Categorie: Processen

Breder perspectief

Onderhoud en reparatie zijn een continu proces, maar kunnen op veel verschillende manieren worden ontworpen om verschillende resultaten te bereiken. De keuzes voor methoden van onderhoud en reparatie omvat vele onderliggende kwesties en schaalniveaus. Keuzes voor een bepaalde methode worden steeds vaker beïnvloed door bredere geopolitieke kwesties.
Deze bredere aspecten van onderhoud komen op tal van andere terreinen naar voren: lonen, arbeidsomstandigheden, locaties en omstandigheden van reparatiewerkzaamheden; beschikbare kennis (denk aan inspanning om kennis om te zetten in software); de ​​stijgende kosten en uitgaven voor reparatie; de ​​de catastrofale gevolgen bij uitval en storing, zijn basisingrediënten voor rampen.

Veel moderne complexe assets zijn doelbewust zo ontworpen dat de mogelijkheden van onderhoud en reparatie worden beperkt. Een ander aspect dat speelt op meerdere schaalniveaus is de aandacht voor milieu en recycling. De meer geavanceerde assets zijn feitelijk gemaakt voor steeds snellere cycli van verwerving en afstoting. Dit resulteert in duidelijke ecologische problemen die te maken hebben met de productie, het transport en de verwijdering of recycling van afval. De meeste producten worden dus weggegooid lang voordat ze het einde van hun levensduur hebben bereikt, ook al hadden ze gerepareerd kunnen worden. Het produceert zijn eigen (meestal genegeerde) transnationale regio’s voor reparatie en, in toenemende mate, elementaire recycling. Er vindt een voortdurende en massale overdracht plaats van ongewenste en vaak vrijwel nieuwe elektronische apparatuur naar ‘the bottom op the pyramid’.

Deze cycli zouden door het ontwerp fundamenteel te veranderen gemakkelijk te onderhouden of te repareren en te upgraden zijn. Als alternatief zouden reparatie- en onderhoudsactiviteiten actief kunnen worden uitgebreid, zodat de productie van grondstoffen en afval tot een minimum werden beperkt.
Alhoewel veel onderhoud en reparatie zelf grote hoeveelheden afval op levert. Reparatie en onderhoud zijn geen incidentele activiteiten. In veel opzichten zijn ze een noodzakelijk onderdeel van moderne economieën en samenlevingen. Reparatie en onderhoud zijn essentiële onderdelen van het dagelijks zich globaliserende leven.

EUT-model

Modelvorming en kwantificering zijn essentiële fasen in de optimalisering van het onderhoud van technische systemen. Uitgangspunt is steeds het ontwerp en de toepassing van een kwantitatief model voor de beschrijving van het stochastische faal- en herstelgedrag van complexe systemen, met onderhoud als expliciete factor. In de geschiedenis zijn er meerdere pogingen gedaan om te komen tot zo een geïntegreerd model. Een van die modellen is het EUT-model model van de Technische Universiteit Eindhoven (EUT).
Dit model is het geesteskind van Geraerds en zijn Nederlandse collega’s, Gits en Coetzee (1997). Het EUT-model was oorspronkelijk bedoeld was om een ​​leemte op te vullen die was achtergelaten door de terotechnologiemodellen (Husband zie hier verder). De vroege voorstanders van terotechnologie leken de bestaande interne aspecten als vanzelfsprekend beschouwen. Het EUT-model wilde niet alleen de reikwijdte verbreden, maar met name de onderhoudsplanning, op een meer wetenschappelijke manier aan te pakken. Om de planning beter te kunnen uitvoeren, is het noodzakelijk gegevens te verzamelen en te analyseren om vervolgens de meest geschikte onderhoudstype te kiezen en de onderhoudsintervallen te optimaliseren.
Onderhoud wordt gezien als een geheel van onderling samenhangende processen, waarvan de resultaten worden beïnvloed door planning en controle. Feedback op het ontwerp is inbegrepen, maar niet het (her)ontwerpproces zelf.
Er bestaat geen twijfel over dat het EUT-model een goede basis biedt voor een volledig geïntegreerd onderhoudssysteem, met waar nodig OR-modellen. Het EUT-model vereist geen geïntegreerd IT-systeem, maar sluit dit niet uit.

