Big data gebruiken in het kader van voorspellend onderhoud is al jaren aan de gang. De ontwikkelingen staan echter niet stil, onder andere door de opkomst en mogelijkheden van kunstmatige intelligentie (AI). Binnen diverse organisaties zijn de afgelopen jaren projecten opgestart – veelal in samenwerking met het onderwijs – waarin deze mogelijkheden verder worden onderzocht. Met soms verrassende resultaten. Maar hoe pak je dit als onderhoudsafdeling of bedrijf zelf op? Welke hard- en software zijn er nodig, welke kennis moet worden ontwikkeld en met welke randvoorwaarden heb je rekening te houden?
Zoals de naam al doet vermoeden richt voorspellend onderhoud zich op het zo nauwkeurig mogelijk voorspellen van het juiste tijdstip om onderhoud uit te voeren aan een specifieke asset of installatie. Hoe nauwkeuriger dit moment is vast te stellen, hoe lager de onderhoudskosten. Te vroeg onderhoud plegen betekent immers meer onderhoudsbeurten per tijdseenheid, te láát onderhoud inplannen leidt tot veel hogere kosten als gevolg van (ongeplande) stilstand door storingen.
Meer artikelen over (PREVENTIEF) ONDERHOUD:
- Voorspellend onderhoud en AI: concrete projecten
- Onderhoud hydraulische installatie; regelmatig een olieanalyse, en dan?
- Sensoren bepalen de onderhoudsinterval
Veel onderzoek naar faalgedrag
De basis van voorspellend onderhoud ligt enerzijds in kennis over het faalgedrag van een component en anderzijds in het verzamelen en analyseren van de juiste data om dit gedrag te meten. Naar het faalgedrag van componenten, materialen en systemen is de afgelopen jaren veel onderzoek verricht op de meest bijzondere vlakken. De meest bekende is waarschijnlijk het faalgedrag van (kogel)lagers dat wordt beschreven op basis van het trillingsniveau/trillingsspectrum door de tijd. Ook temperaturen, drukken en de samenstelling van media zoals hydraulische olie zijn relatief bekende grootheden om te meten voor het bepalen en voorspellen van de huidige conditie van een asset of systeem. Er zijn echter ook wetenschappers die zich bezighouden met het geluid dat roestend metaal maakt en op basis van deze geluiden kunnen voorspellen hoe het corrosieproces zich voltrekt. En alle varianten hier tussenin.
Degradatiecurve
Dit faalgedrag is uit te zetten in een zogenaamde degradatiecurve. Daarbij is op de x-as de tijd uitgezet en op de y-as de conditie van een asset of installatie. Door de kenmerken te volgen en de lijn te extrapoleren is er grofweg een uitspraak te doen over het toekomstige tijdstip waarop onderhoud nodig is.
Veel gedetailleerder dan de degradatiecurve zijn de grafieken waarbij de meting van één grootheid het faalgedrag laat zien. Bekende voorbeelden hiervan zijn naast trillingen de temperatuur, stroomafname, geluid en vervuilingsgraad. Door de tijd heen veranderen de waarden volgens een specifiek patroon, waardoor een voorspelling is te doen over het tijdstip van falen.
Analyseren en interpreteren
Het tweede element om voorspellend onderhoud te kunnen toepassen is een juiste analyse van gemeten waarden. In sommige gevallen is dit eenvoudig maar meestal is gedegen kennis en ervaring nodig om de gegevens juist te interpreteren. Een thermografisch beeld geeft bijvoorbeeld duidelijk aan waar zich hotspots bevinden. Maar een hotspot vinden betekent niet altijd dat de oorzaak van een probleem boven water is. Afhankelijk van de applicatie en op basis van kennis en ervaring moet worden bepaald welke hotspot verder moet worden onderzocht of duidt op aankomende problemen en welke niet.
Een trillingsdiagram of -grafiek is nog veel lastiger te interpreteren. Want ook leken kunnen bepaalde afwijkingen herkennen zoals een bepaalde frequentie die bijvoorbeeld steeds meer voorkomt of een hogere amplitude krijgen. Maar alleen specialisten kunnen alle informatie uit dit type diagram halen en gebruiken in het kader van voorspellend onderhoud.
