Voorspellend onderhoud succesvol: Gebruikersboven algoritmes stellen

Ervaren onderhoudingenieurs hebben een gedetailleerd mentaal beeld van de machines waarvoor ze zorgen. Ze weten wanneer een klapperende klep een storing aanduidt of wanneer het veilig is om het te negeren tot de volgende geplande stilstand. Als een geautomatiseerd systeem voor voorspellend onderhoud in deze kennis kan tappen, kan het leren om de best mogelijke ondersteuning te bieden aan gebruikers die moeten beslissen welke onderhoudsactiviteiten prioriteit hebben.

In een gebruikersgerichte benadering van voorspellend onderhoud worden onderhoudsteams alleen gealarmeerd wanneer het systeem denkt dat ze die informatie nuttig zullen vinden, gebaseerd op wat ze in het verleden nuttig vonden.

Het is een beetje zoals wanneer digitale contentproviders zoals Netflix of Amazon routinematig informatie opslaan over wat elke gebruiker kiest om te kijken. Ze kunnen dat gebruiken om een 'recommendation engine' aan te drijven die de films die aan elke gebruiker worden getoond, continu verfijnt in reactie op hun feedback.

Dit is de benadering die we bij Senseye hanteren om gebruikersgedrag te modelleren en te begrijpen, naast wat er gebeurt met de assets die ze monitoren, om hun aandacht te richten waar het het meest nodig is.

Figuur 1: Omgevingen rijk aan contextuele en hoogwaardige condition monitoring-data laten assets perfect monitoren – zoals een Digital Twin-benadering. Meeste fabriekomgevingen zijn low-context en modellen van gebruikersinteresse kunnen de effectiviteit van voorspellend onderhoudssoftware verbeteren.

De kracht (en beperkingen) van voorspelling

Elk initiatief voor voorspellend onderhoud – van het gebruik van een ijzeren staaf tegen een klapperende machine om te begrijpen of de tandwielkast een service nodig heeft voor de volgende geplande onderhoudsinterval, tot een gesofisticeerd geautomatiseerd software-monitoringssysteem – streeft ernaar operators te helpen identificeren wanneer er problemen opkomen. Het hoofddoel is om problemen vroegtijdig te signaleren om een storing te voorkomen die anders zou leiden tot kostbare ongeplande downtime. Er zijn vaak ook andere voordelen, gerelateerd aan verbeterde productiviteit en onderhoudsplanning.

Het concept van de 'digital twin' is momenteel bijzonder populair – maar de vaak verwarrende marketing van deze wiskundige modelleerbenadering maakt weinig melding van de gebruikers die bedoeld zijn om met deze 'twins' te interacteren en wat dat voor hen betekent. Een 'digital twin' van elk asset vereist ook dat de gebruiker comfortabel werkt in een complexe digitale omgeving. Maar er is een andere benadering die zich veel meer richt op de behoeften van gebruikers.

Veel storingen laten duidelijke signalen of 'vingerafdrukken' achter in machinedata en toonaangevende voorspellende onderhoudssoftware op de markt kan leren ze te herkennen door een breed scala aan inputs te accepteren – van toegewijde condition monitoring-data tot meer algemene plantdata. Deze systemen kunnen begrijpen welke patronen of kenmerkende signalen erop wijzen dat er een probleem kan zijn. In sommige gevallen en met voldoende data kunnen ze zelfs de resterende bruikbare levensduur (RUL) van elk asset berekenen – een techniek bekend als prognostiek.

De meeste van deze voorspellende onderhoudssystemen werken met beperkte data van de fabriek- of plantvloer, en triggeren een alarm wanneer een vooraf ingestelde drempel wordt overschreden. Ze kunnen gebruikers waarschuwen wanneer iets opwarmt of trilt, maar ze hebben waarschijnlijk niet genoeg informatie om een gedetailleerde diagnose te stellen.

Met andere woorden, het systeem kan 'advies geven' door alarm te slaan, maar alleen de gebruiker heeft de ervaring en expertkennis om te beslissen wanneer actie ondernomen moet worden. Cruciaal is dat het veel lastiger wordt om de situatie te managen in omgevingen waar veel machines tegelijkertijd worden gemonitord, omdat gebruikers gemakkelijk overstuur kunnen raken. De uitdaging bij voorspellend onderhoud is niet 'kun je problemen in de data ontdekken' maar 'kun je ontdekken wat voor de gebruiker van belang is?'

Wie zich om de gebruiker bekommert?

We vinden het belangrijk dat wanneer we een alarm genereren, de gebruiker met één druk op de knop kan aangeven of dat alarm nuttig is of niet. In de loop van de tijd leert dit het systeem de operator's aandacht te richten op de meest dringende onderhoudsprioriteiten. Dit gebeurt automatisch, zodat operators geen expertise in data-analyse nodig hebben.

Met andere woorden, Senseye's gebruikersgerichte benadering van data-analyse stuurt aandacht door de reactie van de gebruiker te modelleren. Deze feedbacklus tussen Senseye's oplossing en de gebruiker zorgt ervoor dat het aantal alarmen geleidelijk afneemt tot het een stabiel niveau bereikt waar bijna alles waar het de gebruiker naar toe wijst, nuttig is.

Bewezen resultaten van geavanceerde analyse – voor machines en onderhouders

Data-analyse gaat over het zoeken naar patronen binnen de massa aan binnenkomende plantdata. Bijvoorbeeld, de eigen algoritmes, of pattern engines, achter Senseye PdM zijn ontworpen om het karakteristieke gedrag dat potentiële storingen voorafgaat te herkennen en een alarm te triggeren met behulp van onze eigen Attention Index. Verschillende typen patronen kunnen een Attention Index-alarm triggeren: anomalieën zijn periodes van onstabiele data, trends zijn graduele verschuivingen in de baseline en overtredingen overschrijden drempels of regels die door de gebruiker kunnen worden gespecificeerd.

Toch betekent al dit ingenieuze data-analyse niets tenzij het echte zakelijke voordelen levert voor gebruikers. Gelukkig heeft Senseye PdM een sterke track record in het leveren op zijn productiviteitsbeloften in diverse sectoren. Bestaande klanten genieten typisch een 50% reductie in downtime, 55% toegenomen productiviteit en 85% toename in onderhoudsnauwkeurigheid.

Bovendien wordt Senseye PdM ondersteund door Senseye's ROI Lock®-garantie: Als de implementatie van Senseye PdM niet leidt tot een reductie van ongeplande downtime zoals van tevoren overeengekomen, kunnen klanten een terugbetaling van hun volledige abonnementsfee claimen.

Als u meer wilt weten over hoe we de onderhoudsgebruikers modelleren naast de assets die ze bewaken, hebben we een gedetailleerd witboek samengesteld over hoe Senseye PdM uw onderhoudsinspanningen kan richten waar ze het meest effectief zijn. Download het gedetailleerde witboek hieronder voor meer informatie of neem contact op om een demo te zien en aan de slag te gaan!