Maand: maart 2023

Voorspellend onderhoud

Voorspellend onderhoud (PrM-Predictive Maintenance) kan het best omschreven worden als een reeks activiteiten die als gevolg van veranderingen in de fysieke toestand van een asset worden ondernomen om het risico van falen te voorkomen. PrM zelf kan worden verdeeld in methoden (sensoren) om beginnend falen (bijv. slijtage) te detecteren en algoritmen, gebaseerd op statistische data (sensoren) voor het voorspellen van falen.

Het gebruik van de sensoren als indicator voor het vaststellen van conditie en dus het juiste moment van interventie (CBM-Condition Based Maintenance) kan continue of periodiek ondersteund worden. De conditie van componenten wordt dan via algoritmes en patronen beoordeeld. Falen kan dan vroegtijdig worden herkend en vervolgens kunnen corrigerende maatregelen worden gepland. Ongeplande uitval (zo is de belofte) kunnen worden vermeden en zowel personeel als middelen kunnen effectiever worden ingezet.

De eerste stap van PrM-is data-acquisitie. Sensoren genereren informatie (trillingen, temperatuur, capaciteit) over de toestand van de componenten. Verschillende sensoren, ultrasone sensoren, vibratiesensoren en akoestische emissiesensoren, zijn ontworpen om verschillende gegevens te genereren.

Daarna zijn er twee stappen nodig om de signalen van sensoren af te handelen. De ene is signaalverwerking, die de signaalkenmerken en -kwaliteit verbetert. De technieken in signaalverwerking omvatten o.a. filteren, versterking, datacompressie, validatie en ruisonderdrukking. De volgende stap is om die bewerkte signalen juist die gegevens te extraheren die kenmerkend en passend zijn voor een beginnend falen.

De volgende stap is om op basis van die date beslissingen te nemen over onderhoudsacties. De beslissingen kunnen ondersteuning worden met een: fysiek model, statistisch model, gegevens of een combinatie (hybride) model. De meest gebruikte methode is de vergelijking met historische gegevens (data gedreven) om het falen te identificeren en te evalueren. Wanneer historische gegeven ontbreken worden modelgebaseerde technieken gebruikt om de conditie te evalueren. Deze technieken zijn alleen bruikbaar na een analyse en kennis van de asset. Er moet namelijk eerst een model van de bestaande werkelijkheid (actuele conditie en conditieverloop) worden gemaakt.

Technieken voor het ondersteunen van onderhoudsbeslissingen kunnen worden verdeeld in: diagnose en prognose. Diagnose richt zich op detectie en identificatie van falen en het moment wanneer deze zich voordoen. De prognose richt zich op het voorspellen van falen voordat deze zich voordoen. In de praktijk is het echter niet eenvoudig om prognose en diagnose toe te passen vanwege het gebrek aan procedures, gegevens en kennis, om de modellen te creëren. Wat nu nog ontbreekt zijn technieken als kunstmatige intelligentie, neurale netwerken, fuzzy logic-systemen.

Resnikoff’s conandrum

De belangrijkste bron van betrouwbaarheid zijn de prestaties van de apparatuur en daarmee de onderliggende componenten. Om gegevens uit apparatuur te kunnen verzamelen moeten de gegevens over storingsmodi onder steeds dezelfde bedrijfsomstandigheden worden gegenereerd. Dat betekent dat bij veranderende omstandigheden, zoals preventieve ingrepen, de data over faalpercentage worden aangepast.

Rondom de kwaliteit van de componentdata is er nog veel te doen. De betrouwbaarheid van componenten is in belangrijke mate afhankelijk van een breed scala aan omgevings- en operationele factoren. Daarom zijn de eventueel meegeleverde fabrikantgegevens op zijn best gemiddelde waarden met bepaalde betrouwbaarheidsniveaus. De meeste gegevens bevatten alleen uitvalpercentages, testrapporten zijn vaak niet aanwezig of beschikbaar voor besluitvormers op het gebied van onderhoud.