Voorspellend onderhoud per stap
Het belangrijkste bij het starten met voorspellend onderhoud op basis van gegevensverzameling (big data) is misschien nog wel het vaststellen van het kritieke faalmechanisme: Op welk punt faalt een asset of installatie als eerste en welk faalmechanisme ligt hieraan ten grondslag? Dit vaststellen is niet altijd eenvoudig of voor de hand liggend. Een mooi voorbeeld uit de luchtvaart is het onderhoud aan een helikopter dat oorspronkelijk werd uitgevoerd op basis van het aantal vlieguren. Een logische keuze, maar de bepalende factor voor het juiste tijdstip van onderhoud bleek uiteindelijk de belasting op het landingsgestel te zijn. Helikopters die veel vlieguren maar weinig tussenlandingen maakten, hadden hiermee minder onderhoud nodig dan helikopters die veel minder vlieguren maakten maar daarbij veel vaker opstegen en landden. Een dergelijke afweging dient ook bij industriële aandrijvingen te worden gemaakt.
Meten, meten, meten
Een volgende stap is kennis opdoen over het bijbehorende faalmechanisme en de grootheid die moet worden gemeten om dit faalmechanisme zichtbaar te maken. Vervolgens is het zaak om deze gegevens ook daadwerkelijk te verzamelen. In sommige gevallen kan dit vanuit bestaande bronnen. Zo worden bepaalde procesparameters als druk en temperatuur vaak al gemeten en opgeslagen in het kader van procesbeheersing en -optimalisatie. Het is geen probleem om ze ook te gebruiken voor onderhoudsdoeleinden. Vaak worden echter ook sensoren ingezet om op de juiste plaats de juiste meting te verrichten. Dit kan handmatig en adhoc, maar beter is het om regelmatig of continu te meten en de gegevens (eventueel draadloos) te verzamelen.
Bepaalde slimme sensoren zijn in staat om zelf te bepalen of een bepaalde meting een kritieke waarde oplevert of niet. Wanneer de gemeten waarde binnen bepaalde grenzen valt, zal de sensor deze automatisch verwijderen. Pas wanneer een vooraf ingestelde grens wordt overschreden, stuurt de sensor de data door naar een centraal punt voor opslag en latere analyse. Het grote voordeel is dat de energie die nodig is voor datatransport drastisch wordt beperkt. Het nadeel is dat er geen historie wordt opgebouwd van de ‘goede’ tijden en de eventuele fluctuaties hierbinnen.
Analyseren, grote rol voor AI
De analysefase waarin de data wordt omgezet naar bruikbare informatie is de fase waarin AI een steeds belangrijker rol speelt. Voorheen was analyse uitsluitend mogelijk op basis van bestaande faaldata. Bij voldoende data is een algemeen patroon van het falen van een component op te stellen en een algoritme te ontwikkelen waarmee analysesoftware in staat is een voorspelling te doen over het optimale onderhoudsmoment. Een probleem dat zich hier altijd opdringt is het ontbreken van voldoende faaldata. In principe functioneert een machine of asset immers goed en alleen in specifieke gevallen faalt een component. Om die reden zijn er de afgelopen jaren ook de nodige opstellingen gebouwd waarin assets bewust kapot worden gedraaid om faaldata te genereren (zie in het kader de passage over het PrimaVera project).
Door het zelflerende vermogen hebben AI-algoritmes (veel) minder data nodig om uiteindelijk een betrouwbare voorspelling te kunnen doen. Het kiest daarbij als het ware zelfstandig voor de beste oplossing.
Doorontwikkelen en optimaliseren
Wanneer eenmaal gestart is met een eenvoudige of meer complexe vorm van voorspellend onderhoud op basis van data en AI, is het belangrijk om te blijven doorontwikkelen en optimaliseren. Waarom wordt een bepaalde fout bijvoorbeeld niet opgemerkt waardoor de asset tóch faalt en waarom wordt alarm geslagen wanneer er uiteindelijk toch niets aan de hand blijkt te zijn?
Al met al bevinden we ons in een interessante tijd waarin nieuwe technische ontwikkelingen bijdragen aan het verlagen van de onderhoudskosten en het verbeteren van de machinebeschikbaarheid en -betrouwbaarheid. Hierdoor dragen ze óók bij aan het verlengen van de levensduur van assets wat weer past in een duurzame bedrijfsvoering.
