneer een machine of installatie een storing geeft. Dit whitepaper biedt operational managers, technische experts van onderhoudsbedrijven en bedrijven die in grote mate afhankelijk zijn van technische installaties voor hun bedrijfsvoering inzichten en praktische handvatten over hoe zij predictive maintenance op een efficiënte en slimme manier kunnen inzetten zodat onnodige hoge kosten en downtime verleden tijd zijn.
2
Voordelen rondom technisch onderhoud Beschikbaarheid van bedrijfskritische installaties is cruciaal. Wanneer een storing (downtime) resulteert in het stil vallen van het primaire (productie) proces, brengt dat zeer hoge kosten met zich mee. Dit wordt ook onderbouwd door onderzoek van Aberdeen1), dat laat zien dat het falen van product kritische assets de grootste impact op bedrijven heeft. Om storingen te voorkomen is onderhoud vereist. Onderhoud zelf zorgt echter ook voor downtime van installaties en dus een noodzakelijk kwaad dat nodig is om installaties draaiende te houden.
Toestandsafhankelijk onderhoud
Een veel toegepaste vorm van onderhoud is preventief onderhoud om toekomstige gebreken te voorkomen. Deze vorm vindt plaats op basis van richtlijnen, normen en expertkennis en moet onverwachte storingen voorkomen. Een belangrijk aandachtspunt bij preventief onderhoud is het bepalen van het juiste onderhoudsmoment. Elke week smeren voorkomt het vastlopen van een machine, maar misschien is maandelijks smeren al wel. Wekelijks smeren kost immers veel geld door het stilleggen van de installatie, maar durf je het risico te nemen?
Andere onderdelen kunnen echter binnenkort problemen gaan geven. Deze onderdelen kunnen dan bij de eerstvolgende onderhouds- of productiestop vervangen worden. Een aandachtspunt blijft dat toestandsafhankelijk onderhoud nog steeds is gebaseerd op het overschrijden van een toelaatbaar geachte grenswaarde van een storingsgrootheid. Het is hierdoor nog steeds niet exact duidelijk of en wanneer de installatie daadwerkelijk een storing zal geven. Het onderhoud wordt dus geïnitieerd door de actuele status van een installatie, maar is in de basis nog steeds preventief.
1 http://www.aberdeen.com/research/8919/rr-predictive-asset-maintenance/content.aspx
3
Om een goede basis voor preventief onderhoud te creëren, passen veel bedrijven het principe van toestandsafhankelijk onderhoud toe. Met toestandsafhankelijk onderhoud wordt, soms zelfs tijdens het in bedrijf zijn, gemeten wat de status van de installatie is. Lagers worden bijvoorbeeld met trillingsmetingen op hun conditie beoordeeld of aan de hand van oliemonsters geanalyseerd. Uit metingen zal blijken dat de onderzochte onderdelen in orde zijn en niet vervangen hoeven worden.
Predictive maintenance
Predictive maintenance maakt het mogelijk om nog een verbeterslag te maken ten opzichte van toestandsafhankelijk onderhoud. Voorwaarde hiervoor is wel dat installaties zijn uitgerust met sensoren voor bijvoorbeeld druk, temperatuur en vermogen. Deze sensoren genereren continu grote hoeveelheden data die met behulp van cloud technologie ontsloten kunnen worden. Dit maakt het mogelijk om een installatie op afstand continu en realtime te monitoren.
Door verschillende algoritmen aan te wenden, worden op basis van verzamelde sensordata voorspellende modellen ontwikkeld. Deze modellen kunnen vervolgens weer realtime toegepast worden op de ontvangen sensordata, om zo te voorspellen wanneer een installatie (of onderdeel hiervan) in de toekomst een storing heeft. Dit maakt het mogelijk om onderhoud tijdig, niet te vroeg en op een geschikt moment in te plannen.