De informatie die het meest nodig is, zijn gegevens over kritieke storingen. Kritieke storingen gaan gepaard met verliezen (b.v. dodelijke slachtoffers, productie). In veel organisaties is het echter niet duidelijk welke verliezen acceptabel zijn. Onderhoud moet dus alle mogelijke verliezen voorkomen gedurende de geplande operationele levensduur van het asset. Dit leidt tot onderhoudsbeleid dat is ontworpen zonder goed te weten welke storingen het beleid moet voorkomen.

Dit is de achtergrond van de misvatting achter De Resnikoff’s Conundrum. Resnikoff stelt dat als ernstige storingen bij het eerste ontwerp zijn uitgesloten, er nooit geschikte data voor analyse zal zijn. De berekende kans op verliezen is in de fase voorafgaand aan het ontwerp zeer klein gemaakt.

Wanneer storingsgegevens de effecten van huidige en eerdere onderhoudspraktijken bevatten, zou het punt van mogelijke storing (P) vóór het punt van functionele storing (F) liggen. De onderhoudsinterval zou dus korter zijn dan MTBF. Uitval wordt voorkomen en dus zou het interval waarschijnlijk langer zijn dan wanneer er geen preventief onderhoud zou zijn uitgevoerd. Evenzo veroorzaakt het optreden van een storingsmodus corrigerende maatregelen die op hun beurt het optreden van andere storingsmodi kunnen voorkomen.

Wanneer dergelijke gegevens worden verzameld, is het waarschijnlijk niet dat de steekproefomvang voldoende is om betrouwbaar te zijn. Zelfs als de gegevens nauwkeurig zouden zijn, is de benadering met de betrouwbaarheidstheorie omslachtig. De meeste organisaties hebben onvoldoende competent personeel om gegevens in modellen te vatten. Modelleren is nog complexer als verschillende systemen en componenten bevatten. Het modelleren van gegevens is vooral lastig als de gebruiker geen ervaring heeft statistiek, kansverdeling, functies, programmeren of programmasimulaties. Zonder de juiste programmatuur is het zelfs onmogelijk resultaten te begrijpen en analyseren.

Is Industrie 4.0 smart?

Industrie 4.0 is een verzamelnaam voor technologieën en concepten. Het is o.m. gebaseerd op de technologische concepten (d.w.z. RFID, IoT, Big Data), en het faciliteert de visie van de Smart Factory. Binnen de modulair opgebouwde Smart Factories of Industry 4.0 worden fysieke objecten en processen weergegeven in een virtuele wereld (Digital Twins) om zodoende controles uit te voeren en ‘informed’ beslissingen te nemen. Zowel interne als organisatie overschrijdende diensten worden gebruikt door deelnemers uit de waardeketen. Hoewel Industrie 4.0 momenteel alweer een tijdje een hype is, bestaat er geen algemeen aanvaarde definitie van de term.

Industrie 4.0 belooft een nieuwe interface tussen productontwikkeling, productie, onderhoud en dus alle belangrijke processen die waarde toevoegen aan de eisen van de klant. Deze interface kan leiden tot nieuwe processen, b.v. geïntegreerde product- en productiesysteemontwikkeling, maar ook intensivering van gegevensuitwisseling tussen afdelingen en organisaties. Bovendien maakt Industrie 4.0, zoals voorstanders beweren, intelligente en flexibele informatie-uitwisseling tussen mens, machines, producten, diensten, apparatuur en gereedschappen mogelijk. Onderhoud in de wereld van Industrie 4.0 wordt gezien als een reeks activiteiten die veranderingen in de fysieke toestand van apparatuur detecteren om het juiste onderhoud op het juiste moment uit te voeren, zonder het risico op storingen te vergroten.

Het modewoord Industrie 4.0 werd geïntroduceerd op de Hannover Messe in 2011 in Duitsland om een ​​nieuwe trend naar het netwerken van traditionele industrieën te presenteren. Sindsdien wordt in de managementliteratuur gesuggereerd dat Industrie 4.0 nauw verwant is aan andere technologische concepten, zoals Machine-to-Machine (M2M)-communicatie, radiofrequentie-identificatie (RFID), het Internet of Things (IoT), het Internet of Services (IoS), cloudcomputing, kunstmatige intelligentie (AI), datamining (DM) en machine learning.

