Predictive maintenance, ofwel voorspellend onderhoud, is een onderhoudsaanpak waarbij je het ideale onderhoudsmoment voor een apparaat of component (asset) bepaalt op basis van een voorspelmodel. Dit model gebruikt historische data over het falen van de apparatuur of de componenten. Het model bepaalt hiermee het beste onderhoudsmoment vanuit het perspectief van de asset. