NUMMER 11 I 21 JUNI


How to make maintenance fully predictable


Less downtime, less unnecessary mainte- nance, and more efficient fuel consumption – smart maintenance will minimise maintenance costs. Also in the maritime sector. Loods aan Boord (“Pilot on Board”) conducted a meeting on this subject. Obviously, there are quite a few hurdles yet to be taken on the road to fully predictable maintenance.


MIRJAM STREEFKERK


Location: top floor of the former Ericsson factory in Gilze-Rijen, the Netherlands. Below us, we can see the gigantic Chenook helicopter, which is used to train maintenance technicians from all over the world. Above it is the Campione FieldLab; next to the meeting room is a rectangular testing installation with numerous pipings. In these, water is heated up and mixed, and conducted through pipes and valves. They are used to test sensors and regulators. The laboratory has been set up by companies as well as educational institutions. Its purpose is to make maintenance in the process industry one hundred percent predictable. The maritime equivalent of this lab is SMASH. This FieldLab does not have a physical location but compris- es various projects in which maritime asset owners, manufacturers, as well as data- specialists participate. Fully predictable maintenance. This is the subject that has attracted many interested parties to the meeting of Loods aan Boord (“Pilot on Board”) in Gilze-Rijen, the Nether-


lands. Loods aan Boord comprises a group of independent parties, who have been organising meetings around a certain topic of current interest since 2010. Today, the theme is ‘Big Data in the Maritime & Land Based Industry’. It sparked a lot of interest, because if you are able to handle data more efficiently, you will experience less downtime, less unnecessary maintenance, and more efficient fuel consumption.


Massive outflow In his presentation, host Henk Akkermans stated that maintenance challenges are similar in the process industry, infrastructure and the maritime sector. Akkermans is director of World Class Maintenance, a knowledge organisation focussing on clever maintenance. “We have reached the stage where just about everything needs to be overhauled: infra- structure, installations, ships... The demand for maintenance is hugely increasing. At the same time, vast numbers of people who have been doing maintenance work for 25 to 30 years are retiring from the labour market”. It continues to be a tough task to find new people for this sector. Maintenance capacity is dropping to critical levels. “More and more work has to be done by fewer people. As a result, their productivity just has to rise and to achieve this, innovation is needed. I believe this to be the real reason we are increasingly focussing on data, although the fact that sensors can be made more cheaply does help”.


Burden of the past But even with this pressure upon us, there are many hurdles yet to be taken on the road to


fully predictable maintenance. “If you ask a refinery what they are measuring, they will look at you as if they see water burning”, someone remarked. “They have no idea of the efficiency they will be able to gain if they should link multiple data sources.” Akkermans nods in agreement. “Major companies indeed have to burn many boats to get there. The most successful innovations are realised by small companies that are not burdened by their past”. The problem is not lack of technology, but lack of flexibility. Aſter all, the asset owner has other interests at heart than the person performing maintenance, who just wants to put in the hours. “And because we do not fairly split up the profits aſter an innovation is implemented, no innovation will occur at all”, Akkermans stated. Which is precisely the reason for his organisation to initiate FieldLabs.


Just a few tenners To make cleaver use of data, companies do not always have to invest in expensive new machinery and devices. “Sometimes, a simple sensor will only cost you a few tenners. And the not-so-up-to-date equipment oſten still produces a lot of data. Take, for example PLCs – the microprocessors driving the machines)”. The most important change we have to make is a cultural change; a paradigm shiſt, Akkermans stressed, because condition- based management demands far-reaching changes to processes. Data not only needs to be collected, but also tagged and put in such forms that correlations with other data can be found. Subsequently, models have to be developed to analyse historic and current


data in such a way as to make forecasts. To achieve this, data scientists are needed: they will be able to find correlations no matter the subject. Akkermans: “Boskalis has provided such people with a lot of data about their ship Willem van Oranje. They noticed that when a certain part was under pressure, other things started happening elsewhere. Maintenance technicians had never observed this phenom- enon”. But a model merely to forecast is not enough; it should also automatically make recommendations for repairs. And this requires staff to follow additional training.


Engineers of a different breed Within his own company, Nico de Bruin is working slowly but surely on a paradigm shiſt. He is the owner of WTS, Wetering Trade & Services BV, a company that performs maintenance and repair work on ocean-going vessels. “Such a vessel is a floating data centre, as it were. A lot can be done with this data. An OEM manufacturer once told me: aſter twenty hours, the engine should be overhauled. But why should I do this if nothing needs to be repaired or replaced?” To start his clever maintenance project, De Bruins’ company had to be overhauled itself. “The average age of my service engineers was over 45. They use tools, rather than data. So, I started to acquire engineers of a different breed.” Akkermans believes that companies such as his will make the difference in the long run. “Because if the person performing mainte- nance cannot see why it would be cleverer to do things another way, nothing will change”.


13


Op naar volledig voorspelbaar onderhoud


Minder downtime, minder onnodig onder- houd en efficiënter brandstofverbruik: met smart maintenance kan ook de maritieme sector zijn onderhoudskosten flink terug- brengen. Tijdens een bijeenkomst over dit onderwerp van Loods aan Boord blijkt dat er nog wel wat hordes zijn op de weg naar volledig voorspelbaar onderhoud.