De beloften met betrekking tot Industry 4.0 komen in veel opzichten min of meer overeen met die van FMS (flexible manufacturing system) uit de jaren 90 van de vorige eeuw. Een FMS werd in die tijd gezien als een productiesysteem waarin flexibiliteit het systeem in staat stelt te reageren op veranderingen, zowel voorspeld als onvoorspelbaar. Deze flexibiliteit wordt beschouwd als het vermogen van het systeem om nieuwe productsoorten te produceren en het vermogen om de volgorde van bewerkingen te wijzigen. Flexibiliteit in een FMS-omgeving belooft ook het vermogen om grootschalige veranderingen op te vangen, zoals in volume, capaciteit of capaciteit. De verwachte voordelen en belangrijkste voordelen van een FMS, zijn hoge flexibiliteit in middelen zoals tijd en inspanning, zijn nooit volledig gerealiseerd.

Tot nu toe werd aangenomen dat de meeste van de ‘zogenaamde’ intelligente machines kunstmatige neurale netwerken, fuzzy logic-systemen, fuzzy-neurale netwerken, neural-fuzzy-systemen, evolutionaire algoritmen en zwermintelligentie bevatten. Gezien de beperkte mogelijkheden van de eerdere en huidige generatie assets is het misschien beter om te spreken van signaalverwerking in plaats van informatieverwerking. Strikt genomen bestaat de informatieverwerking van zelfs complexe assets uit niets anders dan het herschikken van signalen, volgens puur syntactische regels. Signalen kunnen alleen betekenis krijgen in combinatie met menselijke intelligentie. Alleen met behulp van menselijke cognitie kan een volwaardig ‘intelligent’ informatieverwerkingssysteem worden gecreëerd. Door de definitie van Industrie 4.0 te bespreken, ontstaat er een meer algemeen redelijk begrip van de term, wat nodig is voor een redelijke professionele discussie over het onderwerp.

Instant Yardstick

In het boek “Systematische Onderhoudsorganisatie” van V.Z. Priel (1974) vond ik een interessante grafiek met meerdere variabelen voor de beoordeling van onderhoudsprestaties. Deze grafiek biedt een mogelijkheid voor een kwalitatieve beoordeling van een onderhoudssituatie. De vierkanten kunnen worden ingevoerd op de afhankelijk van de toestand die variabele weergeeft. Hoewel het niet de bedoeling is dat de uitkomst ‘wetenschappelijk’ kan worden herleid, heeft het voordeel in opportuniteit. Dus als aan bepaalde voorwaarden is voldaan, zal de eindbeoordeling gunstig zijn, maar één ongunstig antwoord kan het totaalbeeld bederven. Deze grafiek laat visualiseerd dat wat niet te makkelijk te vatten is met cijfers, gepresenteerd in een spreadsheet. De onderlinge afhankelijkheden van variabelen wordt duidelijk.

Voorbij de hype van PdM

De meeste onderhoudsmethoden of beleidsregels zoals RCM, CBM en TPM (of 26^3 andere mogelijke afkortingen) zijn:

  • beperkt in reikwijdte en gebaseerd, expliciet of impliciet, op onvolledige of zelfs beperkte modellen van de werkelijkheid
  • eenvoudige, prescriptieve methoden om complexe problemen op te lossen die niet vatbaar zijn voor dergelijke oplossingen
  • gepromoot en of verkocht door consultants die zelf de problemen niet volledig begrijpen, en/of met beperkte maatstaven voor succes die ‘aantonen’ dat ze effectief zijn geweest

Hetzelfde geldt ook voor Predictive Maintenance (PdM), daar is de belofte dat door vastlegging en grafieken items kunnen worden verwijderd die bijna defect zijn voordat ze worden onderhouden. Falen wordt gedefinieerd als een verandering in het niveau of de helling van de grafiek. Ervan uitgaande dat de kosten voor sensoren, monitoring en gegevensopslag niet te hoog zijn en dat de indicatie van een dreigende storing nauwkeurig kan worden voorspeld, zouden inspectiemodellen de beschikbaarheid en productiviteit moeten verbeteren.