4
Voordelen en voorwaarden predictive maintenance Predictive maintenance biedt grote voordelen ten opzichte van de meer traditionele vormen van onderhoud, zoals preventief en toestandsafhankelijk. Onderzoek van Aberdeen1 laat zien dat bedrijven met verlaagde budgetten een succesvolle implementatie van predictive maintenance achter de rug hebben en veel geld besparen door het terugdringen van onderhoudskosten. De belangrijkste voordelen zijn: • Het continu, realtime en op afstand monitoren van de conditie van technische installaties. Dit maakt het niet meer noodzakelijk om installaties fysiek te bezoeken. Operationele kosten worden hierdoor sterk teruggedrongen. • Automatisch signaleren en voorspellen wanneer de conditie van installaties terugloopt waardoor de installaties op tijd, niet te vroeg en op een geschikt moment kunnen worden onderhouden. • Volledige optimalisatie van de voorraad reserveonderdelen, waardoor hoge inkoopkosten, te kleine of te grote voorraden verleden tijd zijn. • Een verhoogde beschikbaarheid van de machines, met als gevolg dat strakke deadlines en • Issues met productkwaliteit en productbetrouwbaarheid geen enkel probleem zijn. Om predictive maintenance te kunnen toepassen zijn naast kennis van installaties en ervaring met onderhoud, aanvullend twee nieuwe aspecten doorslaggevend: 1. 2.
Inhoudelijke kennis om modellen te ontwikkelen die de conditie van installaties kunnen voorspellen. De kennis om met behulp van cloudtechnologie op afstand de conditie van installaties te kunnen monitoren.
1 Aberdeen (Group) is het business intelligence onderzoeksbureau
5
Succesfactoren volgens Aberdeen De bedrijven die succesvol predictive maintenance hebben gerealiseerd worden gekenmerkt door de volgende succesfactoren: Realtime data is cruciaal: toegang tot de juiste data op welk moment dan ook is de sleutel tot succes bij predictive maintenance. Door alle vergaarde data en de belangrijkste informatie op te slaan in een centrale database, zijn managers en beslissers in staat om ongeplande downtime op tijd te constateren. Dit vergroot de beschikbaarheid van alle apparaten. Geïntegreerde systemen: om onderhoud aan de assets goed te managen is een bedrijfsbreed overzicht van groot belang. Door verschillende data, zoals onderhoudsdata en bedrijfsdata te combineren en te correleren wordt er een overkoepelend beeld omtrent onderhoud gerealiseerd. Hierdoor kunnen snelle en onderbouwde keuzes gemaakt worden met betrekking tot onderhoud van machines. Weloverwogen keuzes voor de toekomst: door de plaatsing van sensoren wordt een enorme hoeveelheid data gewonnen en dit neemt alleen maar toe. Steeds meer informatie kan verwerkt en geanalyseerd worden. Voor beheerders en technische experts moet deze data behapbaar en eenvoudig te verwerken zijn. Zij moeten immers in één oogopslag kunnen zien of een asset afwijkende metingen laat zien. Verklein de kenniskloof: De laatste jaren loopt het aantal technische experts terug. Dit heeft deels te maken met een grote generatie Baby Boomers die met pensioen gaat en anderzijds met de dalende populariteit van technische functies. Door het aanbieden van opleidingen en trainingen en een goede kennisborging, wordt de groeiende kenniskloof verkleind.
Ontwikkelen van een voorspellend model Het doel van predictive maintenance is het verlagen van (onderhouds)kosten, door het voorkomen van storingen aan installaties waardoor de beschikbaarheid van installaties wordt verhoogd. Hiervoor is specialistische kennis van de installaties vereist en van onderhoudstechnieken aan de installatie. Voor predictive maintenance komt er nog een ander aspect om de hoek kijken, namelijk het kunnen voorspellen wanneer er een toekomstige storing zal optreden.
