Download het artikel in 
ENGINEERINGNET - Onderzoek van Aberdeen laat zien dat bedrijven (zelfs) met verlaagde budgetten een succesvolle implementatie van predictief onderhoud achter de rug hebben en veel geld besparen door het terugdringen van onderhoudskosten.
In deze eerste bijdrage in een reeks van twee gaat de auteur dieper in op de acties die nodig zijn voor het opzetten van een geslaagde predictieve onderhoudsstrategie voor uw organisatie.
Het doel van predictief onderhoud 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.
Ontsluitend van sensordata
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.
Let wel op: predictive maintenance veronderstelt dat het voorspellend model continu wordt doorontwikkeld en verbeterd. Er komt steeds meer data beschikbaar om een steeds betrouwbaarder model te ontwikkelen.
Maar hoe ga je aan de slag met deze modellen? Het ontwikkelen van een voorspellend model is geen ‘straight forward’ proces, maar wordt gekenmerkt door meerdere iteratieslagen waar de dataspecialist 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.
STAP 1: Analyseer de beschikbare data
De eerste stap in het proces is het verzamelen en analyseren van beschikbare sensordata. De dataspecialist en de onderhoudsexpert werken nauw samen om te bepalen welke data beschikbaar, geschikt en nodig zjn 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 het 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 de data
De variabelen die informatie geven over de conditie van de installatie zijn afkomstig van verschillende types van sensoren, zoals voor 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 installatieconditie. 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 het 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 complexe 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 dataspecialist en is afhankelijk van het gestelde doel (resultaat versus inspanning).
STAP 5: Train het 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 het 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 modeltraining 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 dataspecialist en de onderhoudsexpert.
Deze aspecten van data-aggregatie, algoritme en modeltraining hebben gezamenlijk een grote invloed op de voorspellende werking van een model en vergen een optimale afstemming.
STAP 6: Evalueer het resultaat
Na het creëren van een voorspellend model dient dit 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 dataspecialist 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 onderhoudstechniekers 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 dataspecialist. 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.
(artikel gebaseerd op whitepaper van QNH)
door Sjoerd Hobo, Manager Business Analytics bij QNH
Lees in het volgende nummer: «Ontsluiten van grote hoeveelheden remote sensordata via de cloud»
OVER DE AUTEUR
Sjoerd Hobo is Manager Business Analytics bij QNH, een dienstverlener die bedrijven helpt met het bijsturen en verbeteren van hun bedrijfsvoering door de inzet van slimme IT-oplossingen.
Kader: Succesfactoren volgens Aberdeen
De bedrijven die succesvol predictief onderhoud 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.
Kader: Preventief onderhoud
• Een veel toegepaste vorm van onderhoud is preventief onderhoud. Deze vorm vindt plaats op basis van richtlijnen, normen en expertkennis en moet onverwachte storingen voorkomen.
Een belangrijk aandachtspunt hierbij is het bepalen van het juiste onderhoudsmoment. Elke week smeren voorkomt het vastlopen van een machine, maar misschien is maandelijks smeren al wel voldoende? Wekelijks smeren kost immers veel geld door het stilleggen van de installatie, maar durf je het risico te nemen?
Kader: Toestandsafhankelijk onderhoud
• Als goede basis voor preventief onderhoud passen veel bedrijven toestandsafhankelijk onderhoud toe. Hierbij 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 moet blijken of onderdelen binnenkort problemen gaan geven. Deze kunnen dan bij de eerstvolgende onderhouds- of productiestop vervangen worden.
Een aandachtspunt blijft dat dit type van onderhoud nog steeds gebaseerd is 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.