Voor het eerst bestaat het besef dat dezelfde apparatuur onder verschillende omstandigheden verschillende onderhoudsregimes nodig hebben en dat OEM’s zich meestal niet bewust zijn van de gebruiksomstandigheden in te schatten. Gebruikers moeten zijn verantwoordelijk voor hun eigen data-analyse, optimalisatie en herziening van planningen. Dit wil nadrukkelijk niet zeggen dat OEM’s er helemaal niet bij betrokken moeten worden.
Het EUT-model is duidelijk een model waar we veel van kunnen leren, maar het dekt niet alles en was ook niet de bedoeling om dat te doen.

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.

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.

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.

Integratie van onderhoud

Het concept van integratie of zogenaamde terotechnologie (Husband 1972) en later het TUE-model (Gits 1990) waren de eerste pogingen om de integratie te bereiken die wordt beschreven in de PAS55 en later in de ISO 55000. Aanvankelijk was de PAS 55 bedoeld als hulpmiddel bij het opzetten van een beheersysteem van fysieke bedrijfsmiddelen. Hoewel de structuur anders is, zijn de meeste elementen nu opgenomen in de ISO 55001.

De focus van de ISO 55000 ligt op het managen van de prestaties van de assets voor de lange termijn. Assetmanagement is daarentegen gericht op het verbeteren van de algehele performance door het nemen en uitvoeren van systematische beslissingen over het ontwerp, gebruik en onderhoud. De methodologie omvat strategische, tactische (onderhoud) en operationele (technische risico’s, betrouwbaarheid, prestaties) beslissingen. Assetmanagement vereist, net als bij ISO 9001, een omgeving waarin alle kennis, instructies, processen en ervaringsrapportages zijn geborgd. Dit veronderstelt een intensieve samenwerking binnen een organisatie.

Assetmanagement kan ook gedefinieerd worden als: “een strategische, geïntegreerde reeks van processen om de grootste levenslange effectiviteit, benutting en rendement uit assets te verkrijgen” (Mitchell en Carlson, 2001).

Hoewel prestatiemeting een belangrijk issue is in de vakliteratuur, zijn er weinig specifiek gericht op de onderhoudsfunctie. Alhoewel ISO 55000 in de praktijk wordt gepresenteerd als een generiek management raamwerk, wordt het vooral gezien als een manier om de onderhoudskosten te minimaliseren. Ook mist de ISO 55000 voldoende aandacht voor het onderhoud gedurende de gehele levenscyclus (Amadi-Echendu, 2004).

Het organisatie perspectief

In de Nederlandse literatuur is pas vanaf de jaren ‘70 aandacht voor de wijze waarop onderhoud wordt uitgevoerd in bedrijven. In die periode ligt het accent op het verzelfstandigen van de onderhoudsfunctie in een afdeling, de technische dienst. Voor die tijd is onderhoud niets anders dan smeren en schoonmaken van machines door machinebedieners. Met het onderbrengen van de onderhoudsfunctie in een eigen afdeling ontstaat ook in de literatuur aandacht voor de manager die aanspreekbaar is voor de organisatie van het onderhoud.

Veel literatuur uit die tijd is gericht op het goed functioneren van deze afdeling waarbij methoden gericht op het verbeteren van de efficiency de belangrijkste rol spelen. Vanaf die tijd kennen onderhoudsafdelingen (vooral bij grote bedrijven) omschreven verantwoordelijkheden, bevoegdheden en structuren. Ook wordt in literatuur uit die tijd ingegaan op planning van de uitvoering, kostenberekening van werkzaamheden, standaardtijden, voorraadsystemen, waarbij efficiencyverhoging de belangrijkste drijfveer is.

Met de instelling van een afdeling kan het ‘onderhoudsprobleem’ als afgedaan worden beschouwd. Daarmee is de onderhoudsfunctie binnen veel bedrijven in een geïsoleerde positie gekomen. Goed onderhoud is afhankelijk geworden van de wijze waarop vooral Operations Researchtechnieken (Scientific Management) worden toegepast en veel minder van de integratie met andere organisatiefuncties (Operations Management). Deze onnatuurlijk splitsing is in veel bedrijven nog terug te vinden.

