Waarom Predictive Maintenance niet altijd de juiste oplossing is

De wereld van onderhoudsstrategieën is in de loop der jaren aanzienlijk geëvolueerd, waarbij Condition-Based Maintenance (CBM), en Predictive Maintenance (PdM) prominente benaderingen zijn geworden. Hoewel Predictive Maintenance aandacht heeft gekregen vanwege de afhankelijkheid van kunstmatige intelligentie (AI) en machine learning (ML), is het belangrijk om te erkennen dat dit niet altijd de ideale oplossing voor elke situatie is. In dit artikel onderzoeken we de nuances van voorspellend onderhoud en werpen we licht op waarom dit niet altijd de voorkeursstrategie is.

Condition-Based Maintenance vs Predictive Maintenance

Condition-Based Maintenance en Predictive Maintenance, ook wel bekend als ‘Voorspellend Onderhoud’ in het Nederlands, worden vaak door elkaar gebruikt, maar er is een fundamenteel verschil tussen beide. CBM omvat het instellen van meetdrempels op basis van menselijke ervaringen, die operators in de loop van de tijd aanpassen om de nauwkeurigheid te verbeteren. Aan de andere kant omvat PdM in eerste instantie het definiëren van storingsscenario’s en drempels door menselijke operators en het vervolgens inzetten van AI-algoritmen en ML om patronen in datastromen te detecteren waarmee potentiële fouten voorspeld kunnen worden.

De P-F-curve en het P-F-interval

Zoals we in onze vorige blog over CBM hebben besproken, is de P-F-curve een grafische weergave die de punten van potentieel falen (P) en functioneel falen (F) van een asset laat zien. Het doel van elke proactieve onderhoudsstrategie is om het onderhoud uit te voeren voordat het bedrijfsmiddel functioneel faalt (F). Door potentiële storingen (P) eerder te detecteren, kan het P-F-interval worden verlengd, zodat er voldoende tijd is om het onderhoud effectief te plannen en uit te voeren. Het P-F-interval voor Predictive Maintenance is zelfs langer dan dat voor CBM. Dit roept de vraag op waarom Predictive Maintenance niet altijd de voorkeur heeft, vooral omdat beide strategieën gebruik maken van sensoren, datastromen en software.

Overwegingen bij Predictive Maintenance

Predictive Maintenance kan een geschikte oplossing zijn voor kritische assets waarbij de downtime en reparatiekosten substantieel zijn. De effectiviteit ervan ligt in de mogelijkheid om onderhoud over een langer P-F-interval te plannen, waardoor proactieve maatregelen mogelijk zijn. Bovendien blinkt PdM uit in situaties waarin veranderingen in de staat van de apparatuur moeilijk op andere manieren te detecteren zijn.

Niettemin is het belangrijk om te erkennen dat Predictive Maintenance geen one-size-fits-all oplossing is. Er zijn verschillende redenen waarom dit wellicht niet de juiste oplossing is:

1. Kosten voor het opslaan en verwerken van gegevens: De achilleshiel van Predictive Maintenance is de afhankelijkheid van het verwerken en opslaan van grote hoeveelheden gegevens, wat kosten met zich meebrengt. We kennen een geval binnen de industrie waarin de datakosten voor het monitoren van frequentieveranderingen in elektromotoren zo hoog waren dat het goedkoper bleek om simpelweg een reservemotor op stand-by te hebben.
2. Hindernissen bij data-acquisitie: Het implementeren van voorspellend onderhoud kan uitdagingen op het gebied van data-acquisitie met zich meebrengen, vooral voor kleinere bedrijven of industrieën met beperkte mogelijkheden voor dataverzameling. Voor het verzamelen van de essentiële informatie voor nauwkeurige voorspellingen zijn mogelijk gespecialiseerde sensoren nodig, wat een aanzienlijke initiële investering kan vergen. Bijgevolg kan deze factor de haalbaarheid van het behalen van een bevredigend investeringsrendement aanzienlijk beïnvloeden.
3. Het P-F-interval is nog steeds niet lang genoeg: Ondanks dat het langer is dan bij gebruik van CBM, is het P-F-interval mogelijk niet noodzakelijkerwijs lang genoeg. Om bruikbaar te zijn, moet het P-F-interval lang genoeg zijn om een reactie mogelijk te maken die stilstand en reparatiekosten voorkomt of drastisch vermindert. Als het P-F-interval niet lang genoeg is om dit mogelijk te maken, is Predictive Maintenance in dat specifieke geval niet de moeite waard.
4. Veranderende omgevingen: Productielijnen en machines worden in de loop van de tijd vaak gewijzigd, en dit kan ervoor zorgen dat eerder geïdentificeerde foutpatronen verouderd raken.
5. Expertisevereisten: Net als bij andere methoden vereist de implementatie van Predictive Maintenance inzicht in machines en processen om geschikte storingsscenario’s te identificeren en te weten wat er moet worden gemeten en geanalyseerd. Dit vereist een initiële inzet van personele middelen tijdens de implementatie. De tijdbesparende voordelen van AI en ML zullen pas op de lange termijn voelbaar zijn.

Het potentieel realiseren: een stapsgewijze aanpak

Bij Innius pleiten wij voor een stapsgewijze aanpak van vermogensbeheer. Dit moet beginnen met het identificeren van de redenen voor stilstand en het prioriteren van de scenario’s met de ergste impact. De innius Insight-app bevat een Stilstand-rapport dat dit doet met behulp van een Pareto-analyse. Vervolgens kan een evenwichtige beoordeling van de beschikbaarheid van gegevens, de kosten en de operationele behoeften worden uitgevoerd om de beste strategie voor elk scenario te bepalen. Als een digitale aanpak passend is, is het meestal zinvol om met CBM te beginnen. Ook hier kunnen de bestaande innius-apps dit faciliteren met sensordrempels, pushmeldingen en toegewezen taken. Ervan uitgaande dat het P-F-interval lang genoeg is, levert deze aanpak snellere resultaten en een snellere ROI op dan Predictive Maintenance. Naarmate de activiteiten volwassener worden en de gegevens zich ophopen, kan de integratie van Predictive Maintenance, mogelijk gemaakt door AI en ML, een natuurlijke vooruitgang worden; vooral als een nog langer P-F-interval wenselijk is.

Conclusie: het bereiken van het onderhoudsevenwicht

In het steeds evoluerende landschap van onderhoudsstrategieën vereist de keuze tussen Predictive Maintenance en CBM een zorgvuldige afweging. Hoewel Predictive Maintenance schittert met zijn AI- en ML-mogelijkheden en de belofte van langere P-F-intervallen, is het niet altijd de gouden oplossing. Het is van cruciaal belang dat de voordelen van vroege detectie en proactieve planning worden afgewogen tegen de uitdagingen van datakosten, acquisitiehindernissen, veranderende omgevingen en expertisevereisten. In plaats van te bezwijken voor de aantrekkingskracht van de nieuwste technologieën, komt een pragmatische, stapsgewijze aanpak naar voren als een verstandige handelwijze. Door de unieke behoeften van elk scenario te begrijpen, CBM te omarmen voor snelle winst en indien nodig over te stappen op PdM, kunnen organisaties een efficiënte bedrijfsvoering garanderen en het rendement op hun investering maximaliseren, terwijl de machines draaiende blijven en de stilstand minimaal is. Bij Innius staan we voor deze evenwichtige aanpak, waarbij we ons realiseren dat elke onderhoudsstrategie zijn plaats heeft in het grote orkest van asset management.