Elke dag, in elke productieomgeving, gebeuren er storingen en downtime. Dat is gewoon een realiteit als je te maken hebt met apparatuur die een repetitieve taak uitvoert. Het probleem is echter dat productie in de huidige markten efficiëntie en kwaliteitsproductie vereist. Ongeplande uitvaltijd in slechts één machine in een "just-in-time" productieomgeving kan vertragingen veroorzaken die leiden tot ontevreden klanten, mogelijk verloop van die klanten naar een concurrent en een directe klap voor de bedrijfsresultaten.

Een van de werkelijk geweldige resultaten van de groei van (Internet of Things) is het feit dat machinegegevens kunnen worden gebruikt om de operationele kosten en de impact van downtime, zowel gepland als ongepland, te beperken. Dit wordt ook wel voorspellend onderhoud genoemd.

Wat is voorspellend onderhoud?

Predictive maintenance, kortweg PdM, is een methode om te anticiperen op onderhoudsbehoeften van machines op een fabrieksvloer. Door operationele gegevens van de machines te analyseren, ontstaan ​​patronen waarmee operators inzicht kunnen krijgen in storingsmodi en kunnen voorspellen wanneer onderhoud aan een bepaalde unit nodig is, zodat het in minder dure tijden kan worden gepland.

In het verleden vertrouwden fabrikanten op reactief onderhoud en andere onderhoudsstrategieën, ook wel bekend als de "if it ain't broken, don't fix it"-methode. U kunt zich goed voorstellen dat het onderhoud van machines alleen als ze defect zijn, een enorme kostenpost was, zowel in termen van ongeplande stilstand en de mogelijke impact op andere onderdelen van de machine, als de kwaliteit van de output voor de tijd dat het onderdeel defect was. .

Na verloop van tijd probeerden bedrijven af ​​te stappen van reactief onderhoud en strategieën voor preventief onderhoud te implementeren. Maar preventief onderhoud was gebaseerd op gemiddelden en weerspiegelde niet de huidige of realtime toestand van de apparatuur.

Hoewel preventief en voorspellend onderhoud een stap verder is dan reactief onderhoud, is er een duidelijke winnaar. Het implementeren van voorspellend onderhoud is afhankelijk van specifieke informatie die uit elke machine wordt gehaald om mogelijke problemen te detecteren. Een voorbeeld is trillingsanalyse.

Een model dat een baseline gebruikt om voorspellende onderhoudsgegevens voor een machine te verzamelen, kan veranderingen detecteren, zoals een toename van trillingen in een specifiek onderdeel, die kunnen worden veroorzaakt door schade of het binnenbrengen van een vreemd voorwerp. Door afwijkingen van de basislijn kunnen operators de behoefte aan onderhoud voorspellen voordat het probleem ernstig wordt, wat resulteert in uitval van apparatuur.

Hoe werkt voorspellend onderhoud?

In tegenstelling tot preventief onderhoud, gebruikt een programma voor voorspellend onderhoud de gegevens die door apparatuur worden gegenereerd en stuurt deze gegevens naar de cloud. Net als de productie- en bedrijfsprocesgegevens kan realtime, op conditie gebaseerd onderhoud worden geanalyseerd om patronen en trends in de gezondheid van de machine of de levensduur van de onderdelen of gereedschappen te detecteren en de onderhoudskosten te verlagen.

OEM-apparatuur kan vaak een verwachte levenscyclus van een onderdeel of gereedschap aangeven. Dit is echter gebaseerd op gemiddelden uit de hele branche. Het houdt geen rekening met lichte toepassingen waarbij onderdelen langzamer kunnen slijten dan verwacht of zware toepassingen waar ze sneller kunnen slijten.

Geavanceerde analyses in productie- en onderhoudsbewakingsplatforms gebruiken trends en op conditie gebaseerd onderhoud om de werkelijke slijtage in kaart te brengen of storingsmodi te voorspellen. Op basis van deze inzichten kunnen voorspellende onderhoudsprogramma's worden ontwikkeld om uitvaltijd te verminderen en de kosten te beheersen.