Er zijn in de literatuur grofweg twee soorten praktijken die verband houden met PdM: Stochastische onderhoudspraktijken waarbij het interval tussen interventies is gebaseerd op statistische informatie. In een deterministische praktijk worden interventies bepaald door een vooraf bepaalde fysieke verandering of limiet. Predictive Maintenance is gebaseerd op statistieken met betrekking tot de variabiliteit van storings- en reparatietijden of op basis van een fysieke meting.

Keerzijde van PdM is dat voor elk feilbaar onderdeel in een systeem het gedrag, modelleringstechnieken nodig zijn. Helaas hebben maar maintenance engineers de wiskundige kennis om beschikbare gegevens te analyseren, daaruit een wiskundig of statistisch model af te leiden en vervolgens de relevante optima te berekenen om onderhoud te plannen. Systeemmodellen moeten worden opgebouwd uit het gedrag van al deze onderdelen binnen het systeem.

Dat systeemmodel moet verbonden zijn met het doel van het systeem (d.w.z. levering van een product, dienst) en de meer economische aspecten (winst, klanten, belanghebbenden). De onderhoudsinterventies van een systeem zijn dan eerder afhankelijk geworden van het doel of de doelen van de organisatie dan van de fysieke aspecten van onderdelen. Andere factoren zoals beschikbaarheid, betrouwbaarheid en energieverbruik moeten even belangrijk worden behandeld.

Een ander belangrijk aspect om op te nemen zijn de kosten van downtime. Deze worden zelden nauwkeurig berekend. Downtime heeft een relatie met buffers tussen productiefasen. Just-in-Time (JIT) productie daarentegen dwingt organisaties om storingen te voorkomen. De noodzaak om orders uit te voeren kan leiden tot acceptatie van producten van mindere kwaliteit, provisorische reparaties en achterstallig onderhoud.

Een ideale onderhoudsstrategie minimaliseert de gecombineerde downtime of de totale kosten, of maximaliseert de verwachte winst op lange termijn. Alleen met de juiste gegevens (kosten, storingen, tijd) kan een optimum worden gevonden. Binnen de meeste, bestaande concepten van PdM wordt een deel geïsoleerd, van de rest van het systeem beschouwd, d.w.z. de modellen houden geen rekening met relaties.

Zonder deze relatie zijn alle claims omtrent PrM ongegrond. Alles hangt af van het volledige systeem. Het meeste onderhoud wordt nog steeds toegepast zonder goede voorspellingen van de kosten en besparingen.

Integrale benadering

Effectief onderhoud vereist een integrale aanpak waarbij vraagstukken met betrekking tot onderhoud steeds worden bekeken vanuit het multidisciplinaire perspectief. De belangrijke kenmerken van deze multidisciplinaire aanpak zijn-de integratie van technische en commerciële vraagstukken

Snelle technologische veranderingen zorgen voor in verbeteringen van apparatuur, zodat de output, productiviteit en efficiëntie drastisch zijn toegenomen. Doordat apparatuur steeds complexer en duurder wordt, ontstaan ​​er tegelijkertijd zware verliezen wanneer apparatuur niet volledig operationeel is.

Apparatuur verouderd  door gebruik en/of nieuwe technieken en is uiteindelijk niet meer operationeel. De snelheid van achteruitgang hangt van veel factoren af. Door deze veroudering zullen storingen steeds vaker optreden. Afhankelijk van de aard van de storing (die kan variëren van klein tot catastrofaal) kunnen de kosten van herstel groot zijn en nog groter zijn de kosten van eventuele gevolgschade.

De onderhoudskosten (correctief en voorspellend) verschillen per bedrijfstak. Dat geldt ook voor de verschillende soorten gevolgschade. De indirecte kosten zijn als gevolg van vertraging in de levering en ontevredenheid van de klant of verlies van goodwill. Onderhoud is daarom een ​​belangrijk onderdeel van een modern bedrijf en vereist een goed begrip van het oorzaken en mechanisme van degradatie. Het onderhoud moet daarom de verschillende technische en commerciële aspecten integreren.