Wat is voorspellend onderhoud?

Voorspellend onderhoud gebruikt sensordata en storingshistorie om in te schatten wanneer een machine waarschijnlijk uitvalt, zodat onderhoud plaatsvindt vóór stilstand in plaats van op een vaste kalender.

De belofte is duidelijk, de eis niet: u heeft voorbeelden nodig van dingen die misgingen. Dat ene feit bepaalt of een traject haalbaar is, en het wordt meestal ontdekt nadat de sensoren al gekocht zijn.

De drie onderhoudsstrategieën, en waar deze past

Reactief — repareren als het stukgaat. Het goedkoopst tot de storing duur of onveilig is.
Preventief — onderhoud op schema, op draaiuren of kalender. Simpel, goed begrepen, en het onderhoudt betrouwbare machines systematisch te veel terwijl het vroege storingen alsnog mist.
Voorspellend — onderhoud wanneer de conditie daarom vraagt. In principe beter, en het vraagt data die preventief onderhoud nooit nodig had.

De meeste operaties mogen eerlijk vaststellen dat preventief het juiste antwoord is voor het merendeel van het machinepark. Voorspellend verdient zichzelf terug op het kleine aantal assets waar ongeplande stilstand duur is, veiligheidskritisch, of een hele lijn blokkeert.

U heeft storingshistorie nodig, niet alleen sensoren

Een model dat storing voorspelt, moet leren hoe de aanloop naar storing eruitziet. Dat vraagt gelabelde voorbeelden: deze machine, deze metingen, en toen viel hij uit op deze datum om deze reden.

De meeste bedrijven hebben het omgekeerde. Jarenlange sensormetingen en een onderhoudslogboek dat "gerepareerd" zegt zonder oorzaak, zonder precieze tijd en zonder koppeling aan de metingen. Sensordata zonder storingshistorie draagt anomaliedetectie, geen voorspelling — u kunt "dit is niet normaal" markeren, maar niet "dit lager heeft nog ruwweg drie weken".

Dat onderscheid is het waard om bij leveranciers op te staan, want anomaliedetectie wordt regelmatig als voorspellend onderhoud verkocht en beantwoordt een veel zwakkere vraag.

Hoeveel data, en hoelang

De ongemakkelijke rekensom: u heeft meerdere voorbeelden nodig van elke faalwijze die u wilt voorspellen. Gebeurt een specifieke storing twee keer per jaar, dan levert twee jaar historie vier voorbeelden — te weinig om een model op te laten generaliseren.

Praktische routes bij dunne historie: begin met anomaliedetectie en laat die een jaar gelabelde gebeurtenissen opbouwen, bundel data over identieke machines om voorbeelden te vermenigvuldigen, of begin met de faalwijzen die het vaakst optreden in plaats van die het hardst aankomen. De reflex is de catastrofale zeldzame storing eerst aan te vallen; de data draagt dat vrijwel nooit.

Wat er nodig is om naar de voorspelling te handelen

Een voorspelling is waardeloos als ze niemands handelen verandert. De melding moet de planner bereiken met genoeg voorlooptijd om het onderdeel te bestellen en het venster in te plannen — en die benodigde voorlooptijd is een bedrijfsfeit dat u kunt vaststellen vóórdat er een model bestaat.

Duurt een onderdeel zes weken en kijkt uw model twee weken vooruit, dan is de voorspelling niet uitvoerbaar en mislukt het traject ongeacht de nauwkeurigheid. Stel deze vraag eerst; hij diskwalificeert meer trajecten dan datakwaliteit doet.

Wat het kost, en een noot voor Vlaanderen

Bij Crux Digits: een audit van €2.500 stelt vast of uw storingshistorie voorspelling überhaupt draagt, en zegt het onomwonden wanneer het eerlijke antwoord anomaliedetectie of beter preventief plannen is. Een proof of concept van €20.000 draait vier tot zes weken op uw historische data, en productie begint vanaf €50.000.

Voor Vlaamse operaties: dit is een onderwerp waar de Belgische markt naar verhouding even actief is als de Nederlandse, en wij werken in beide. De technische eisen zijn identiek; alleen de conventies rond onderhoudsplanning verschillen.