Predictive maintenance geeft productontwikkeling een boost

Wat als machines jou zouden waarschuwen vlak voordat ze kapot dreigen te gaan? Zou het niet ontzettend veel kosten - en vooral frustratie - schelen als je exact zou kunnen voorspellen wanneer er onderhoud moet worden gepleegd?

Dankzij de toepassingen van ‘Internet of Things’ is zulk voorspellend onderhoud nu daadwerkelijk mogelijk. Mariëlle Stoelinga (professor of risk management for high-tech systems, Universiteit Twente): “Aan de hand van data, is het mogelijk om het onderhoud van bijvoorbeeld motoren en pompen, veel efficiënter in te richten. Het ideaal is ‘just-in-time-maintenance’, alleen dán en dáár onderhoud plegen waar het echt nodig is.”

Volgens Tiedo Tinga (professor in dynamics based maintenance, eveneens aan de Universiteit Twente) zijn de verwachtingen hoog gespannen. “Vergelijk het met een auto. De fabrikant heeft bedacht dat elke auto standaard een onderhoudsbeurt nodig heeft na 20.000 kilometer, maar het maakt wel uit hoe die auto in de tussentijd gebruikt is, door een sportieve rijder of het spreekwoordelijke oude vrouwtje.”

Van meten naar voorspellen

Van de standaard-onderhoudsbeurt na 20.000 kilometer is de logische vervolgstap ‘condition-based-maintenance’. Oftewel onderhoud op basis van de feitelijke conditie van het systeem. Tinga: “En om de exacte conditie vast te stellen, heb je meettechnieken nodig, bijvoorbeeld trillingsanalyses. Als het trillingsniveau boven een bepaalde drempel komt, moeten lagers bijvoorbeeld vervangen worden. Bij remschijven meet je dan weer de dikte.”

Bij predictive maintenance ga je nog een stap verder dan bij condition based maintenance. “Je meet niet alleen wat de feitelijke conditie is, maar je gaat ook bepalen hoe lang het nog duurt voordat je écht iets moet doen in het onderhoud. Dat is natuurlijk ideaal aangezien je zo min mogelijk korte-termijn-waarschuwingen wilt hebben omdat dat problemen oplevert met personeel en reserveonderdelen.”

Digital twinning

Predictive maintenance, of voorspellend onderhoud, is een grote belofte, maar het voorspellen blijft lastig in de praktijk, weet Tinga. “Dat komt omdat de onderdelen eigenlijk uit zichzelf stuk moeten gaan, om exact te kunnen vaststellen waar het breekpunt ligt, en het model daar mee te kunnen trainen. In de praktijk is dat natuurlijk te duur en te gevaarlijk! Je kunt de degradatie bij een vliegtuigmotor niet op z’n beloop laten, omdat dat nou toevallig goede input voor je model oplevert.”

Hoe kom je dan aan betrouwbare informatie voor predictive engineering? Volgens Tinga speelt ‘digital twinning’ daarin een grote rol. “Het is een digitale replica van een industrieel proces, zodanig vergelijkbaar dat je op basis van zo’n ‘twin’ besluiten kunt nemen in je werkelijke proces.

Bouwblokken voor voorspellend onderhoud

Modellen combineren met data, dat is ook wat Stoelinga het mooist vindt. Vanuit deze interesse is Stoelinga geïnteresseerd geraakt in ‘voorspellend onderhoud’. “Het is een heel multidisciplinair vakgebied: je hebt mensen nodig die alles weten van sensoren, mensen die thuis zijn in algoritmes, maar ook bijvoorbeeld specialisten op het vlak van organisatiepsychologie om de nieuwe werkwijzen te implementeren. Juist in die samenwerking is heel veel winst te behalen. Iedereen brengt z’n eigen expertise mee en samen vormen dat de bouwblokken voor voorspellend onderhoud.”

Hoe kan een technologisch bedrijf z’n voordeel doen met deze technologie die nog volop in ontwikkeling is aan universiteiten? Volgens Stoelinga is voorspellend onderhoud relevant voor iedereen die met kapitaalgoederen te maken heeft: met bruggen, spoorwegen, fabrieken, boorplatforms, windmolens. “Onderzoekers hebben berekend dat predictive engineering productontwikkeling een boost kan geven; er zou 63 miljard per jaar mee bespaard kunnen worden.”

Maar we moeten ons volgens Stoelinga niet blind staren op die enorme beloften. “Er is heel veel fruit te plukken, maar het vereist wel een strategie. Veel bedrijven beginnen lukraak met data verzamelen. Dat is niet zinvol. Als je een huis gaat bouwen, begin je ook niet lukraak stenen te verzamelen.” Een bedrijf dat met predictive engineering aan de slag wil, heeft in elk geval een goede data scientist nodig in z’n team. Data is sowieso belangrijk, niet alleen voor voorspellend onderhoud, ook al zul je soms tot de conclusie komen, dat je te weinig data hebt om een goede voorspelling te doen.

Enorm veel bandbreedte

Eén kanttekening bij grote dataverzamelingen: het opslaan daarvan kost veel energie en is dan ook kostbaar. Wegen deze kosten op tegen de voorspelde winst van voorspellend onderhoud? Stoelinga denkt van wel: “Natuurlijk, inspecties met sensoren kosten enorm veel bandbreedte, maar een fabriek te vroeg opdoeken of vervangen is nog véél duurder.”

Ook Tinga denkt dat het uiteindelijk wel uit kan: “Er is nu veel verspilling van materialen. Dát is natuurlijk ook niet bepaald duurzaam. Je moet je uiteindelijk wel afvragen welke data je precies wilt verzamelen en bewaren. Op dit moment worden nog teveel data verzameld, terwijl we helemaal niet weten wat we ermee moeten. Daar ligt nog een mooie taak voor ons vakgebied: zorg dat je eerst goed snapt wat er precies aan de hand is en haal alleen díe parameters eruit, die daadwerkelijk iets toevoegen in je proces.”