Onderhoud in productie optimaliseren: Digitale data benutten voor piekprestaties

Het digitale universum verdubbelt om de twee jaar in grootte, verwacht te groeien van 4,4 biljoen gigabytes in 2013 naar 44 biljoen in 2020. Ondernemingen zijn verantwoordelijk voor ongeveer 85 procent van de data in dit digitale universum, volgens EMC Digital Universe.

Productiefabrieken zijn maar één type onderneming dat bijdraagt aan deze dataproductie, procesdata verzamelend om machinestatus te monitoren. Planningsingenieurs kunnen het meest uit deze data halen en ervoor zorgen dat hun onderhoudsschema hun fabriek ten goede komt, aldus Claudia Jarret, VS-manager bij automatiseringonderdelleverancier EU Automation.

Fabrikanten, geconfronteerd met constante druk om bij klantvraag te blijven en flexibel te blijven, zijn zich scherp bewust van de dreiging van fabriekstilstand, legde Jarret uit. Veroorzaakt door een veelheid aan factoren, waaronder machinedefecten, kan stilstand fabrikanten kosten tot $260.000 per uur, volgens analistenbureau Aberdeen Research.

Daarom is preventief onderhoud, waar apparatuur onderhouden wordt voordat het kapot gaat, essentieel, in plaats van reactief onderhoud, dat zich richt op repareren na een defect.

Maar voor diegenen in high-volume, lage-marge industrieën zoals voedsel en drank of autodeelproductie, kan preventief onderhoud ten onrechte onbereikbaar lijken, vanwege vermeende hoge voorafgaande kosten.

Preventie

De dagen dat men wachtte tot een systeem faalde door oververhit motoren of lekkende warmteoverdrachtssystemen, zijn gelukkig achter ons, zei Jarret. Plantmanagers plannen nu regelmatige inspecties, upgrades en troubleshooting om uitvallen te voorkomen. Deze eenvoudige stappen zijn één manier waarop preventief onderhoud uitgevoerd kan worden.

Maar naarmate Industrie 4.0-technologieën zoals conditiemonitoring toegankelijker worden, zijn er nog slimmere, nauwkeurigere en minder tijdrovende methoden beschikbaar.

Veel productiefabrieken gebruiken nu predictief onderhoud, een gesophisticeerde vorm van preventief onderhoud, om vast te stellen hoe goed apparatuur functioneert en fouten nauwkeurig te voorspellen voordat ze zich voordoen. Niet alleen vermindert dit het risico op downtime-veroorzakende uitvallen, maar het kan ook betekenen dat eventuele noodzakelijke vervangende onderdelen besteld en op voorraad zijn in geval van apparatuurfouten.

Daarnaast kan het monitoren van de gezondheid van apparatuur geleidelijke aanpassingen mogelijk maken, waar eerder een grote revisie vereist was voor verbeteringen. Aanpassingen kunnen de efficiëntie van processen verbeteren, uiteindelijk kosten verlagen door inefficiënte elementen te elimineren en de levensduur van apparatuur te verlengen door onderhoud of vervanging van slijtageonderdelen.

Waar te beginnen

De eerste stap die een plantmanager moet nemen bij het implementeren van elk preventief onderhoudsschema, is zoveel mogelijk data verzamelen, adviseerde Jarret. Dit moet een nauwkeurige schatting van de echte kosten van stilstand voor de betrokken fabriek omvatten. Het verzamelen van data verzameld door slimme sensoren, verkoopcijfers en geretrofitte systemen zou je in staat moeten stellen rekening te houden met verkoopverlies, verspild product en de kosten van noodreparaties, wat een nuttige basiscijfer kan opleveren.

Met hun ervaring van de fabriek, moeten onderhoudsingenieurs ook betrokken worden om een ideaal plan voor de fabriek op te stellen, inclusief gebieden waar ze geloven dat hogere onderhoudsniveaus vereist zullen zijn, zoals oudere apparatuur of machines die van nature gevoelig zijn voor uitvallen zoals motoren, turbines, of andere bewegende delen.

Dit plan kan dan naast het budget gebruikt worden om een realistisch onderhoudsplan op te stellen, inclusief welk niveau van preventief onderhoud ingezet kan worden. Voor sommige fabrikanten betekent dit regelmatige apparatuurcontroles, zoals eenmaal per maand voor een sectie van de fabriek, of dagelijks voor meer volatiele machines.

Data

Als echt predictief onderhoud het doel is, worden data zoals temperatuur, druk en trilling door sensoren verzameld en continu geïntegreerd, opgeslagen en geanalyseerd. De volgende vraag voor fabrikanten is hoe het meest uit deze waardevolle, maar grote, datasets gehaald kan worden.

Eenmaal de data verzameld, is de volgende stap om het potentieel te benutten om analyse te starten. Een populaire optie voor data-analyse is een cloud analytics service. Hier wordt ruwe data naar de cloud getransporteerd, waar het zowel opgeslagen als geanalyseerd kan worden op trends die een gebeurtenis kunnen voorspellen, inclusief een uitval. Veel diensten incorporeren ook een waarschuwingsysteem en waarschuwingen voor komende uitvallen kunnen via een webportaal, app, e-mail of tekstbericht naar relevante personeel gestuurd worden.

Andere fabrikanten, misschien bezorgd over cyberbeveiliging, de lange termijn stabiliteit van data opgeslagen in de cloud, of vertraging tussen dataverzameling en analyse, zullen ruwe data in-house analyseren. Hoewel dit vaak aanzienlijk meer resource-intensief is, geeft het plantmanagers volledige controle over hun data.

Veroudering

Ongeacht welk systeem geïmplementeerd wordt, kan predictief onderhoud gebruikt worden om veroudering te managen, naast het verminderen van stilstand en het verbeteren van proces efficiëntie.

Dit betekent dat onderdelen op het juiste moment besteld kunnen worden om het onderhoudsschema te passen. Traditioneel moesten fabrikanten een voorraad aan onderdelen bijhouden die mogelijk vervangen moesten worden, wat waardevolle ruimte op de fabrieksvloer innam die in plaats daarvan voor operaties gebruikt kon worden. Reserveonderdelen kunnen ook bulky zijn en een gezondheids- en veiligheidsrisico vormen, inclusief trap- of brandgevaar, als op de fabrieksvloer opgeslagen.

In plaats daarvan kunnen fabrikanten kiezen om vervangende onderdelen alleen te bestellen wanneer nodig, wat de ruimte en bronnen die ze beschikbaar hebben maximaliseert. Met leveranciers zoals EU Automation die verouderde onderdelen wereldwijd binnen 24 uur kunnen verzenden, is er nu geen behoefte meer om onderdelen op locatie op te slaan of te lijden onder verlengde periodes van stilstand wachtend op hun aankomst.

Wanneer predictief onderhoud toegepast wordt, kan verzamelde data ook voor andere doeleinden gebruikt worden, zoals het verhogen van proces efficiëntie en het garanderen dat vervangende onderdelen tijdig besteld worden. Correcte verzameling en analyse van deze data is essentieel om het potentieel te maximaliseren – en dit zal alleen belangrijker worden elk jaar naarmate de hoeveelheid data toeneemt.