Sensordata en realtime analyse
Sensoren, gekoppeld aan machines of installaties, leveren grote hoeveelheden data die iets zeggen over de conditie van de installatie. Vaak wordt pas achteraf naar deze data gekeken om te zien wat er is gebeurd. Met predictive maintenance wordt deze data realtime geanalyseerd zodat de toekomstige conditie van de machine voorspeld kan worden. Met behulp van algoritmen, worden analytische modellen ontwikkeld die patronen herkennen in de sensordata om zo een voorspelling te doen over de toekomstige machineconditie.
Data specialisten zullen vanuit hun specialisme de bestaande expert kennis aanvullen met het beantwoorden van de vraag: “Wat zegt de data?” Het ontsluiten van grote hoeveelheden sensordata en realtime statistische analyse maakt het mogelijk om: • •
Nieuwe onbekende verbanden te ontdekken die leiden tot een verbeterd inzicht voor het plannen en verrichten van onderhoud. Het voorspellend model continu door te ontwik- kelen en te verbeteren. Er komt steeds meer data beschikbaar om een steeds betrouwbaarder model te ontwikkelen.
Voor de ontwikkeling van de voorspellende modellen zijn dus data specialisten nodig. Dit zijn mensen met een achtergrond in bijvoorbeeld wiskunde, econometrie, kunstmatige intelligentie en/of engineering. Het ontwikkelen van een voorspellend model is geen ‘straight forward’ proces, maar wordt gekenmerkt door meerdere iteratieslagen waar de data specialist nauw samenwerkt met de onderhoudsexpert. Aan de hand van zeven stappen wordt het voorspellend model gerealiseerd, waarmee de eerste stap naar predictive maintenance wordt gezet.
figuur 1
6
7 stappen van een voorspellend model Stap 1. Analyseer beschikbare data Zoals in figuur 1 staat aangegeven is de eerste stap in het proces het verzamelen en analyseren van beschikbare sensordata. De data specialist en de onderhoudsexpert werken nauw samen om te bepalen welke data beschikbaar, geschikt en nodig zijn voor het ontwikkelen van een voorspellend model. Hierbij is het belangrijk dat er zoveel mogelijk historische data wordt verzameld en gebruikt: hoe meer data beschikbaar, hoe betrouwbaarder het model zal zijn. Daarnaast is er data nodig van situaties waarin de installatie storingen heeft vertoond. Het model moet namelijk leren om patronen in de data te herkennen van de momenten waarop er storingen zijn opgetreden. Dit is een belangrijke vereiste om een goed voorspellend model te ontwikkelen. Stap 2. Selecteer variabelen voor model De onderhoudsexpert heeft vaak goed inzicht in de variabelen die informatie geven over de conditie van de installatie. Dit is een goed uitgangspunt voor het vervolg van het ontwikkelproces. Het is hier wel belangrijk het aantal variabelen in acht te nemen. Ook hier geldt: hoe meer variabelen, hoe beter. Bij het ontwikkelen van een voorspellend model kunnen er in latere fases namelijk nieuwe verbanden aan het licht komen waar meer variabelen voor nodig zijn. Stap 3. Aggregeer data De variabelen die informatie geven over de conditie van de installatie zijn afkomstig van verschillende type sensoren, voor bijvoorbeeld het meten van temperatuur, druk en snelheid. Daarnaast geven sensoren met verschillende tijdsintervallen metingen door. Zo kan een snelheidssensor bijvoorbeeld elke milliseconde een waarde doorgeven, terwijl een temperatuursensor alleen een waarde doorgeeft wanneer er een verandering plaatsvindt. Tijdens het aggregeren wordt de ‘ruwe’ data tot een leesbaar formaat verwerkt, waarin het goed bruikbaar is voor analyse en iets zegt over de installatie conditie.