Robuuste programma's voor voorspellend onderhoud kunnen het platform gebruiken om waarschuwingen naar onderhoudspersoneel te sturen wanneer er een storing dreigt, waardoor de uitvaltijd wordt verminderd door te wachten tot technici erna arriveren. Ze kunnen ook werken met fabrieksproductie-informatie, zoals verwachte omsteltijden om reparaties uit te voeren tijdens geplande omschakelingen of geplande uitvaltijd voor reiniging.

Geplande waarschuwingen kunnen worden uitgebreid van technici naar MRO-magazijnen, zodat onderdelen kunnen worden gefaseerd om meer uitvaltijd te voorkomen. En de onderdelen kunnen worden geautomatiseerd voor nabestelling tegen vastgestelde min/max-stuktellingen, die ook door het systeem worden voorgeschreven. Als onderdeel van zijn algemene onderhoudsstrategie kan elk bedrijf zijn voorspellende onderhoudstechnieken afstemmen op zijn eigen behoeften.

Wat zijn de voordelen van voorspellend onderhoud?

Vanuit een kostenbesparend oogpunt omvatten de voordelen van een voorspellende onderhoudsstrategie geoptimaliseerde geplande uitvaltijd en geminimaliseerde ongeplande uitvaltijd. Een programma voor voorspellend onderhoud zal ook de productiviteit van medewerkers en de levensduur van de apparatuur optimaliseren. Met behulp van geavanceerde analyse- en machine learning-algoritmen kan preventief onderhoud niet worden onderschat!

Hoe voorspellend onderhoud de geplande uitvaltijd helpt optimaliseren

Geplande stilstand kan alles omvatten, van het reinigen en oliën van de machine tot het vervangen van onderdelen waarvan bekend is dat ze regelmatig defect raken. Dit soort preventief onderhoud verkleint het risico op ongeplande stilstand. Net als het verzorgen van uw computer en het opruimen van virussen of het schoonhouden van andere apparaten in uw huis, krijgt u een efficiëntere uitvoer van betere kwaliteit met een goed onderhouden machine.

Dankzij de gegevens die worden verzameld in machinebewerkingen, kan voorspellend onderhoud regelmatig worden gepland en op momenten die de minste impact hebben op de productieorder. Er is ook het extra voordeel dat adequaat onderhoud van deze aard steevast de levensduur verlengt van mechanische apparatuur die moeilijk en kostbaar te vervangen zou zijn. Het maximaliseren van de uptime en de levensduur van een onderdeel in een voorspellend onderhoudsprogramma zal uiteindelijk resulteren in aanzienlijke kostenbesparingen.

Voorspellend onderhoud beperkt ongeplande uitvaltijd

Volgens een Wall Street Journal-post kost "Ongeplande uitvaltijd industriële fabrikanten naar schatting $ 50 miljard per jaar." Het gebruik van voorspellend onderhoud om deze kosten te beperken is van cruciaal belang in zeer competitieve productie-industrieën.

Voor zover gepland preventief onderhoud ervoor kan zorgen dat machines het grootste deel van de tijd soepel werken, verzamelt het monitoren van machines digitaal stapels gegevens die, wanneer ze worden geanalyseerd, patronen op een bepaalde machine zullen laten zien. Dit soort patroondetectie, gebaseerd op historische gegevens, kan helpen bij het identificeren van een machine die waarschijnlijk een storing zal ondervinden en waarvoor proactief onderhoud kan worden gepland.

Voorspellend onderhoud kan helpen de levensduur van apparatuur te optimaliseren

Als u de efficiëntie, output en kwaliteit van een machine in de loop van de tijd kunt bewaken, zullen gegevens worden onthuld die bepalen wanneer een machine onderhoud nodig heeft, zoals hierboven vermeld, maar ook helpen bepalen wanneer een machine het einde van zijn levensduur bereikt. Bij reactief en preventief onderhoud is dit niet mogelijk.

Naarmate machines ouder worden en afhankelijk van hun gebruiksniveau, verandert het onderhoudsschema, dat kan worden beheerd door middel van voorspellend onderhoud. Onderdelen van de machine zullen in de loop van de tijd anders reageren op productiestress. De uiteindelijke toename in onderhoud die wordt voorspeld door gegevenspatronen, zal onthullen wanneer een machine een omslagpunt bereikt wat betreft kosten versus prestaties. De noodzaak om uiteindelijk grote delen van een machine of de gehele unit te vervangen, wordt beheersbaar gemaakt door die behoefte te voorspellen en te plannen, zowel vanuit het oogpunt van kosten/budget als tijd/inspanning.