MIRJAM STREEFKERK


We zijn op de bovenste verdieping van de voormalige Ericssonfabriek in Gilze-Rijen. Beneden staat een enorme Chenook-helikop- ter, die wordt gebruikt om onderhoudsmon- teurs vanuit de hele wereld te trainen. Hierboven is het Campione Fieldlab; naast de vergaderzaal staat er onder meer een langwerpige testinstallatie met allerlei buizen. Het water erin wordt opgewarmd en gemengd en stroomt door buizen en kleppen. Daarmee kunnen sensor- en regeltechnische aspecten getest worden. Het laboratorium is opgezet door zowel bedrijven als onderwijsinstellingen en heeſt als doel om onderhoud in de procesindustrie 100 procent voorspelbaar te maken. Het mari- tieme equivalent van dit lab is SMASH. Dit FieldLab heeſt geen fysieke locatie maar bestaat uit verschillende projecten waaraan zowel maritieme asset owners als fabrikanten en dataspecialisten meedoen. Volledig voorspelbaar onderhoud: dat is ook waarvoor de aanwezigen vandaag op uitnodiging van Loods aan Boord naar Gilze-Rijen zijn gekomen. Loods aan Boord bestaat uit een groep zelfstandigen die al sinds 2010 themabijeenkomsten organiseert


rondom actuele onderwerpen. Vandaag staat ‘Big Data in de Maritime- & Land based Industry’ op de agenda. En dat wekt interesse, want wie slimmer omgaat met data realiseert minder downtime, minder onnodig onderhoud en efficiënter brandstofverbruik.


Massale uitstroom In de procesindustrie, de infrastructuur en in de maritieme sector zijn de uitdagingen op het gebied van onderhoud vergelijkbaar, stelt gastheer Henk Akkermans tijdens zijn presentatie. Akkermans is directeur van World Class Maintenance, een kennisorganisatie die zich hard maakt voor slim onderhoud. “We zijn massaal in de hoek van de vergrijzende infrastructuur, installaties en schepen gekomen, overal neemt de behoeſte aan onderhoud toe. En tegelijkertijd is de massale uitstroom begonnen van mensen die 25 tot 30 jaar dat onderhoud hebben gedaan”. Nieuwe mensen voor dit vak vinden blijkt moeilijk en dus neemt de onderhoudscapaciteit af. “We moeten meer werk doen met minder mensen, de arbeidsproductiviteit moet omhoog en dus is er innovatie nodig. Ik denk dat dit de echte reden is dat we steeds meer oog krijgen voor data, hoewel het natuurlijk ook helpt dat sensoren steeds goedkoper worden”.


Last van het verleden Maar zelfs met deze druk zijn er nog wel wat horden te nemen op weg naar volledig voorspelbaar onderhoud. “Als je nu aan rederijen vraagt wat meet je nou eigenlijk, kijken ze je schaapachtig aan”, brengt iemand in. “Ze hebben geen idee wat voor efficiency ze kunnen halen als ze allerlei databronnen


aan elkaar gaan knopen.” Akkermans vindt dat herkenbaar. “Grote bedrijven moeten inderdaad veel schepen achter zich verbranden op weg hiernaartoe. De meest succesvolle innovaties komen van kleine bedrijven die geen last hebben van het verleden”. Het probleem is dan ook niet technisch, maar organisatorisch van aard. De asset owner heeſt immers andere belangen dan degene die het materiaal onderhoudt, die het liefst natuurlijk zo veel mogelijk uren wil maken. “Doordat we niet goed geregeld hebben wie wat krijgt na invoering van een innovatie, ligt de innovatie helemaal stil”, zegt Akkermans. En precies dat is de reden dat zijn organisatie het initiatief nam voor de FieldLabs.


Paar tientjes Om slimmer gebruik te maken van data hoeven bedrijven niet per se enorme investeringen te doen in nieuwe machines en apparaten. “Sommige sensoren heb je al voor een paar tientjes. En ook oude spullen genereren al heel veel data, zoals PLC’s (microprocessoren die machines aansturen)”. Er is dan ook vooral een cultuurverandering nodig, een paradigmashiſt, betoogt Akkermans, want condition based management vraagt om flink wat aanpassingen in de processen. De data moet niet alleen verzameld, maar ook getagd en zodanig vormgegeven worden dat er correlaties met andere data gevonden kunnen worden. Vervolgens moeten er modellen komen die historische en actuele data zodanig kunnen analyseren dat ze voorspellingen kunnen doen. Daar zijn data scientists voor nodig, mensen die ongeacht het onderwerp correlaties kunnen vinden.


Akkermans: “Boskalis heeſt over hun schip de Willem van Oranje bijvoorbeeld heel veel data gegeven aan dit soort mensen. Zij zagen in de data dat als er een bepaald onderdeel stuk gaat, er op andere plaatsen ook iets gebeurt. De onderhoudstechnici hadden dat zelf nooit waargenomen”. Maar met alleen een voorspel- lend model ben je er nog niet: het dient ook automatisch aanbevelingen te doen voor reparaties en daarvoor moet de staf dan weer worden getraind.


Andere mensen Nico de Bruin is in zijn bedrijf voorzichtig bezig met zo’n paradigmashiſt. Hij is eigenaar van WTS, Wetering Trade & Services BV, een bedrijf dat onderhoud en reparaties verricht op zeeschepen. “Zo’n schip is een varend datacentrum, daar moeten we veel meer mee gaan doen. Een OEM-er (een fabrikant, MS) zegt tegen mij: na twintig uur moet de motor een beurt hebben. Maar waarom zou ik dat doen als er niets versleten is?” Om aan slim onderhoud te kunnen gaan doen, moet het personeelsbestand van De Bruins bedrijf op de schop. “De gemiddelde leeſtijd van mijn monteurs ligt boven de 45. Die lopen rond met gereedschap en zijn niet gespecialiseerd in data. Dus probeer ik andersoortige mensen binnen te krijgen.” Het zijn dit soort bedrijven die het verschil moeten gaan maken, zegt Akkermans. “Want als degene die het onderhoudswerk doen niet inzien dat het beter is om op een andere manier en slimmer te gaan werken, dan gaat er absoluut niets veranderen”.


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