Na de jaren ‘70 wordt de behoefte aan beter management steeds groter. Onderhoud wordt echter nog steeds gezien als een kostenpost, waarbij de hoogte van de kosten nauwelijks zijn te beinvloeden of bij de betrokken bekend is. Na de jaren ’70 is er ook bij onderhoud een nadruk te bemerken naar tijdcalculatie en kwantitatieve methoden. Ontwikkelingen op het gebied van normstelling vinden een steeds breder toepassingsgebied. De voordelen blijven niet uit, onderzoeken waarbij een stijging in arbeidsproductiviteit tot 80% worden gevonden, zijn geen uitzonderingen. Maar nadelen van deze ontwikkeling zijn er ook. Er ontstaat een toenemende bureaucratisering en arbeidsdeling en daarmee een achteruitgang in de ‘kwaliteit van de arbeid’. Werkzaamheden worden opgesplitst in goedkope routinearbeid en in specialistische hoogwaardige taken. Het minder gekwalificeerde werk neemt snel toe en de traditionele scheiding tussen uitvoering en beheersing verdwijnen.

In de tweede helft van de jaren 80 wordt de belangstelling voor management en besturing steeds specifieker. Men gaat in op de rol van de directie of de invloed van informatiesystemen of op de relatie met de omgeving. Ook worden nieuwe oplossingen gegeven zoals vormen van matrixorganisatie of nieuwe informatiesystemen.

In het begin van de jaren negentig is ook een ontwikkeling te zien naar integrale concepten voor duurzaam beheer van assets. De relatie tussen het hebben en gebruik en de afdelingen die erbij betrokken zijn, staan centraal. Centraal in de literatuur staat steeds: integratie van alle noodzakelijke inbrengen van verschillende afdelingen.

Zo is er ook aandacht voor onderhoud en beleidsvorming aan de top van de organisatie waardoor de onderhoudstaak van een uitsluitend technische functie is geëvolueerd tot een voor de continuïteit van de organisatie medebepalende managementfunctie. Daarnaast is er sprake van decentralisatie van onderhoudstaken. Dit wil zeggen dat er meer beslissingen aan de basis van de organisatie worden genomen. Tegelijkertijd wordt de beslissingsruimte beperkt door meer en duidelijker beleidslijnen. Dit alles doet een beroep op de managerskwaliteiten van de betrokkenen. De oplossingen liggen in de sfeer van taakverruiming, matrixorganisatie en decentrale informatiesystemen. Manieren om de taakverruiming te bereiken zijn de vervanging van gedetailleerde instructies door duidelijke doelstellingen en beleidslijnen, vergroting van verantwoordelijkheden, formeren van effectieve teams.

Overleven door verandering

Voor verandering in processen zijn de volgende stappen noodzakelijk:

  • Gedrag
  • Enactment (reactie met de omgeving
  • Veranderingen in de omgeving

Bij beschrijving van processen moet aandacht worden besteed waar, op welk moment, hoe enactment plaatsvindt. Controle en Hiërarchie lijken in de meeste organisaties equivalent. In innovatieve organisaties is dat niet het geval! Organiseren is het vermijden van dubbelzinnigheden. Dubbelzinnigheden worden vooral gevormd door onduidelijkheden over verantwoordelijkheden, definities, hulpmiddelen, klantwensen. Kwaliteitseisen en doel geïnterpreteerd gedrag zijn strijdig met innovatie

Reificatie: het toedichten van menselijke eigenschappen van systemen. Continue verbeteren, strijdig met proces vastlegging als onderdeel van kwaliteitsborging. Informatievoorziening tactisch, operationeel, strategisch. Welke informatie voor welke functie?

Betrouwbaarheid van processen:

  • Processen moeten zo ontworpen zijn dat de kosten zo laag mogelijk blijven. De ondergrens is de tevredenheid van de klant. 
  • Ontkoppelen van beheersen en controleren (control) van processen. Structureel verbeteren van situaties (breaktrough)
  • Selfassesment is selfcontrol
  • Empowerment: het toevertrouwen van macht aan mensen. Medewerkers krijgen verantwoordelijkheden en bevoegdheden m.b.t. resources