De komst van Industry 4.0 zorgt voor meer innovatie en vooruitgang, maar ook voor meer druk op het productieproces. De kosten van ongeplande stilstandtijd in de productie-industrie kunnen hoog oplopen. Om ervoor te zorgen dat machines en onderdelen operationeel blijven moet een juiste onderhoudsstrategie gekozen worden. Beenen BV zorgt bij klanten voor een verschuiving van correctief onderhoud naar preventief en voorspellend onderhoud.
De correctieve onderhoudsstrategie die bij de meeste klanten van Beenen nog gehanteerd wordt zorgt ervoor dat assets maximaal benut worden en er geen preventieve
onderhoudskosten zijn. Wanneer er plotseling rook uit de machine komt is het duidelijk dat de maximale levensduur bereikt is. Echter, de totale kosten van een reparatie blijken vaak hoger dan van een geplande onderhoudsbeurt. Ongeplande stilstand zorgt ervoor dat productiepersoneel naar huis wordt gestuurd, monteurs moeten overwerken en klanten worden teleurgesteld.
Voorspellend onderhoud biedt oplossing
Voorspellend onderhoud is meestal gebaseerd op de actuele conditie van machines, ook wel Condition-Based Maintenance (CBM) genoemd. Het voordeel ten opzichte van een Time-Based Maintenance (TBM) strategie is dat overmaintaining niet nodig is. Wanneer de levensduur van machines een grote variantie heeft zullen veel machines te vroeg onderhouden worden. Een klant van Beenen met meer dan 250 robotarmen geeft hierin een goed voorbeeld. ‘Elke robotarm maakt een unieke beweging met een unieke grijper wat resulteert in een grote variantie in levensduur’ zegt Wiljan Vos, Data Consultant voor Beenen. ‘Robots na 5 jaar vervangen terwijl ze nog 5 jaar kunnen produceren is natuurlijk weg-gegooid geld en daarom is overgestapt naar de CBM strategie.’
Hoe eenvoudig voorspellend onderhoud ook klinkt op papier – en hoe aanlokkelijk de voordelen ook zijn – er komt nogal wat kijken bij het goed implementeren van de verschillende tools en methodieken. Voordat voorspellend onderhoud een oplossing kan bieden is het noodzakelijk over geschikte data te beschikken. Sensor data van machines worden gecombineerd met Event Logs, SCADA data en onderhoudshistorie om de conditie van een machine te bepalen. Door intensief samen te werken met software-en maintenance engineers weten analisten hoe ze de data moeten interpreteren. Vos: ‘Met alleen data scientists of alleen maintenance engineers ga je er niet komen, een samenwerking is noodzakelijk.’
Door de intensieve samenwerking met klanten en de uitgebreide analyses van machines en data wordt er veel nieuwe kennis vergaard. Kennis die weer wordt gebruikt om het huidige productieproces te kunnen verbeteren. Dit blijkt uiteindelijk zeer nuttige bijvangst van een CBM project. Vos: ‘We hebben geholpen het reparatieproces te verbeteren en ook hebben we meer inzicht gekregen in de werking van robotarmen en zijn we nu in staat hier optimalisaties uit te voeren.’
Machine Learning
Het detecteren en identificeren van fouten in robotarmen wordt in eerste instantie door analisten gedaan. Machine Learning zorgt er daarna voor dat afwijkingen automatisch gesignaleerd kunnen worden. Dit kan het overschrijden van een simpele threshold zijn maar ook uitkomsten van complexe of statistische berekeningen. Naar verloop van tijd zal het systeem meer afwijkingen kunnen ontdekken en nog waardevoller zijn. ‘Je moet niet denken dat na implementatie elke fout ruim van tevoren geïdentificeerd kan worden. Om het proces van voorspellend onderhoud te verbeteren is nu eenmaal veel data en tijd nodig’ zegt Vos. Monteurs raken langzamerhand vertrouwd met het nieuwe systeem die voor een cultuur omslag zorgt. De overgang van correctief naar preventief werken vereist een andere mindset bij monteurs, maintenance engineers en productiepersoneel. Hier tegenover staat uiteindelijk een hogere machine beschikbaarheid tegen lagere onderhoudskosten.
