De valkuilen die je moet voorkomen om van predictive maintenance een succes te maken

Maat: px

Weergave met pagina beginnen:

Download "De valkuilen die je moet voorkomen om van predictive maintenance een succes te maken"

Nina de clercq
5 jaren geleden
Aantal bezoeken:

1 De valkuilen die je moet voorkomen om van predictive maintenance een succes te maken Wouter Verbeek 10 oktober World of Technology and Science

2 Predictive maintenance is niet nieuw 2

3 Predictive maintenance is niet nieuw 3

Inhoud De valkuilen waarover we het gaan hebben 2 3 Wouter Verbeek - Consultant Operational Excellence - Werkzaam binnen de Industrie - Studeerde Econometrie en Systeem- en Regeltechniek - Focus op

4 Inhoud De valkuilen waarover we het gaan hebben 2 3 Wouter Verbeek - Consultant Operational Excellence - Werkzaam binnen de Industrie - Studeerde Econometrie en Systeem- en Regeltechniek - Focus op predictive maintenance en blockchain binnen de industrie Geen of een generieke business case maken voor predictive maintenance Geen aandacht besteden aan sensorkeuze Volledig op Artificial Intelligence vertrouwen 4 De IT-afdeling alleen een predictive maintenance programma laten opzetten 4

5 Valkuil 1: geen of een generieke business case maken voor predictive maintenance Een predictive maintenance business case hangt van veel factoren af Prijs van sensoren Voorspellend vermogen van sensoren in combinatie met algoritmiek Kosten down-time Kosten reparatie Wie betaalt waarvoor? Hoe vaak treden storingen op Kosten benodigde architectuur 5

6 Valkuil 1: geen of een generieke business case maken voor predictive maintenance Predictive maintenance is lang niet altijd geschikt Doel: Verbetering t.o.v. preventive maintenance Vaak mechanisch Doel: Voorkomen correctief onderhoud Vaak elektronisch Nowlan and Heap, Reliability-centered maintenance (1978) 6

7 Valkuil 1: geen of een generieke business case maken voor predictive maintenance Een succesvolle business case is altijd specifiek voor een type asset Semiotic labs Specifiek voor elektromotoren SKF Specifiek voor lagers HTC Specifiek voor toegangspoorten 7

8 Valkuil 1: geen of een generieke business case maken voor predictive maintenance Een succesvolle business case is altijd specifiek voor een type asset BNR, 22 februari 2017, technologie die voorspelt wanneer en hoe een brug kapot gaat 8

9 Valkuil 1: geen of een generieke business case maken voor predictive maintenance Een succesvolle business case is altijd specifiek voor een type asset 9

10 Valkuil 2: Geen aandacht besteden aan sensorkeuze Een goede business case is afhankelijk van goede sensorkeuze Usage monitoring Usage Platform / system Remaining life Structural model Prognostics Local loads Load monitoring Failure model Condition monitoring Service life / Damage accumulation Tiedo Tinga and Richard Loendersloot, Aligning PHM, SHM and CBM by understanding the physical system failure behaviour, European Conference of the PHM Society,

verbruik Bijvoorbeeld meten van het aantal auto s dat over een brug gaat

rails wordt uitgeoefend Conditie-sensoren Meten conditie Bijvoorbeeld meten

11 Valkuil 2: Geen aandacht besteden aan sensorkeuze Een goede business case is afhankelijk van goede sensorkeuze Goedkoop Duur Verbruikssensoren Meten van verbruik Bijvoorbeeld meten van het aantal auto s dat over een brug gaat Belastingssensoren Meten belasting Bijvoorbeeld meten van de kracht die op de rails wordt uitgeoefend Conditie-sensoren Meten conditie Bijvoorbeeld meten hoeveel profiel er nog op een band zit Weinig voorspellend vermogen Groot voorspellend vermogen 11

12 Valkuil 3: Volledig op Artificial Intelligence vertrouwen Artificial Intelligence is niet de enige mogelijke methode Conditionmonitoring methods Model-based Data-driven Knowledgebased methods Physical modeling Statistical methods Artificial intelligence Expert systems Fuzzy logic Classical statistical methods Bayesian methods Neuro-fuzzy systems Support Vector Machines Neural networks Volledig gebaseerd op kennis Volledig gebaseerd op data 12

13 Valkuil 3: Volledig op Artificial Intelligence vertrouwen Artificial Intelligence alleen leent zich slecht voor predictive maintenance Complex probleem met een verborgen proces - Condition monitoring signaal f x onbekend - Threshold c onbekend - Vrijwel alleen storingen waarbij f x c geven informatie om f x en c te schatten Heel weinig data beschikbaar, waar AI heel veel data nodig heeft: - Vaak maar data van afgelopen paar jaar, terwijl levensduur assets veel langer is - Storingen komen weinig voor - Door preventief onderhoud, komt het maar zelden tot falen - Heel veel verschillende types en assets voor ieder type asset moet je opnieuw op zoek naar f x en in elk geval c Andere bron van informatie is nodig, naast (beperkte hoeveelheid data) y y = f x x Storing treedt op wanneer f x c c 13

Valkuil 4: De IT-afdeling alleen een predictive maintenance programma laten opzetten Succes van predictive maintenance is afhankelijk van veel factoren Prijs van sensoren

Hoe vaak treden storingen op Succes vereist dus ook veel verschillende disciplines - Wie betaalt waarvoor: Business development - Voorspellend vermogen van sensoren in combinatie met

14 Valkuil 4: De IT-afdeling alleen een predictive maintenance programma laten opzetten Succes van predictive maintenance is afhankelijk van veel factoren Prijs van sensoren Voorspellend vermogen van sensoren in combinatie met algoritmiek Kosten down-time Kosten reparatie Wie betaalt waarvoor? Hoe vaak treden storingen op Succes vereist dus ook veel verschillende disciplines - Wie betaalt waarvoor: Business development - Voorspellend vermogen van sensoren in combinatie met algoritmiek: Monteurs Ingenieurs Statistici Programmeurs - Benodigde architectuur: IT - Bekwame monteurs: HR Kosten benodigde architectuur Zijn de resultaten begrijpelijk en te vertrouwen? Zijn monteurs bewust en bekwaam om met deze nieuwe technologie? 14

15 Valkuil 4: De IT-afdeling alleen een predictive maintenance programma laten opzetten Predictive maintenance slaagt alleen met een multidisciplinair team Cartoon by C.W. Miller 15

16 /berenschot 16

Vergelijkbare documenten

HOE KAN EEN BEDRIJF DE MEEST GESCHIKTE CONDITION MONITORING AANPAK KIEZEN?

HOE KAN EEN BEDRIJF DE MEEST GESCHIKTE CONDITION MONITORING AANPAK KIEZEN? Brainstorm sessie KIVI event Tiedo Tinga, Richard Loendersloot, Rahim Mouatamir 2-2-2017 KIVI Brainstormsessie 1 CONTEXT Condition