7
Bijvoorbeeld: metingen die elke milliseconde worden gedaan leveren naar verloop van tijd zeer grote hoeveelheden data op. Daarnaast is het niet altijd nuttig om zo nauwkeurig te meten. Het is immers niet altijd mogelijk of noodzakelijk om binnen luttele seconden in te grijpen in het geval van een verwachte storing. Het is gebruikelijk om een meting over een bepaalde periode te middelen of alleen metingen mee te nemen als deze een bepaalde grenswaarde overstijgt. Hoe te aggregeren hangt tevens samen met het algoritme dat gebruikt wordt in het voorspellend model. Stap 4. Ontwikkel model De keuze voor een algoritme is een belangrijke stap in het proces, want deze stap vormt de basis waarop het voorspellend model wordt gebouwd. Voorspellende modellen geven echter nooit een absolute zekerheid dat er uitval zal plaatsvinden. Voorspellende modellen werken met kansen en predictive maintenance voorspelt wat de kans is dat er bij een installatie binnen een bepaalde tijd een storing optreedt. Op basis van deze kans, bijvoorbeeld dat de installatie met een kans van 85% binnen twee weken een storing zal geven, moet er worden besloten al dan niet onderhoud uit te voeren. Bij de ontwikkeling van een voorspellend model is het zaak altijd te starten met een eenvoudig algoritme zoals een decision tree. Onderzoek wat de resultaten zijn en als deze onvoldoende zijn, experimenteer dan met andere, meer complexere, algoritmes zoals een decision forest of neurale netwerken. Het is niet mogelijk om vooraf met zekerheid te zeggen wat het beste algoritme voor een bepaalde situatie zal zijn. De keuze voor een algoritme is relatief makkelijk aan het begin van de ontwikkeling van een nieuw model. De keuze voor het definitieve algoritme is complexer, vergt experimenteren door een data specialist en is afhankelijk van het gestelde doel (resultaat versus inspanning).
Stap 5. Train model Na de keuze voor een algoritme dient het voorspellend model ‘getraind’ te worden. Het model moet leren de juiste voorspelling te geven; bij welke combinatie van omstandigheden een storing optreedt of niet. Op basis van de beschikbare dataset en het gekozen algoritme wordt het model getraind. De beschikbare sensordata wordt hiervoor opgesplitst in een trainingset en test dataset. De trainingset traint het model en de testset bepaalt vervolgens de nauwkeurigheid van de voorspelling. Door de testset niet te gebruiken tijdens het trainen, maar erna, zorgt voor een betrouwbaar model. Verder is het belangrijk dat er in zowel de training- als testset is aangegeven welke metingen afkomstig zijn van een storingssituatie. Dit is nodig om tijdens de training de nauwkeurigheid van het model vast te stellen. De laatste drie stappen: het aggregeren van data, de keuze voor een algoritme en de model training vormen gezamenlijk een iteratief proces. Tijdens het trainen kan blijken dat het vooraf gekozen algoritme niet het gewenste resultaat levert en dat er voor een ander algoritme gekozen moet worden. Ook het niveau waarop data geaggregeerd wordt, is van invloed op het resultaat. Het niveau waarop wordt geaggregeerd, wordt deels bepaald door hoe leesbaar de data moet zijn, maar is ook deels een keuze die is gemaakt door de data specialist en de onderhoudsexpert. Ter illustratie: er kan teruggekeken worden op de data van het afgelopen uur of van de afgelopen twaalf uur, dit is afhankelijk van de installatie en hoe snel er bijvoorbeeld moet kunnen worden ingegrepen. Deze aspecten van data aggregatie, algoritme en model training hebben gezamenlijk een grote invloed op de voorspellende werking van een model en vergen een optimale afstemming. Stap 6. Evalueer resultaat Na het creëren van een voorspellend model door de dataspecialist dient deze eerst geëvalueerd te