Voorspellend onderhoud kan de productiviteit van medewerkers helpen optimaliseren

Er zijn veel manieren waarop voorspellend onderhoud de productiviteit van medewerkers optimaliseert. Laten we eerst eens kijken naar de kosten van de arbeid zelf. Wanneer reparaties zijn gepland, wordt de hoeveelheid tijd die nodig is voor reparatie verminderd, omdat er minder onderdelen moeten worden vervangen in plaats van dat de volledige apparatuur wordt vervangen. Ook zal de frequentie van reparaties voor kritieke storingen van apparatuur worden verminderd en het aantal "kritieke storingen" aanzienlijk worden verminderd.

Vanuit het perspectief van de werknemer zal voorspellend onderhoud leiden tot minder storingen en ongevallenvermijdende systemen. Deze kunnen apparatuur waarschuwen of zelfs stoppen wanneer er gevaar is voor een werknemer, waardoor de fabrieksomstandigheden drastisch verbeteren en het letsel van werknemers wordt geminimaliseerd.

Bovendien hebben downtime en operaties met suboptimale parameters niet alleen invloed op de output, maar ook op het moreel van de werknemers. Het is stressvol om te haasten om problemen op te lossen wanneer ze zich voordoen. Voorspellend onderhoud minimaliseert dergelijke gevallen.

Voorspellend onderhoud kan de omzet helpen verhogen

De voordelen van voorspellend onderhoud die we hierboven hebben besproken, hebben uiteindelijk allemaal hetzelfde doel:het verhogen van de winst. Met minder onderhoud aan goede componenten en snellere reparatie van defecte componenten, kunnen reparaties effectiever worden uitgevoerd, waardoor de reparatietijd wordt verkort. Een van de meest uitgebreide onderzoeken naar het potentieel van industriële analyse, zoals voorspellend onderhoud, werd in 2015 uitgevoerd door McKinsey. Ze ontdekten de mogelijkheid voor de volgende verbeteringen:

10-40% reductie in onderhoudskosten

Aangezien gepland onderhoud is gebaseerd op een schema, zullen er gevallen zijn waarin onderhoudstaken worden uitgevoerd wanneer ze niet nodig zijn. Voorspellend onderhoud kan dergelijke inefficiënties voorkomen.

10-20% minder afval

Suboptimale werking die niet wordt gedetecteerd, kan leiden tot verspillende productie. Grondstof, energie, arbeidskosten en machinetijd worden in dergelijke gevallen verspild. Voorspellende onderhoudssystemen kunnen problemen aan het licht brengen die tot verspilling kunnen leiden voordat ze zich voordoen.

10-50% nieuwe verbeteringsmogelijkheden ontdekt

Zodra het verzamelen van gegevens geautomatiseerd wordt, kunnen er dagelijks nieuwe inzichten in mogelijkheden voor procesoptimalisatie worden ontdekt door middel van geavanceerde analyses.

Voorspellende onderhoudstechnologieën

Er zijn talloze soorten voorspellende onderhoudstechnologie die worden gebruikt in een robuust datagestuurd voorspellend onderhoudsprogramma. Deze conditiebewakingsapparatuur kan worden gebruikt om een ​​voorspellende onderhoudsoplossing voor een operatie te creëren. Deze technologieën omvatten:

Infraroodthermografie

Warmte is bijna altijd een bijproduct van een productieomgeving. Maar het is vaak voorspelbaar voor elk type machine of taak dat wordt uitgevoerd. PdM-platforms kunnen deze warmtepatronen per machine of taak in kaart brengen en temperatuurpieken analyseren om naderende problemen te bepalen. Infraroodthermografie kan de temperatuur in apparatuur zoals motoren, lagers of andere wrijvingsoppervlakken bewaken en meten. Het kan ook helpen bij het ontdekken van "hot spots" in elektrische kasten en het detecteren van isolatiefouten. Infraroodthermografie meet de temperatuur en geeft de unit weer als een afbeelding van de gehele unit die wordt gemeten. Het monitoringplatform kan deze beelden opslaan en analyseren om problemen te detecteren en trends onder specifieke omstandigheden te identificeren.

