Revolutionaire assetbetrouwbaarheid: Machine Learning voor voorspellend onderhoud

We bekijken hoe Machine Learning (ML) helpt traditionele voorspellende onderhoudsmodellen te disrupteren, wat nieuwe niveaus van apparatuurproductiviteit en -prestaties drijft bij asset-gerichte organisaties.

Machine Learning (ML) Voorspellend Onderhoud

Onvoorziene apparatuurdowntime vertegenwoordigt een steeds hoger operationeel risico voor asset-gerichte organisaties, wat diepere inzichten in assetgezondheid vereist die IoT en traditioneel voorspellend onderhoud kunnen faciliteren.

Op deze achtergrond hebben we traditionele Computerised Maintenance Management Systems (CMMS) plaats maken zien voor Enterprise Asset Management (EAM), Asset Performance Management (APM), en recentelijk een geheel nieuwe generatie voorspellend-onderhoud-gefocuste tools. Het is eerlijk om te zeggen dat assetbetrouwbaarheid en -prestaties wel en echt bovenaan de agenda zijn gekomen.

Echter, zo snel is de verandering, dat deze voorspellende onderhoudstools al tekortschieten aan de levering van de granulatie en prestatie-eisen van vandaagse bedrijven. Gestoord door de convergentie van IoT en Cloud, die samen meer uitgebreide en realtime data-acquisitie leveren, kan Machine Learning Voorspellend Onderhoud potentiële apparatuurstoringen identificeren lang voordat ze anders een vlag zouden ophogen. Op dezelfde manier kan het de resterende bruikbare levensduur (RUL) van assets verlengen door toegewijde monitoring en onderhoud, in plaats van vast te houden aan een star tijdsframe gebaseerd op typisch gebruik.

Legacy Voorspellend Onderhoud versus Machine Learning Voorspellend Onderhoud

Traditionele voorspellende onderhoud machine learning modellen zijn gebaseerd op feature engineering. Deze modellen worden handmatig gemaakt op basis van ervaring, expertise en standaardmetrieken en -methoden. Hoewel deze benadering uitermate effectief kan zijn, met name in productieoperaties, zijn modellen specifiek voor een machine binnen een organisatie, en worden daarom overbodig zodra die machine vervangen wordt. Door machine learning op schaal toe te passen, kunnen netwerken automatisch de juiste features uit de data halen, de meest voorkomende falenpatronen identificeren, en de noodzaak elimineren om handmatig een model opnieuw te maken telkens een nieuw asset wordt geïntroduceerd.

Machine Learning Voorspellend Onderhoud past algoritmes toe om te leren van historische data, en gebruikt live data om falenpatronen te analyseren. Data wordt over tijd verzameld, over een netwerk van assets over een aantal organisaties, wat patronen die apparatuurstoringen voorspellen, detecteert en deep learning algoritmes toepast.

Door realtime data te combineren met historische trends en variabelen zoals huidige omgevingsfactoren, kan machine learning beslissemen nemen over wanneer actie ondernomen moet worden en suggesties doen wat die actie moet zijn. Het productieteam kan dan passende actie ondernemen zonder daadwerkelijk een begrip van de benodigde algoritmes te vereisen.

Machine Learning Voorspellend Onderhoud stelt ingenieurs op de werkvloer in staat de data te krijgen die ze nodig hebben om een storing te voorkomen, in plaats van handmatige verzameling van sleutelindicatoren zoals temperatuur en druk, wat niet alleen onnauwkeurigheden riskeren en tijd kost om te uploaden, maar ook een veiligheidsrisico vormt voor personeel. Strategisch stelt deze benadering ingenieurs in staat hun vaardigheden volledig te focussen waar ze het meest ertoe doen: het onderhoudsplan en assets die hun aandacht nodig hebben.

Best practice geïllustreerd

Overweeg een transportbedrijf dat geïnformeerd wordt dat een van zijn bussen is uitgevallen. Legacy voorspellend onderhoud zou kunnen wijzen op het feit dat de motor aan een service toe is, daarom is de aanbevolen actie om deze service te versnellen en het probleem te identificeren. Machine Learning Voorspellend Onderhoud kan zijn rijkdom aan inzichten benutten om te identificeren dat het type motor dat in de bus gebruikt wordt, vatbaar is voor een veelvoorkomende fout, wat snelle diagnostiek, inzet van de juiste vaardigheden en corrigerende actie mogelijk maakt om het probleem op te lossen. Niet alleen minimaliseert dit de 'downtime' van het voertuig, het minimaliseert ook resourcegebruik en draagt bij aan de reputatie van het bedrijf voor betrouwbaarheid.

Lang verwachte disruptie; continue innovatie

Machine learning kan gebruikt worden om snel nieuwe doelen te bereiken, of het nu is doorvoer verhogen om toegenomen vraag in een bepaald gebied aan te kunnen, of aanpassen aan just-in-time productie in het geval van een dip of verandering in aanbod of vraag. Cruciaal is dat dit kan worden bereikt in een schakeling in plaats van investering in een data science team, wat substantiële investering en training vereist.

Gegeven de onzekere tijden waar we in de afgelopen jaren aan gewend zijn, is het geen wonder dat deze benadering, die ingebed is in het gebruik van algoritmes om patronen in data te vinden om toekomstige gebeurtenissen te voorspellen, is aangenomen over een breid scala aan industrieën. Machine Learning Voorspellend Onderhoud heeft duidelijke redenen om de legacy voorspellende onderhoudssector te disrupteren.

Niet alleen is de wereldwijde markt voor machine learning ingesteld om te groeien van $17,1 miljard in 2021 naar $90,1 miljard in 2026, zo'n is de momentum achter deze disruptie, dat in 2026, 60% van IoT-ingeschakelde voorspellende onderhoudsoplossingen geleverd zullen worden als onderdeel van enterprise asset management producten.

Succes voorspellen

Toegankelijk voor alle organisaties, en met minimaal personeelsbehoefte voor opzet of lopende monitoring, en de flexibiliteit om te schalen zoals vereist, is het enige wat in de weg staat om impact te bereiken op deze manier de ambitie van een organisatie om afstand te doen van traditionele handmatige operaties.

Machine learning naar een fabriek brengen ontgrendelt het potentieel van zijn assets en zijn sleutelconditie-indicatoren. Machine learning heeft geen maximum aantal assets om te monitoren, het kan zoveel of zo min data beheren als erin gestopt wordt. En het wordt nauwkeuriger in zijn inzichten naarmate de tijd vordert, aangezien de additionele data zijn modellering en analyse-ervaring verrijkt. Door inzichten te leveren, in plaats van puur monitoring van drempels, kunnen fabrieksingenieurs zich richten waar hun tijd het meest nodig is en efficiënter zijn met ongeplande downtime reductie en machinelevensduurverlenging.

De voordelen van diepgaande, kennis-gebaseerde benadering tot assetmanagement strekken zich uit tot alle hoeken van een organisatie, aangezien de impact medewerkers ermachtigt en uitdaagt om nieuwe kansen te identificeren en om te armeren.

White Paper: Menselijke Expertise Versterken met Machine Learning

Download ons gratis white paper om te leren over het belang van systeemgebruikers in de lus te houden, waarom Asset Health als concept misleidend is en hoe Attention Index een effectievere manier biedt om assets te prioriteren met grote productiviteitswinsten.