worden met de onderhoudsexpert. Zij dienen gezamenlijk te kijken naar het model en de output die het model genereert op basis van de test dataset. De onderhoudsexpert beoordeelt vervolgens of de output realistisch is en bepaalt daarna of de output goed bruikbaar is in de praktijk of dat er nog aanpassingen gedaan moeten worden. Aanpassingen kunnen inhouden dat de voorspelling niet goed genoeg is en de data specialist het model moet herzien. Onder eenvoudigere aanpassingen vallen bijvoorbeeld het op het juiste niveau instellen van bepaalde grenswaarden die bij overschrijding waarschuwingen geven. Pas als de onderhoudsexpert akkoord is met het model, volgt de implementatie in de praktijk. Stap 7. Implementatie In de basis is het in de praktijk toepassen van het model niets anders dan de sensordata van de installatie realtime door het model te laten analyseren en op basis van de output de juiste onderhoudsacties in te plannen. Dit betekent een verandering in de manier waarop onderhoud wordt gepleegd. Als men de stap maakt van periodiek of preventief onderhoud naar predictive maintenance is een aanpassing aan het onderhoudsproces noodzakelijk. Het is niet meer nodig om volgens een vast schema onderhoudsmonteurs continu aan het werk te hebben, want onderhoud wordt pas gepleegd wanneer het model dit aangeeft. Verder is het belangrijk om te registreren hoe nauwkeurig het model in de praktijk voorspelt. Het vastleggen van de daadwerkelijke en voorspelde conditie van bijvoorbeeld een motor is essentieel voor een succesvol traject. De praktijkdata dient vervolgens geanalyseerd te worden door de data specialist. Deze analyse, gecombineerd met de ervaringen van de onderhoudsexpert, is de input om het model te evalueren en indien nodig te verbeteren. Hoe meer data er verzameld is, hoe betrouwbaarder het model. Het is dus van belang dat evaluatie van het voorspellend model regelmatig plaatsvindt, zodat het onderhoud aan de installatie continu geoptimaliseerd kan worden. 8
Ontsluiten van data via de cloud Voor het ontwikkelen van het voorspellend model zijn grote hoeveelheden data nodig. Bij predictive maintenance wordt deze data gegenereerd door sensoren op de installatie. De data van de sensoren moet vervolgens ontsloten worden, zodat de data specialist deze kan analyseren. Op basis daarvan ontwikkelt hij in samenspraak met de onderhoudsexpert voorspellende modellen. De installatie staat echter op afstand, waardoor de data niet zomaar beschikbaar is. Onderhoudsmonteurs lezen de sensoren meestal op locatie uit. Dit kost onnodig veel reistijd, zeker als de installaties verspreid zijn over verschillende locaties die ver uit elkaar liggen en in enkele gevallen is het zelfs praktisch niet haalbaar om monteurs op elk moment langs te sturen, bijvoorbeeld bij baggerschepen op zee.
figuur 2
9
Het toepassen van predictive maintenance met behulp van cloud technologie lost dit probleem op. Het is hierdoor mogelijk om op afstand de sensoren uit te lezen en de conditie te voorspellen. Monteurs hoeven dus pas op locatie te zijn als het echt nodig is, bijvoorbeeld wanneer de machine conditie terugloopt en onderhoud vereist is. In figuur 2 is een schematisch overzicht van deze werkwijze geïllustreerd.