Akoestische bewaking

Sommige monitoringplatforms voor voorspellend onderhoud kunnen hoogfrequente signalen gebruiken om de toestand van de apparatuur te bepalen. Hetzelfde principe kan worden toegepast met luchtgeluid. Door dit akoestische geluid op te vangen, kunnen storingen worden opgespoord. Geavanceerde algoritmen voor machine learning worden gebruikt om het voorspellende vermogen in de loop van de tijd te verbeteren. Deze analyses kunnen worden gecombineerd met andere monitoringtechnologieën om afwijkingen te analyseren en te ontdekken voordat ze zich voordoen.

Trillingsanalyse

Alle productie- en freesapparatuur trilt. En deze trilling per machine en taaktype kan worden uitgezet om een ​​gezond bereik op een curve te bepalen. Trillingsanalyse helpt voorspellende onderhoudstechnici om te leren wat subtiele en significante veranderingen betekenen. Ze kunnen slijtagepercentages en faalpunten beoordelen naarmate de machine learning-algoritmen in de loop van de tijd nauwkeuriger worden.

Olie-analyse

Terwijl platforms voor voorspellend onderhoud geluid, trillingen en temperatuur kunnen gebruiken om zowel de gezondheid als het mogelijke defect van apparatuur of onderdelen te beoordelen, is olieanalyse een ander hulpmiddel dat vastlegt wat er in de machine gebeurt. Door de oliezuiverheid, het vuilgehalte, de verontreinigingen en de oliesamenstelling te meten, kunnen technici de oorzaak identificeren, in kaart brengen en voorspellen en strategieën ontwikkelen om deze te corrigeren. De gegevens van de olieanalyse kunnen naar het analyseplatform worden gestuurd en worden gecombineerd met andere bewakingsgegevens voor een duidelijk beeld van de machinegezondheid.

Predictief onderhoud implementeren

Nu duidelijk is dat voorspellend onderhoud een gegarandeerde manier is om ongeplande uitvaltijd en hogere productiekosten te voorkomen, is de vraag:hoe implementeer je een plan voor voorspellend onderhoud?

Ga eerst tot de kern van het probleem dat u probeert op te lossen:

• Maakt u zich meer zorgen over ongeplande uitvaltijd of de kosten van een defect aan een onderdeel?
• Zijn sommige machines op uw verdieping "belangrijker"? d.w.z. vaker gebruikt, centraal voor meer bestellingen, enz.

Vervolgens moet u uw bestaande status beoordelen of een basislijn van gegevens over de machineprestaties maken. Hiervoor kunt u uw eigen normen, OEE-normen of andere industrienormen gebruiken. Bekijk elke machine om te zien wat de historische prestatieniveaus zijn geweest:hoe vaak is deze uitgevallen, welke componenten regelmatig defect raken, hoe vaak onderhoud momenteel is gepland, enzovoort.

Ten tweede, onderzoek de historische gegevens op patronen en welke statistieken een probleem aangeven, welke afwijkingen van de baseline een operator moeten markeren, enzovoort.

Tot slot, als u deze patronen en de gegevens met betrekking tot uw baseline prestatiemetingen gebruikt, moet u een proces instellen om de gegevens voortdurend bij te werken en te herzien om ervoor te zorgen dat deze de huidige status blijven weergeven en verslechterende patronen zullen markeren die duidelijk aangeven een behoefte aan onderhoud. Dit is de sleutel:je kunt niet voorspellen wat je niet kunt analyseren. Nauwkeurige gegevens zijn essentieel!

Het minimaliseren van ongeplande uitvaltijd, althans wat betreft het functioneren van de machines, is een enorme kostenbesparing en voorkomt vertragingen op de markt die ook van invloed zijn op het resultaat. In de huidige productieomgeving is voorspellend onderhoud geen 'nice to have'. Het is een noodzaak.

Lanceer een strategie voor voorspellend onderhoud

Boek een demo