Voorspellend Onderhoud: Continuous Intelligence Inzetten Voor Ongekende Asset-betrouwbaarheid

CI gebaseerd op analyse van sensor- en IoT-data kan helpen staatveranderingen in apparaten te detecteren en voorspellingen te maken over de falenskans van een asset.

Analyse van real-time en historische data over een asset kan problemen opsporen die kunnen leiden tot het uitvallen van een onderdeel of apparaat. Vergeleken met kalendergebaseerde asset-vervanging, is voorspellend onderhoud veel effectiever bij het voorkomen van downtime, terwijl de maximale levensduur van een onderdeel of stuk apparatuur wordt benut. Als zodanig is voorspellend onderhoud een killer-app voor continuous intelligence (CI).

Zie ook: Real-Time Analytics in Grote, "Brutale" Omgevingen

Dergelijke mogelijkheden kunnen helpen onderdelen of apparatuur te identificeren die waarschijnlijk zullen falen voor hun geplande vervangings- en onderhoudstijd. Het echte voordeel komt wanneer kunstmatige intelligentie wordt gebruikt om een potentieel probleem te detecteren. Als deze intelligentie vervolgens gebruikt wordt door een expert-systeem, kunnen waarschuwingen worden verstuurd voordat problemen optreden, en correctieve actie gebaseerd op afgeleide informatie kan worden geleverd aan degene die verantwoordelijk is voor het onderhouden van apparatuur.

Waarom zijn dergelijke mogelijkheden zo kritisch?

De kosten van downtime in industrieën waaronder productie, luchtvaart, energie-exploratie, utilities en telecom zijn verbazingwekkend. Een gemiddeld offshore olie- en gasbedrijf ervaart ongeveer 27 dagen ongeplande downtime per jaar, wat kan oplopen tot $38 miljoen in verliezen. In sommige gevallen kan dit cijfer oplopen tot $88 miljoen.

In 2018 kostte ongepland onderhoud luchtvaartmaatschappijen meer dan $20 miljard of ongeveer 27% van alle onderhoudsuitgaven. Dit had een cascaderend effect op netwerkoperaties aangezien bijna 3,8% van alle vluchtvertragingen en annuleringen werden veroorzaakt door Aircraft on Ground (AOG)-gebeurtenissen. Kwantificering van deze problemen en de voordelen van voorspellend onderhoud toont dat data en analytics ongeplande onderhoudskosten bijna kunnen halveren, waardoor luchtvaartmaatschappijen geassocieerde kosten kunnen krimpen tot ongeveer 14% van totale onderhoudsuitgaven.

De rol van CI in voorspellend onderhoud

CI gebaseerd op analyse van sensor- en Internet of Things (IoT)-data kan helpen door staatveranderingen in apparaten te detecteren en voorspellingen te maken over de kans op uitval van een asset.

Waarom is CI nodig? Traditionele benaderingen van onderhoud, wachten tot er iets misgaat, zijn ongelooflijk slecht voor business. En het vervangen van onderdelen op basis van de kalendergebaseerde onderhoudsschema's van fabrikanten kan resulteren in goede onderdelen die ver voor hun uitval worden vervangen.

In plaats van na het feit te reageren, kunnen CI-inzichten in de fundamentele oorzaak van de problemen die leiden tot downtime, defecten, inefficiënties of gemiste kansen van tevoren potentiël kosten verlagen en operationele efficiëntie verbeteren.

Steeds meer industrieën gebruiken IoT-apparaten om die inzichten te verzamelen, door de apparaten te gebruiken om informatie over elk aspect van hun operaties te krijgen. Helaas is één probleem waar de meeste bedrijven tegenaan lopen dat IoT-apparaten zeer grote volumes data produceren. Een industrie-rapport schat dat de hoeveelheid data geproduceerd door IoT 4,4 zettabytes zal bereiken in 2020, van slechts 0,1 zettabytes in 2013.

Zulk data benutten, die continu wordt gegenereerd, vereist nieuwe strategieën. De data kan niet simpelweg opgeslagen en later geanalyseerd worden. De echte waarde komt van real-time analyse terwijl de data instroomt. Om inzichten te verkrijgen in dergelijke datastromen, complementeren veel bedrijven traditionele analyse met real-time, kunstmatige intelligentie (AI) en machine learning (ML) algoritmes. Zo'n benadering laat bedrijven beslissingsondersteunende informatie uit de data halen in een tijdframe dat een bedrijf in staat stelt pro-actieve acties te ondernemen.

Specifiek, industriële toepassingen van AI en ML toegepast op IoT-data wordt gezien als een geweldige manier om onderhoudsvoorspellingen en andere aspecten van operaties te verbeteren. De reden: AI en ML kunnen helpen voorspellingen te maken over complexe systemen. Dit kan helpen machine-downtime te verminderen via voorspellend onderhoud.

Het ene obstakel dat de snelle adoptie van CI voor preventief onderhoud verhindert is infrastructuur. Vandaag de dag hebben de meeste organisaties niet de infrastructuur om vol te profiteren van CI toegepast op streaming IoT-data.

Wat zijn de issues? Grote industriële organisaties kunnen miljarden datasets verzamelen van machines, sensoren en interne zakelijke applicaties. Naarmate organisaties naar nieuwe IoT-initiatieven bewegen, is het belangrijk om nieuwe technologieën en processen te overwegen die bij deze enorme data-instroom kunnen houden.