Voor het ontsluiten van data in de cloud en de uiteindelijke realisatie van predictive maintenance dienen de volgende voorwaarden in acht worden genomen: 1. Ontvang data Minimale voorwaarde is dat er een netwerkverbinding beschikbaar is om de sensordata over te versturen. In de meeste omgevingen is dit geen probleem, het is tegenwoordig zelfs mogelijk om vanaf zeeschepen sensordata draadloos te versturen naar de cloud. De grootste uitdaging ligt in het verwerken van realtime data. De data is meestal afkomstig van verschillend soorten en typen sensoren en wordt vaak in verschillende formaten aangeleverd. Het gaat om grote hoeveelheden data die in hoge frequentie wordt aangeleverd en dit vergt veel van de technische systemen die deze data moeten verwerken. 2. Maak data leesbaar De binnenkomende rauwe sensordata moet, voordat deze opgeslagen en geanalyseerd wordt, vaak nog leesbaar en bruikbaar gemaakt worden. Het is belangrijk dat het transformeren van data op realtime basis gebeurt, waardoor het mogelijk is om op realtime basis sensorsignalen door te sturen naar mobiele apparaten zoals het uitsturen van een waarschuwingssignaal bij overschrijding van een ingestelde grenswaarde. Echter is de belangrijkste output het afleveren van sensordata in het juiste formaat, zodat het geschikt is voor opslag en voor het ontwikkelen van voorspellende modellen. 3. Opslag Voor het realtime toepassen van predictive maintenance is opslag van de sensordata niet direct een vereiste. Voor een historische analyse van storingsgedrag is het echter wel noodzakelijk om de sensordata op te slaan. Het is bijvoorbeeld cruciaal om de werkelijke én voorspelde conditie van bijvoorbeeld een motor op te slaan. Deze informatie kan gebruikt worden om op periodieke basis de voorspellende modellen te evalueren en waar nodig te verbeteren.
Flexibiliteit is key om grote hoeveelheden data op verschillende manieren op te slaan. Gezien de grote hoeveelheid sensordata wordt aangeraden om gebruik te maken van Binary Large Object (BLOB). BLOB is een service voor het opslaan van grote hoeveelheden ongestructureerde data, zoals tekst of binaire data en biedt een goede basis voor het analyseren van grote hoeveelheden sensordata. Data overal ter wereld is dankzij het systeem toegankelijk en kan tegelijkertijd veilig in de private cloud worden opgeslagen. Opslag in de cloud is schaalbaar, er wordt betaald naar gebruik en het biedt bescherming tegen hardware storingen, waardoor een hoge beschikbaarheid gewaarborgd is. 4. Ontwikkel voorspellend model In het vorige hoofdstuk is gesproken over het ontwikkelen van het model. Data specialisten moeten in staat zijn om in de cloud voorspellende modellen te ontwikkelen, testen en implementeren en daarnaast experimenten met het ontwerpen van gegevensstroomdiagrammen. Een breed scala aan bruikbare algoritmen waaronder decision trees, bayes en neurale netwerken, en de mogelijkheid om specifieke R- en Python-code rechtstreeks op te nemen in de omgeving zijn essentieel voor de ontwikkeling van het voorspellend model. 5. Activeer voorspellend model Als het voorspellend model is ontwikkeld en gereed is voor gebruik, dan rest enkel het activeren nog. Het model dient als webservice online en realtime beschikbaar te zijn, zodat de sensordata realtime naar de webservice gestuurd en door het voorspellende model wordt geanalyseerd. De output van de webservice is dan de voorspelling over de conditie van de machine.
10
6. Houd toezicht op machineconditie De laatste stap is het op afstand toezichthouden op de conditie van de machine. Het grote voordeel hiervan is dat de onderhoudsexperts niet ter plaatse hoeven te zijn om de conditie van een machine of installatie te controleren. Zij hoeven pas ter plaatse te zijn op het moment dat er een voorspelling van een storing plaatsvindt.
Daarnaast kan er vanaf afstand ook advies worden gegeven aan de machine operators die op locatie zijn om bijvoorbeeld op 80% vermogen te gaan draaien, zodat er geen storing zal gaan optreden tot aan de eerstvolgende onderhoudsbeurt. Het realtime weergeven van de sensorsignalen en de voorspelling van de machineconditie in één dashboard, geeft de operationeel manager en de onderhoudsexpert in een blik alle informatie die nodig is. Hierbij kan het automatisch versturen van eenvoudige sms-alerts extra hulp bieden.
