Succesvol voorspellend onderhoud op schaal

In ons laatste bericht hebben we gekeken naar de opkomst van voorspellend onderhoud (PdM) en waarom zoveel leveranciers - en hun klanten - het nog steeds bij het verkeerde eind hebben. Hier zullen we onderzoeken hoe we wat we in de loop der jaren over voorspellend onderhoud hebben geleerd, hebben toegepast op alles wat we vandaag doen.

De combinatie van meer dan 30 jaar ervaring in de lucht- en ruimtevaartindustrie en meer dan 150 manjaren aan onderzoeks- en ontwikkelingstijd die exclusief aan PdM is besteed, heeft ons veel geleerd over het inzetten van voorspellende onderhoudstechnologieën in verschillende sectoren. En terwijl we verschillende sectoren en niveaus van klantvolwassenheid blijven tegenkomen, blijven we leren. Bovenal hebben we geleerd dat goed voorspellend onderhoud niet eenvoudig is.

Belangrijk is dat we hebben geleerd dat het niet alleen gaat om weten hoe je PdM goed kunt doen, maar ook waarom het ertoe doet. We hebben bijvoorbeeld geleerd dat de werkelijke waarde van PdM moeilijk uit te leggen is, zelfs als het een aanzienlijk investeringsrendement oplevert. Het implementeren van een PdM-strategie is een zet die niet lichtvaardig moet worden opgevat - het beïnvloedt een hele onderneming, van het bestuur tot de werkvloer. Een zekere mate van vertrouwen in het succes ervan zal nodig zijn voordat een transformatie van deze schaal kan worden gestart.

Hier zijn dan een paar belangrijke punten die, naar onze ervaring, organisaties in gedachten moeten houden bij het starten van een voorspellend onderhoudstraject.

Voorspellend onderhoud is geen typische datawetenschapstoepassing

Hoe meer we met klanten praten over hun eerdere mislukte implementatiepogingen, hoe zekerder we zijn dat PdM niet kan worden behandeld als een typisch Big Data-probleem. Dit komt grotendeels doordat de rijke context die nodig is om Big Data-oplossingen te laten werken in PdM ernstig ontbreekt. Veel modi voor machinestoringen zijn ook subtiel van aard, waardoor het moeilijk is voor gevestigde algoritmen voor machine learning om waarneembare patronen nauwkeurig te voorspellen.

Het is niet onredelijk om nauwkeurigheidsniveaus van 90% en hoger te verwachten in een typische Data Science-oplossing. Het verwachten van een vergelijkbare nauwkeurigheid van een PdM-oplossing suggereert echter een fundamenteel misverstand over hoe het werkt. Ja, het gebruik van gecureerde data van hoge kwaliteit in een laboratoriumomgeving levert dit soort resultaten op voor specifieke machines en specifieke faalwijzen. Maar dit vertegenwoordigt niet de werkelijkheid. Elke machine en storingsmodus is bijvoorbeeld uniek, en verschillende sensortypen leveren gegevens met verschillende nauwkeurigheidsniveaus. En dan hebben we het nog niet eens over het dynamische karakter van een fabrieksvloer en het algemene gebrek aan cruciale contextuele informatie.

Moeilijke vragen moeten worden gesteld aan iedereen die algemene vragen stelt of specifieke beweringen doet over de nauwkeurigheid van een PdM-oplossing.

Ken uw publiek

Een ander ding dat onze ervaring ons heeft geleerd, is dat drukke onderhoudsteams doorgaans heel weinig tijd hebben aan het begin van hun diensten om te bepalen welke van de vele machines waarvoor ze verantwoordelijk zijn, hun aandacht het meest nodig hebben. Ze willen die tijd zeker niet besteden aan het bestuderen van grafieken en het doorzoeken van onbewerkte gegevens om die informatie te ontdekken.

Eenvoudig, intuïtief softwareontwerp is daarom essentieel, zodat onderhoudsprofessionals het inzicht krijgen dat ze nodig hebben in een gemakkelijk af te lezen dashboard en kostbare tijd bespaart. Hoewel veel leveranciers dergelijke dashboards bieden, kunnen het vaak generieke aanbiedingen zijn die geen rekening houden met de unieke workflows, voorkeuren en ervaring van een gebruiker. De kennis en ervaring van deze professionals is inderdaad van onschatbare waarde; het benutten ervan is cruciaal voor het succes van een PdM-oplossing.

De producten van Senseye zijn ontworpen met dit alles in gedachten. We streven naar eenvoud door analyses naadloos te integreren met een duidelijke gebruikersinterface. In plaats van meerdere grafieken en diagrammen, wordt informatie weergegeven in de vorm van een lijst, gesorteerd op de Attention Engine, een eigen algoritme dat machinegegevens, onderhoudsgegevens en operatorgegevens gebruikt om prioriteit te geven aan machines die aandacht nodig hebben.

Weet waar uw gebruikers zich op hun reis bevinden

We hebben ook geleerd dat verschillende bedrijven - en vaak verschillende gebieden binnen hetzelfde bedrijf - zich in verschillende stadia van hun voorspellend onderhoudstraject zullen bevinden. Eén bedrijf mag bijvoorbeeld alleen periodieke, routegebaseerde conditiebewakingscontroles uitvoeren. Een andere zal echter robuuste, geautomatiseerde conditiebewaking hebben gecombineerd met een PdM-oplossing voor nauwkeurige voorspellingen van de gezondheid en time-to-failure van hun machines.

Deze voorbeelden bevinden zich natuurlijk aan de andere kant van een schaal, en de meeste bedrijven zullen ergens tussen de twee zitten, waarbij het volwassenheidsniveau van zowel hun gegevens als hun culturele paraatheid toeneemt als gevolg van meer begrip door hun managementteam en buy-in van hun IT-team. Het is echter belangrijk om te weten waar een bedrijf op die schaal zit, aangezien elk een ander ondersteunings- en implementatiepakket nodig heeft, afhankelijk van het volwassenheidsniveau.

Jarenlange ervaring heeft ons veel geleerd over wat werkt en wat niet. In ons volgende bericht zullen we onderzoeken hoe al deze ervaring en begrip Senseye PdM tot het toonaangevende PdM-product op de markt hebben gemaakt. Tot die tijd kun je meer details vinden over de belangrijkste dingen die we hebben geleerd over PdM in ons witboek "Senseye in Depth:Waarom is voorspellend onderhoud zo moeilijk?".