Balans tussen voordelen en risico's: AI in voorspellend onderhoud

Kunstmatige intelligentie (AI) vormt de basis van de huidige geautomatiseerde voorspellende onderhoud (PdM) oplossingen. Senseye PdM's algoritmes waarschuwen gebruikers tijdig voor verslechterende machines, wat leidt tot een reeks voordelen zoals verminderde downtime en meer gericht onderhoud, wat duurzaamheid en efficiëntie boost. Deze tools zijn zo krachtig dat het makkelijk is om weg te lijden in de mogelijkheden van AI in PdM-context.

Veelvoorkomende misvatting: AI voorspelt exacte falen

Een veelvoorkomende misvatting is dat AI-systemen kunnen voorspellen wanneer en hoe machines zullen faalen door aanwijzingen te zien die onzichtbaar zijn voor een menselijke expert. De waarheid is dat getrainde condition monitoring analisten de gouden standaard vormen voor het begrijpen van machinegezondheid. Het grootste verschil tussen menselijke expertise en automatisering is schaalbaarheid, niet een magische vorm van data-analyse.

Een expert kan maar één asset tegelijk beoordelen, terwijl een geautomatiseerd systeem duizenden assets simultaan kan monitoreren. Dit opent de weg voor grote verand vroeger hield de tijd, inspanning en kosten van handmatige condition monitoring deze beperkt tot alleen de meest kritieke assets. Geautomatiseerde PdM-systemen maken het nu praktisch om dezelfde aanpak op elke machine in uw gehele operatie toe te passen.

Besluitondersteunende tools

De voordelen van schaalbaarheid raken ook de mythe dat PdM-oplossingen banen bedrohen. Deze tools gaan over het bemachtigen van operators en onderhoudsteams om betere beslissingen te nemen, niet om ze te vervangen. PdM-oplossingen stellen gebruikers in staat om hun asset management inspanningen op manieren te richten die tot nu toe onmogelijk waren, waardoor bestaande teams productiever worden, vaak met gereduceerde budgetten.

Echte voordelen hangen af van kwalitatieve data

Een AI-gebaseerde PdM-oplossing is transformatief voor onderhoudsoperaties – mits toegang tot de juiste soorten machinedata. De sleutel is ervoor te zorgen dat gebruikers voldoende vertrouwen hebben in het geautomatiseerde PdM-systeem om adequaat te reageren wanneer het systeem een waarschuwing geeft. Dat vertrouwensniveau hangt voornamelijk af van de kwaliteit van de beschikbare data die het systeem binnenkomt. Het oude gezegde "Garbage in, garbage out" geldt hier volstrekt.

Basale condition monitoring data

Dit is het absolute minimum voor PdM. Parameters zoals de stroom die een motor trekt of de timing tussen twee setpoints, waarbij een korte storing of langetermijntrend kan wijzen op verslechtering van de assetconditie.

Gebruikers kunnen beperkt vertrouwen hebben in waarschuwingen gebaseerd op primaire data, omdat proces- of omgevingsveranderingen veel parameters kunnen beïnvloeden. Een pomp overschakelen op een dichter product of veranderingen in omgevingstemperatuur kunnen significante impact hebben.

Conditie-indicatoren

Deze rekening houder met misleidende informatie en streven ernaar om veranderingen gerelateerd aan proces- en omgevingsfactoren te filteren, in plaats van het gedrag van de machine zelf.

Geavanceerde conditie-indicatoren

Deze gaan een stap verder door specifieke falenmodi te targeten. Het klassieke voorbeeld is trillingsmonitoring, afgestemd op indicatoren van falen zichtbaar op specifieke frequenties – bijvoorbeeld een verkeerd uitgelijnde motoras.

Een gebruiker kan falenmodi identificeren aan het begin van een PdM-implementatie door de onderhoudshistorie van elke asset en de algemene technische informatie te bestuderen. Gebruikers kunnen dan de conditie-indicatoren kiezen die waarde toevoegen en sensoren instellen om te focussen op de falenmodes die de grootste voordelen opleveren.

Bewijzen van succes

AI-gebaseerde PdM-oplossingen zijn geen toverstafjes, maar de enorme voordelen van een succesvolle PdM-regime zijn wel bewezen. Bij Senseye gebruiken we eigen AI- en ML-gebaseerde algoritmes om klanten te helpen tienduizenden machines wereldwijd te monitoren om onderhoudsefficiëntie te verbeteren en de juiste informatie op tijd te leveren. Resultaten omvatten: ongeplande machinedowntime gedaald met 50%, onderhoudskosten gedaald met 40%, en een stijging in productiviteit van onderhoudspersoneel en nauwkeurigheid van downtime-voorspelling van respectievelijk 55% en 85%.

Neem contact op met Senseye voor een demo en leer meer over hoe we u kunnen helpen uw machinebetrouwbaarheids- en duurzaamheidsdoelen te bereiken.