Azure als gebruiksvriendelijk platform Azure van Microsoft is een van de platformen die uitkomst biedt voor predictive maintenance in de cloud. Azure is een cloud omgeving waarbinnen alle services en producten beschikbaar zijn om predictive maintenance toe te passen. Een van de voordelen van het platform is de Event Hub; een speciale service bus die ervoor zorgt dat miljoenen events per seconde naar meerdere toepassingen gestreamd worden. Grote hoeveelheden gegevens afkomstig van vele verschillende sensoren kunnen hierdoor zonder problemen verwerkt en geanalyseerd worden. De door Event Hub verzamelde gegevens worden vervolgens getransformeerd en opgeslagen in elk gewenst formaat. Het transformeren van data gebeurt binnen Azure met Stream Analytics, een service die direct gekoppeld is aan Event Hub en verschillende functionaliteiten voor datatransformatie en aggregatie op realtime basis biedt. Het is hierdoor ook mogelijk om op realtime basis sensorsignalen door te sturen naar mobiele apparaten. Zo kan Azure een waarschuwingssignaal uitsturen bij overschrijding van een in Stream Analytics ingestelde grenswaarde. Echter is de belangrijkste output van Stream Analytics het afleveren van sensordata in het juiste formaat, zodat het geschikt is voor opslag en voor het ontwikkelen van voorspellende modellen. Voor de opslag biedt Azure de flexibiliteit om grote hoeveelheden data op verschillende manieren op te slaan. Data overal ter wereld is dankzij het systeem toegankelijk en kan tegelijkertijd veilig in de private cloud worden opgeslagen. Andere opslagmogelijkheden zijn Azure Tables (nosql) en Azure Files. Dataopslag in de cloud van Azure biedt verschillende voordelen. Zo is opslag schaalbaar, wordt er betaald naar gebruik en biedt het bescherming tegen hardware storingen, waardoor een hoge beschikbaarheid gewaarborgd is. Een gebruiksvriendelijke tool binnen de Azure omgeving voor het ontwikkelen van het voorspellend model is Machine Learning Studio. Het biedt de data specialisten geavanceerde functionaliteiten om voorspellende modellen te ontwikkelen, testen en implementeren. Vanuit Machine Learning Studio is er direct toegang tot de opgeslagen sensordata, waardoor er snel begonnen kan worden met het ontwikkelen van voorspellende modellen. Via de toegankelijke interface kunnen data specialisten onder andere in een webbrowser experimenten opzetten en doormiddel van ‘drag and drop’ eenvoudig gegevensstroomdiagrammen ontwerpen. Realtime weergave van de sensorsignalen en de voorspelling van de machineconditie wordt door Azure op verschillende manieren ondersteund. Het ontwikkelen van een website met aanpasbaar dashboard is relatief eenvoudig, waardoor de machineconditie in één overzicht zichtbaar is.
11
Aandachtspunten Voor het opstarten van een predictive maintenance traject dient er rekening te worden gehouden met twee cruciale aandachtspunten. Ten eerste is het een vereiste om data over de betreffende machine of installatie beschikbaar te hebben. Is er geen data, dan heeft het geen zin om met predictive maintenance aan de slag te gaan. Het is dan zaak te beginnen met het verzamelen van historische data. Daarbij geldt: hoe meer data, hoe beter. Deze data is namelijk nodig om een voorspellend model te ontwikkelen en hiervoor is simpelweg zoveel mogelijk data nodig. Niet alleen data van normale situaties, maar ook data van situaties waar storingen zijn opgetreden. Om toekomstige storingen te signaleren, moet het voorspellende model patronen leren herkennen. Het gaat hierbij niet alleen om het verzamelen van historische data van storingen, maar ook om het inrichten van een geautomatiseerd systeem waarmee toekomstige storingen worden bijgehouden en vastgelegd in de database.
