Kosten Besparen Door Over-onderhoud Te Vermijden: Een Predictieve Benadering

Het verminderen van downtime mag bovenaan uw wensenlijst staan bij het kiezen voor een Predictive Maintenance-regime, maar er zijn andere grote beloningen te winnen. Over het potentieel voordeel van het elimineren van over-onderhoud niet heen kijken.

Over-onderhoud is ingebouwd in elk gepland onderhoudsprogramma dat steunt op het uitvoeren van klussen op regelmatige, vooraf vastgelegde intervallen. Dat is omdat iedereen van OEMs tot onderhoudsmanagers een veiligheidsmarge inbouwt in onderhoudsintervallen 'om op de veilige kant te zijn'.

De hoge kosten van voorzichtigheid

Neem de richtlijnen voor het vervangen van een voor-leven-gesmeerde lager als voorbeeld. Aanbevolen vervangingsintervallen kunnen variëren tussen 16.000 en 40.000 bedrijfsuren. Elke lagervervanging duurt tussen 30 minuten en 2 uur. De man-uren besteed aan het vervangen van lagers zullen 2,5 keer groter zijn bij een vervangingsinterval van 16.000 uur, vergeleken met 40.000 uur. Er zijn duizenden lagers op een typische industriële site, dus dat is een massive additionele kosten.

Predictive Maintenance kan deze onderhoudsoverspending virtueel elimineren door teams in staat te stellen onderhoud uit te voeren in de nick of time om een storing te voorkomen, in plaats van op vaste intervallen. Tegelijkertijd reduceert het drastisch downtime en belooft het significante productiviteitswinsten.

Echter, Predictive Maintenance is alleen mogelijk met ondersteuning van effectieve toestandsmonitoring, die betrouwbaar kan voorspellen wanneer elk component zal falen. Toestandsmonitoring steunt op zijn beurt op het nemen van real-time data van machines en het gebruiken ervan om een plaatje op te bouwen van de evoluerende toestand van de apparatuur.

Game-changing technologieën

Toestandsmonitoring is onlangs een betaalbare en praktische voorstelling geworden voor de eerste keer in veel industrieën, dankzij de komst van technieken en technologieën geassocieerd met Industry 4.0. Bijvoorbeeld, draadloze communicatie maakt het goedkoper en minder storend om een netwerk van lage-kost sensoren te installeren die de nodige machinedata in toestandsmonitoring-systemen voeden. Tegelijkertijd levert cloud-gebaseerde software ongekende schaalbaarheid en stelt procesoperators of OEMs in staat om installaties in real-time te monitoren.

Beter nog, een nieuwe generatie kunstmatige intelligentie en machine learning-oplossingen stelt toestandsmonitoring-systemen in staat om de analyse van data te automatiseren, actionable insights leverend zonder de noodzaak voor expert-analisten om over elk schrootje data te porren. Waarom consultants betalen om te proberen machine storingen te voorspellen wanneer het nu automatisch kan, in de cloud en zonder handmatige interventie?

Onderhoud effectiever richten

Senseye PdM is aan de voorhoede van het gebruik van geavanceerde machine learning voor toestandsmonitoring. De unieke proprietair algoritmes kunnen data omzetten in een nauwkeurige voorspelling van de resterende bruikbare levensduur (RUL) van productie-activa – een techniek bekend als prognostiek.

Senseye PdM verbindt met bestaande databronnen terwijl normale machine-operatie gewoon doorgaat. Gedurende 14 dagen werkt het op de achtergrond om normaal machinegedrag te analyseren alsook historische data indien beschikbaar. Het is dan klaar om de inzichten te leveren die nodig zijn om te beginnen met het bouwen van een schaalbaar Predictive Maintenance-programma.

Dit betekent in de praktijk dat Senseye PdM u kan vertellen hoe elk activum op uw site presteert op elk gegeven moment door automatisch machinedata te verzamelen en te analyseren. De oplossing's algoritmes kunnen updates genereren voor individuele activa en precies benadrukken waar onderhoudsteams hun inspanningen in de korte termijn op moeten richten, evenals helpen om toekomstige onderhoudsplannen te optimaliseren.

Typische implementaties kunnen downtime halveren, een 55% toename in productiviteit leveren en onderhoudsnauwkeurigheid met 85% verhogen.

Het is dit laatste cijfer dat het meest nauw gerelateerd is aan een reductie in over-onderhoud, wat een van de sleutelvoordelen is die samen Predictive Maintenance in staat stellen om tussen 8 en 12% van onderhoudskosten te besparen vergeleken met gepland onderhoud¹. En, met typische industriële bedrijven die tussen 15 en 40% van hun lopende budget aan onderhoud besteden, is dat een enorme besparing².

Wilt u meer ontdekken over hoe Senseye PdM kan helpen onderhoudsuitgaven te optimaliseren en productiviteit te boosten? Bekijk ons white paper 'Eliminate Overspending On Maintenance' of boek vandaag nog een demo van Senseye PdM.

1. U.S. Department of Energy
2. Lofsten, 2000