De opkomst van PdM en waarom het zo moeilijk is om het goed te doen

Predictive Maintenance (PdM) is een proactieve benadering om machinestoringen aan te pakken voordat ze een probleem worden. Door enorme hoeveelheden machinegegevens te analyseren, stelt PdM onderhoudspersoneel in staat de gezondheid van machines te begrijpen en hun activiteiten dienovereenkomstig te optimaliseren om ongeplande stilstand te voorkomen en plotselinge storingen te elimineren. Maar ondanks de duidelijke voordelen zijn de meeste PdM-implementaties gedoemd te mislukken. In dit bericht zullen we kijken naar de opkomst van PdM en waarom zoveel leveranciers - en hun klanten - het nog steeds bij het verkeerde eind hebben.

Voorspellend onderhoud - toen en nu

Voorspellend onderhoud bestaat al veel langer dan je zou denken. Tijdens de Tweede Wereldoorlog constateerde wetenschapper CH Waddington dat het percentage defecten of reparaties van een vliegtuig onmiddellijk na een inspectie- of onderhoudssessie het hoogst was. Dit fenomeen, dat bekend staat als het "Waddington-effect", resulteerde in de aanpassing van onderhoudsprocessen aan de fysieke toestand van een vliegtuig en de frequentie van het gebruik ervan, met aangepaste inspectiecycli op basis van analyse van de resulterende gegevens. Kortom, het was het begin van PdM.

Sindsdien is er natuurlijk veel veranderd. De vierde industriële revolutie en de komst van Industrie 4.0 hebben geleid tot technologische doorbraken die in zo'n tempo plaatsvinden dat ze "bijna elke industrie in elk land ontwrichten". Deze doorbraken hebben geleid tot aanzienlijke verbeteringen in sensor-, netwerk-, data-acquisitie- en opslagtechnologieën die, samen met de toegang tot een schat aan rekenkracht en gegevens die beschikbaar zijn gemaakt door recente ontwikkelingen in AI-technologie, PdM in toenemende mate van toepassing hebben gemaakt op de bredere industrie .

Vandaag de dag, net zoals het bijna 80 jaar geleden was, blijft het belangrijkste voordeel van PdM zijn vermogen om beslissingen te nemen. Onderhoudsprofessionals zijn verantwoordelijk voor het toezicht op veel machines op een of meer locaties en zijn extreem drukke mensen. Door hen een beter inzicht te geven in de voortdurende gezondheid van hun machines, kan een PdM-oplossing hen helpen de beperkte tijd en middelen waarover ze beschikken beter te benutten.

Dus, gezien het erfgoed en de duidelijke voordelen die het biedt, waarom is het voor zo velen zo moeilijk geweest om succes te behalen in PdM?

Drie veelgemaakte fouten

De waarheid is dat veel leveranciers aan boord van de PdM-trein zijn gesprongen, ondanks dat ze weinig waardering hebben voor wat in wezen een zeer uniek domein is. Sommigen hebben gewoon geprobeerd om legacy monitoringtools te "superchargen", terwijl anderen conventionele datawetenschapsbenaderingen hebben toegepast op een probleemruimte die verre van conventioneel is. Zonder het noodzakelijke begrip van wat een PdM-systeem precies is en hoe het werkt, zullen veel nieuwe oplossingen niet eens op de markt komen. Als gevolg hiervan zullen maar weinig bedrijven echt succes op grote schaal behalen.

Uiteindelijk komt veel van dit gebrek aan begrip - en het daaropvolgende PdM-succes - neer op drie fundamentele fouten die leveranciers en hun klanten vaak keer op keer zullen maken.

1. Zoals we hebben gezien, is het concept van PdM niets nieuws. Technieken als conditiebewaking, onderhoudskredieten en prognoses bestaan ​​al een tijdje. Maar een gebrek aan vermogen om deze technieken verder te schalen dan alleen kritieke machines, heeft ertoe geleid dat hun implementatie grotendeels is beperkt tot alleen kritieke machines.
2. PdM is niet, zoals sommigen geloven, een Big Data-probleem waarin er miljoenen datapunten en labels zijn waarop modellen kunnen worden getraind. Een fabrieksomgeving is zeer dynamisch en lawaaierig, met een reeks variabelen, waaronder machineonderhoud, verschillende productiesnelheden en zelfs het gedrag van verschillende machinebedieners. En natuurlijk is elke machine uniek. Desondanks zullen veel organisaties nog steeds een klassieke datawetenschapsbenadering van PdM hanteren.
3. Het is belangrijk om te onthouden hoe druk onderhoudsprofessionals het hebben. Als de gebruikerservaring van een PdM-systeem dit niet weerspiegelt, bestaat het risico dat het zijn doelgebruikers niet aanspreekt. Alle waardevolle informatie en inzichten die het genereert, worden genegeerd en de investering van een organisatie in het systeem zelf wordt verspild.

Senseye begrijpt PdM

Senseye heeft exclusief meer dan 150 manjaren aan onderzoeks- en ontwikkelingstijd besteed op PdM. Daarom begrijpen we hoe PdM werkt. Belangrijk is dat we begrijpen hoe PdM de dagelijkse werking van onderhoudsmonteurs verbetert. En het is vanwege dat inzicht dat onze PdM-oplossingen succesvol zijn. Daarom weten we hoe we het op grote schaal moeten implementeren, daarom gooien we er niet alleen datawetenschappers bij, en daarom is de gebruikerservaring belangrijk.

In ons volgende bericht zullen we onderzoeken hoe we de lessen die we hebben geleerd hebben toegepast op alles wat we doen. Tot die tijd kun je meer details vinden over waar PdM vandaan kwam en waarom leveranciers - en sommige kopers - het niet goed doen in ons witboek "Senseye in Depth:Waarom is voorspellend onderhoud zo moeilijk?".