Het tweede aandachtspunt is organisatorisch van aard. Bij een predictive maintenance traject wordt gebruik gemaakt van de nieuwste IT-oplossingen. Predictive maintenance is echter geen IT-feestje of ‘plug and play’ principe. Niet alleen software is van belang, het vergt ook een andere manier van denken en training voor eindgebruikers. Budget vrijmaken voor het bijscholen van personeel en het investeren in technologie is noodzakelijk om consistent de onderhoudswerkzaamheden te blijven doorzetten. Het verbeteren van het onderhoudsproces dient ten alle tijden centraal te staan. Als medewerkers verantwoordelijk voor het onderhoud niet of nauwelijks zijn betrokken, heeft het project geen kans van slagen. De onderhoudsexperts zijn tenslotte de eindgebruikers die predictive maintenance gaan toepassen. Predictive maintenance vereist dan ook een nauwe samenwerking tussen de onderhoudsafdeling en de IT-afdeling. Draagvlak is net als bij andere verandertrajecten cruciaal voor een succesvolle implementatie.
12
Predictive maintenance is de toekomst Bedrijfscontinuïteit en het duurzaam onderhouden van machines wordt binnen vrijwel alle sectoren steeds belangrijker. Kapotte onderdelen of zelfs niet functionerende machines kosten bedrijven direct en indirect geld. Hoge energierekeningen, lagere productieaantallen, ongevallen, milieuvervuiling en een gebrek aan technische experts zijn de meest voorkomende problemen. De redenen van uitval zijn divers, maar vaak al in een vroeg stadium te ontdekken. Predictive maintenance is de toekomst en minimaliseert de downtime van onderhoud. Door realtime data te combineren met gegevens uit het verleden, kan voorspeld worden wanneer assets uitvallen. Overzichtelijke dashboards maken het voor onderhoudspersoneel en eindgebruikers mogelijk om eenvoudig de status van een machine te monitoren. Hierdoor halen bedrijven meer intelligentie uit hun data en kunnen zij direct ingrijpen als er downtime dreigt aan te komen. Data specialisten en onderhoudsprofessionals zijn samen verantwoordelijk voor een implementatie van predictive maintenance en alleen de expertise van beide partijen zorgt voor een succesvolle aanpak. orbeeld een motor op te slaan. Deze informatie kan gebruikt worden om op periodieke basis de voorspellende modellen te evalueren en waar nodig te verbeteren.
Over de auteurs
Voormalig medewerker van QNH, Roy Diemeer, is Senior Consultant Process Improvement en heeft werktuigbouwkunde gestudeerd aan de TU Delft. Roy heeft al ruim 10 jaar ervaring als consultant en projectleider op het gebied van business analyse en process improvement. Hij is tevens gecertificeerd Lean Six Sigma Black Belt. Daarnaast heeft hij ervaring met het toepassen van advanced analytics binnen projecten en heeft hij ook ervaring met verschillende onderhoudstechnieken. Gerard Noorda is Senior Consultant Analytics. Gerard heeft econometrie en operation research gestudeerd aan de RuG en heeft 15 jaar ervaring als consultant op het snijvlak van informatie en IT. De afgelopen jaren heeft hij diverse innovatieve projecten opgestart op het gebied van analytics in de Telecom, Retail en overheidsbranche. Over QNH QNH Consulting helpt organisaties met het bijsturen en verbeteren van hun bedrijfsvoering door de inzet van slimme IT-oplossingen. Hierdoor kunnen organisaties via IT innoveren en beter presteren. De dienstverlening van QNH richt zich op het optimaliseren van de informatievoorziening, onderliggende IT-architecturen, applicaties en mobiele toepassingen. Het bedrijf verbindt nieuwe technologieën met bestaande en is daarbij verantwoordelijk voor advies, ontwikkeling, implementatie en beheer. QNH is in staat een totale projectaanpak te realiseren en verbindt daarbij mensen, processen en IT. Er werken 450 professionals vanuit Nederlandse vestigingen in Amsterdam, Maastricht en Groningen, en in België vanuit de vestiging in Hasselt. Meer informatie over QNH vindt u op www.qnh.eu of volg QNH op Twitter via @qnh_nl.
13