Veranderingen in de sociaal-economische of de technologische omgeving maken een verandering in de doelstellingen of de gebruikte assets van een bedrijf soms noodzakelijk. Deze verandering zal vaak (tijdelijk) een onevenwichtigheid veroorzaken in de interne fit van het bedrijf. De ‘fit’ wordt hersteld door de technologie en/of structuur aan te passen aan de taakeisen van de strategie (top-down benadering). In de context van onderhoud wordt de fit (bottom-up) hersteld door de onderhoudsstrategie aan te passen aan de nieuwe competenties en de nieuwe technologie. Dit komt overeen met de theoriën van Porter (1988) en die van Abernathy, Clark en Kantrow (1983). De afstemming tussen technologie, strategie en structuur wordt ook geconceptualiseerd in de literatuur over de contingentietheorie (Schoonhoven, 1981; Venkatraman, 1989). Een onderhoudsstrategie is daarom een systematische aanpak om assets in hun omgeving te onderhouden en varieert van systeem tot systeem. Het omvat het identificeren, onderzoeken en uitvoeren van reparatie-, vervangings- en inspectiebeslissingen (onderhoudsmix) en houdt zich bezig met het formuleren van het beste levensduurplan voor elk afzonderlijk onderdeel van een asset, in coördinatie met andere betrokken bedrijfsfuncties (Kelly, 1997). Het beschrijft welke gebeurtenissen (bijvoorbeeld een storing, het verstrijken van de tijd, een toestand) aanleiding geven tot welk type onderhoudsinterventies (inspectie, reparatie of vervanging). Het selecteren van de beste onderhoudsstrategie hangt af van verschillende factoren, zoals de te bereiken doelen, de aard van de faciliteit of de te onderhouden apparatuur, werkstroompatronen (procesfocus, productfocus) en de werkomgeving (Gallimore en Penlesky, 1988; Pintelon en Gelders, 1992). De onderhoudsstrategie bestaat uit een mix van onderhoudsbeleid en onderhoudsconcept die van asset tot asset variëren (Dekker, 1996). Een onderhoudsconcept kan worden gedefinieerd als de set beleidsregels zoals CM, PM en CBM, enz.
Maand: februari 2024
AI en conditiemonitoring
In de recente geschiedenis zijn er veel pogingen ondernomen om Artificiële Intelligentie (AI) toe te passen bij onderhoud. Het gebruik van AI zou de menselijke intelligentie vervangen door machine-intelligentie. Het doel is om tot beter onderhoud te komen. Er bestaat grote belangstelling voor de toepassing van AI op onderhoudsgebied, zoals blijkt uit het grote aantal wetenschappelijke publicaties en vaktijdschriften. Op dit moment zijn er weliswaar oplossingen voor theoretische situaties beschikbaar, maar nog steeds geen praktische en reële oplossingen. De huidige AI instrumenten om te komen tot een optimale onderhoudsplanning zijn nu nog geschikt voor goed gedefinieerde problemen en gebaseerd op nauwkeurige gegevens.
Er zijn twee benaderingen voor preventieve onderhoudsplanning: de technische benadering (Gits 1984 – TUE-model) en de wiskundige benadering. Bij dit laatste ligt de nadruk op het ontwikkelen van optimale onderhoudsintervallen. Conditiemonitoring voegt, als continu proces, een nieuwe dimensie toe aan deze benaderingen. Conditiemonitoring vereist regels op basis van een model (gebaseerd op een bekend faalpatroon) voor planning en monitoring. Sinds de heropleving van AI medio 1980 hebben onderzoekers de toepassing van AI op dit gebied overwogen. Met de ontwikkeling in de IT van de afgelopen decennia beschikken veel organisaties over systemen (ERP, CMMS) om gegevens over onderhoudsacties te verzamelen en op te halen. Hoewel de opgeslagen historische gegevens potentieel nuttig zijn om onderhoudsacties te verbeteren, worden de gegevens tegenwoordig vooral gebruikt voor het opstellen van managementrapportages. De volgende moeilijkheden belemmeren nieuwe ontwikkelingen om van deze gegevens te leren.
- Het grote aantal componenten, (sub)systemen en daarmee de grote verscheidenheid aan onderhoudsbeleid en -situaties.
- Het gebrek aan bekendheid met modellering naast onderhoudsexpertise.
- De fysieke toegang vanuit de analytische software tot de onderhoudsomgeving
- De dynamiek van de systemen zelf (andere componenten, andere operationele omstandigheden of verandering in vereisten of doel).
Andere zaken zijn de kwaliteit van de bestaande data, het (menselijke) vermogen om patronen te herkennen, het leervermogen (ML-Machine Learning), de presentatie van bevindingen in een visueel aantrekkelijk format.
Modelleren en voorspellen
De term “Wiener-proces” verwijst naar een wiskundig concept dat bekend staat als een stochastisch proces of een stochastisch proces in continue tijd. Het is vernoemd naar Norbert Wiener, een Amerikaanse wiskundige. In de wiskunde is een Wiener-proces een soort willekeurig proces dat de continue, willekeurige beweging van een deeltje vertegenwoordigt. Het wordt vaak gebruikt om verschillende verschijnselen te modelleren op gebieden zoals natuurkunde, financiën en techniek. Een Wiener-proces, ook wel Brownse beweging genoemd, heeft verschillende belangrijke eigenschappen. Het is een continu proces met onafhankelijke en normaal verdeelde stappen. Bovendien heeft het een gemiddelde van nul en groeit de variantie lineair met de tijd. Het Wiener-proces heeft talloze toepassingen gevonden. Bij onderhoud wordt het gebruikt om de willekeurige storingen in de loop van de tijd te modelleren.
De Poisson-verdeling is een waarschijnlijkheidsverdeling die het aantal gebeurtenissen beschrijft dat plaatsvindt binnen een vast tijds- of ruimte-interval, gegeven de gemiddelde mate van voorkomen. De Poisson-verdeling wordt vaak gebruikt om zeldzame gebeurtenissen te modelleren die onafhankelijk van elkaar plaatsvinden, met een bekende gemiddelde interval. Er wordt van uitgegaan dat de gebeurtenissen met een constante interval plaatsvinden en willekeurig verdeeld zijn. Enkele voorbeelden van verschijnselen die kunnen worden gemodelleerd met behulp van de Poisson-verdeling zijn het aantal storingsmeldingen dat binnen een bepaalde periode wordt ontvangen. De waarschijnlijkheidsmassafunctie van de Poisson-verdeling wordt gegeven door de formule: P(X = k) = (e^(-λ) * λ^k) / k! waarbij X de willekeurige variabele is die het aantal gebeurtenissen vertegenwoordigt, λ de gemiddelde mate van voorkomen is en k het aantal waargenomen gebeurtenissen is. De Poisson-verdeling heeft verschillende nuttige eigenschappen, zoals het feit dat het gemiddelde en de variantie van de verdeling beide gelijk zijn aan λ. Dit maakt het een handig hulpmiddel voor het modelleren en analyseren van situaties waarbij zeldzame gebeurtenissen of voorvallen betrokken zijn.