Maintenance Waarom de procesindustrie nog vooral aan preventief onderhoud doet


Predictive maintenance is mog P


Enkele jaren geleden kon je het niet over maintenance hebben zonder dat daar het woord ‘predictive’ aan gekoppeld werd. Door de komst van IoT, big data en andere ontwikkelingen waarbij grote hoeveel- heden data een rol spelen, zou je denken dat predictive maintenance in een stroomversnelling is terecht- gekomen. Maar dat blijkt in de praktijk tegen te vallen.


redictive maintenance mag in de proces- industrie de laatste jaren vaker genoemd worden dan voorheen, het is niet iets nieuws. Al eind jaren ‘80 experimenteer-


de NASA met predictive maintenance modellen in de hoofdmotor van hun Space Shuttle. Maar pas de laatste vijf jaar wordt er in de industrie met regelmaat gesproken over predictive maintenance. Volgens ir. drs. Wouter Verbeek, consultant bij Berenschot, ligt dat vooral aan het feit dat zowel sensoriek als com- putercapaciteit goedkoper zijn geworden en enorm aan mogelijkheden hebben gewonnen. “Nu kan het, denken veel mensen dan”, licht Verbeek toe.


Eén type asset Maar het blijft in de industrie nog vooral bij denken aan en praten over predictive maintenance. Verbeek: “Er zijn nog maar heel weinig partijen die predictive maintenance operationeel hebben. De partijen die wél gebruik maken van predictive maintenance heb- ben in de regel maar één type asset, bijvoorbeeld partijen die alleen met elektromotoren werken. Daarbij is de complexiteit van het implementeren van predictive maintenance dus laag en is er ook veel kennis over de faalmechanismen van dat type asset. Lagerfabrikant SKF is daar een mooi voorbeeld van.”


Wouter Verbeek


Kennis en tijd Bedrijven die meerdere, en soms ook complexere as- sets hebben, gebruiken dus nog nauwelijks predictive maintenance. Verbeek heeft daar een verklaring voor: “Om predictive maintenance goed te kunnen imple- menteren heb je kennis nodig van faalmechanismen. De crux is dat je de sensordata uit je assets kunt kop- pelen met kennis over faalmechanismen. Er zijn aller- lei methodes om dat te doen, maar een complete data-driven approach, waarbij je bij wijze van spreken de data in één bak gooit en de computer er een mo- del van maakt, dat gaat niet. Ik sluit niet uit dat je over vijftien tot twintig jaar wel op zo’n manier tot een


Om predictive maintenance goed te


kunnen implementeren heb je kennis nodig van faalmechanismen...


6 | nummer 2 | 2018


model kunt komen, maar vooralsnog heb je kennis en tijd nodig om tot goede modellen te komen.”


Watson In de toekomst zou het wellicht ook mogelijk kunnen worden dat kennis, die bij servicemonteurs aanwezig is, gecombineerd met sensordata middels een artificial intelligence systeem tot een model komt. Verbeek: “Dat systeem kan dan de koppeling maken tussen de kennis en sensordata. Je hebt nu al systemen als het Watson-platform van IBM die kennis kan omzetten naar modellen, maar we zijn er nog lang niet.”


Terugverdienen Het is volgens Verbeek niet zo dat door een stortvloed aan sensordata door de bomen het bos niet meer gezien wordt. En er is op zich ook voldoende kennis binnen de meeste bedrijven. “Het zit hem vooral in de tijd”, weet hij. ”Dat vergt een behoorlijke investering. En van die investering weet je ook niet zeker of je hem terug gaat verdienen. Storingen in mechanische onderdelen zijn bijvoorbeeld beter te voorspellen dan in elektronische onderdelen en een investering in een model dat over mechanische onderdelen gaat, ver- dien je in de regel dus sneller terug.”


Scheur Laten we er eens een concreet, maar ook hypothetisch voorbeeld bij nemen. “Stel dat een eigenaar van een plant wil weten wanneer een bepaald reactorvat ver- vangen dient te worden”, begint Verbeek, “je wilt dan weten waar en wanneer scheurtjes in dat reactorvat komen en je moet weten wanneer een scheur te groot is om het reactorvat nog in gebruik te houden. Je kunt die scheuren, die langzaam ontstaan, in de gaten hou- den met een sensor, of een groot aantal sensoren en het model dat je hanteert kan in principe vrij simpel zijn, bijvoorbeeld bij een heel eenvoudig exponen- tieel model (Paris’ Law). Maar het begint ermee dat je moet weten welke sensor je waar plaatst. Daar is dus simpelweg kennis voor nodig en de reeds genoemde investering in tijd. Het feit is wél dat die investering eenmalig is. Als je eenmaal een goed model hebt, is het een kwestie van het model volgen en onderhoud plegen wanneer de situatie er om vraagt. Het is niet altijd zo dat zo’n investering loont: dat is ook bij dit hypothetische reactorvat de vraag. Dat moet je echt


Page 1  |  Page 2  |  Page 3  |  Page 4  |  Page 5  |  Page 6  |  Page 7  |  Page 8  |  Page 9  |  Page 10  |  Page 11  |  Page 12  |  Page 13  |  Page 14  |  Page 15  |  Page 16  |  Page 17  |  Page 18  |  Page 19  |  Page 20  |  Page 21  |  Page 22  |  Page 23  |  Page 24  |  Page 25  |  Page 26  |  Page 27  |  Page 28  |  Page 29  |  Page 30  |  Page 31  |  Page 32  |  Page 33  |  Page 34  |  Page 35  |  Page 36  |  Page 37  |  Page 38  |  Page 39  |  Page 40  |  Page 41  |  Page 42  |  Page 43  |  Page 44  |  Page 45  |  Page 46  |  Page 47  |  Page 48