Correctief onderhoud komt nooit uit en leidt tot ongepland stilstand. Preventief onderhoud doe je eigenlijk altijd teveel en is dus ook relatief duur. Natuurlijk hanteren bedrijven verschillende onderhoudsstrategieën, passende bij de faalmechanismen en risico van machines. Op die manier houden ze de kosten en de downtime die met onderhoud gepaard gaat nog enigszins in de hand. Maar feit blijft dat asset-intensieve bedrijven op correctief en preventief onderhoud kunnen besparen als ze nog veel nauwgezetter konden voorspellen wanneer een onderdeel onderhoud nodig heeft of vervangen zou moeten worden. Het is dan ook niet vreemd dat de interesse voor predictive maintenance groeit.

Data wordt onze belangrijkste asset

Lang niet alle bedrijven boeken meteen ook succes met predictive maintenance. Vaak komt dat doordat ze te weinig data meenemen in hun analyses, waardoor de voorspellende kracht van die data te klein is. Want leren van jouw assets en het juist interpreteren van afwijkingen vergt gewoonweg tijd. Immers, alleen een schommeling van temperatuur hoeft niet te betekenen dat onderhoud nodig is, maar in combinatie met meer trillingen en een hoger energieverbruik kan dit resulteren in een storing.

Het goede nieuws is: er is steeds meer data beschikbaar voor predictive maintenance. Data uit SCADA, PLC, MES, EAM en steeds vaker van IioT. Sensoren die bijvoorbeeld trillingen, weerstand, vocht en/of geluid meten. Daarnaast zijn er steeds meer openbare databronnen met informatie over de invloed van bepaalde omstandigheden op de conditie van assets. Samen levert al die data een heel goed inzicht in wat er precies in een machine gebeurt en welke omstandigheden maken dat eerder of later onderhoud nodig is. Naast deze patronen ontdek je ook heel eenvoudig afwijkingen; ongebruikelijke omstandigheden die aanleiding zijn voor schade aan de machine. Hoe meer historische en real-time data je hebt, hoe nauwkeuriger je kunt voorspellen wanneer onderhoud nodig is.

Historische data en real-time data combineren op één platform

De historische data heb je nodig om patronen te ontdekken die je iets vertellen over het gebruikelijke gedrag van machines. Uit real-time data kun je afwijkingen op een patroon destilleren. Die afwijkingen kunnen langzaam maar zeker steeds groter worden, bijvoorbeeld het energiegebruik van een machine neemt langzaam toe. Maar ze kunnen zich ook heel plotseling voordoen, bijvoorbeeld plotseling een vreemd geluid dat erop duidt dat er iets ongebruikelijks in de machine terecht is gekomen. Al die data voeg je samen op één platform, zodat je ze in samenhang kunt analyseren.

Efficiënt plannen is een vak apart

Wil je het onderhoud daarna plannen, dan spelen nog veel meer factoren een rol. Neem een brug die bij warmte uitzet. De beslissing of en wanneer de brug gekoeld moet worden hangt niet alleen af van de temperatuur van het staal en de buitentemperatuur, maar ook van de weersvoorspelling en van het verkeersaanbod. Plan je daarentegen onderhoud aan een complexe scheepsmotor op een schip dat midden op de oceaan vaart, dan zijn beschikbaarheid, geografische locatie en vaardigheden van de engineers data die je mee in overweging neemt. Met andere woorden, als je predictive maintenance combineert met Enterprise Asset Management, pluk je pas écht de vruchten.

Inzicht in jouw businesscase in 30 dagen

Speel je dit spel goed, dan kun je de downtime van je assets soms reduceren met maar liefst 35 procent. Op onderhoudskosten kunnen de besparingen oplopen tot wel 25 procent. Dit alles hangt af van de specifieke situatie in jouw bedrijf. Wil jij inzicht in jouw businesscase? Download dan het whitepaper ‘Realiseer besparingen en verlaag de downtime met Predictive Maintenance’ of neem contact met ons op voor een 30 dagen durende PoC. In dat laatste geval kunnen we je heel gericht laten zien op welke vlakken jouw bedrijf Data-Driven kan innoveren.

Meer weten over predictivie maintenance? Bekijk onze oplossing.