Industrie
Supply Chain Management Analytics

Total ‘predictive’ maintenance: autonomie door technologie

(Er is geen typfout in de titel)
Momar Tall

Predictief/voorspellend onderhoud (predictive maintenance) is een van de meest voor de hand liggende toepassingen van big data en analyses in een industriële omgeving. De reden hiervoor lijkt duidelijk. Industriële bedrijven verzamelen een heleboel gegevens via hun machines. Alleen gebruikten ze die gegevens tot nu toe amper. Procesgegevens gebruiken om defecten te voorspellen en vooraf in te grijpen, lijkt de perfecte manier om de beschikbaarheid van machines te verbeteren. Maar betekent dit ook dat onderhoud voortaan het speelterrein wordt van datawetenschappers in plaats van ingenieurs? Ik denk het niet. Integendeel, voorspellend onderhoud kan net een manier zijn om onderhoud opnieuw op de werkvloer te introduceren.

Volledig voorspellend onderhoud (total productive maintenance of TPM) is al geruime tijd een ingeburgerd concept. Door operatoren actief te betrekken in het onderhoud van hun materiaal wil men de productie-efficiëntie opkrikken, de sfeer op de werkvloer verbeteren en de jobtevredenheid verhogen. Volgens verschillende bronnen kunnen fabrikanten dankzij TPM een operationele efficiëntie van meer dan 85% bereiken voor hun machines. TPM biedt enkele interessante pistes en leert ons hoe we voorspellend onderhoud kunnen toepassen in de praktijk.

De belangrijkste pijler van TPM is autonoom onderhoud. Als je ervan overtuigd bent dat operatoren hun machines als geen ander kennen, dan is het ook logisch om hen te betrekken bij het onderhoud ervan. Door hen toegang te geven tot data en slimme analyses over de relatie tussen procesmetingen en de toestand van hun machine, kunnen we van hen cruciale spelers in het onderhoudsproces maken. Naast opleiding vergt dit natuurlijk een goede voorbereiding.

De eerste stap in een volledig predictief onderhoud is 5s. Met 5s maken we problemen zichtbaar. Als we big data en analysetoepassingen gebruiken, dan is 5s van toepassing op de fysieke omgeving van de machine, maar ook op de data die de machinesensoren doorgeven. We merken dat bedrijven een heleboel procesgegevens opslaan, hoewel ze weten dat de kwaliteit ervan heel laag is. In de 5s-fase werkt een datawetenschapper samen met de operatoren om te bepalen welke signalen als betrouwbaar kunnen worden beschouwd. Daarna kunnen de betrouwbare datareeksen zichtbaar gemaakt worden op de werkvloer.

De datawetenschapper kan onafgebroken samen met de operatoren en de technische staf alternatieve onderhoudsplannen opstellen die gebaseerd zijn op data en op de gezamenlijke kennis van het hele team. Deze aanpak leidt niet alleen tot een beter onderhoudsplan. De operatoren zijn op die manier ook veel nauwer betrokken bij het dagelijkse beheer van hun machines. Zodra de juiste meldingen zijn ingesteld, kunnen de operatoren de machines autonomer onderhouden. Via visuele meldingen van een analysetool kunnen ze op elk moment checken wat er met hun machines aan de hand is en beslissen welk moment geschikt is voor een onderhoud.

Heb je hiervoor hoogopgeleide operatoren nodig? Ik denk het niet. Worden de meldingen ingesteld met het hele team, dan zijn de operatoren zelf mee verantwoordelijk voor de regels. Ze weten dan waarom sommige meldingen zich voordoen en begrijpen welke maatregelen achter elke melding schuilgaan. Dit vergroot hun betrokkenheid en stelt hen in staat hun eigen omgeving te beheren.

Nieuwe technologieën lijken vaak heel complex als je ze voor het eerst gebruikt. Maar zodra ze verder ontwikkeld zijn, verdwijnt de complexiteit en zie je alleen nog de kracht van hun mogelijkheden. Met eenvoudige en intuïtieve gebruikersinterfaces moet het mogelijk zijn om dat ontwikkelingsniveau vrij snel te bereiken bij voorspellend onderhoud. Zodra je dat punt bereikt, kunnen geavanceerde technologieën en betrokken werknemers samen toegroeien naar een volgend niveau in volledig predictief onderhoud. Zo wordt volledig voorspellend onderhoud een feit.

Bedankt voor het lezen

Contacteer onze expert

Momar Tall