Ruim de helft van alle bedrijven in de Nederlandse maakindustrie haalt actief data uit machines met als doel betere onderhoudsplanningen te maken (predictive maintenance). Toch vindt maar liefst 40 procent van de maintenance managers het lastig om relevante inzichten uit machinedata te destilleren. 46 procent van de bedrijven is nog nauwelijks actief op dit gebied. Gebrek aan kennis en onvoldoende data zijn de belangrijkste struikelblokken. Dit blijkt uit een onderzoek van Axians onder 211 managers in de Nederlandse maakindustrie.

Gebrek aan historische data

Dat het zo moeilijk is om een betere onderhoudsstrategie te ontwikkelen op basis van data verbaast Marcel van Velthoven niets. Hij is oprichter van de AMOSA Group, een specialist in asset management. “Je hebt heel veel historische data nodig om patronen te herkennen en afwijkingen van vaste patronen vast te stellen. Want die patronen en afwijkingen zijn vaak een aanwijzingen dat je onderhoud moet plegen. De meeste bedrijven zijn nog maar net begonnen met het gestructureerd verzamelen van data. Ze beschikken simpelweg niet over die historie. Dan loop je het gevaar dat je op iedere afwijking gaat reageren en wordt je preventieve onderhoud eerder duurder dan goedkoper.”

Combinatie van domeinexpertise en IT-kennis

Hij ziet ook dat bedrijven te snel naar fancy oplossingen willen grijpen, zoals Industrial IoT, terwijl ze te weinig doen met de data die ze al hebben. “Iedere organisatie heeft data over energiegebruik, druk, temperatuur en ga zo maar door. Kijk eerst eens welke patronen je daarin kunt ontdekken.” Het punt is dat die data vaak in verschillende systemen staat en het niet eenvoudig is die te ontsluiten. Dat is waarom Van Veldhoven samenwerkt met Axians. “Het samenbrengen van verschillende databronnen op één platform is een specialisme. Net als het ontwikkelen van algoritmen om patronen en afwijkingen daarop te ontdekken. Zonder ICT-expertise lukt dat niet. Dat betekent echter niet dat het opzetten van een predictive maintenance strategie een ICT-project is. Je hebt domeinexpertise nodig om de data te interpreteren, om de analyseresultaten te verklaren.”

Businesscase voor predictive maintenance

Lukt het je om voorspellende patronen te vinden, dan is de businesscase snel rond voor een onderhoudsstrategie met belangrijke rol voor predictive maintenance:

  • Onderhoudswindows kunnen worden verkort en onderhoud kan op een beter moment worden gepland;
  • Daardoor kan de bezettingsgraad van machines worden verhoogd,
  • Service engineers kunnen efficiënter worden ingezet;
  • Je hoeft minder inspecties op machines te plegen;
  • Je kunt onverwachte storingen sneller en effectiever oplossen, met een hogere first time fix rate, door de real-time beschikbaarheid van relevante machinedata;
  • Door gerichter preventief onderhoud kan de levensduur van machines worden verlengd;
  • Je kunt nieuwe service engineers eenvoudiger opleiden;
  • Je hoeft niet meer te wachten tot productkwaliteit is aangetast voordat je ziet dat een machine onderhoud nodig heeft;
  • En tot slot kun je zelfs volledig nieuwe businessmodellen ontwikkelen op basis van data.

Meer weten over de oplossingen van Axians voor industriële bedrijven? Bekijk onze oplossingen.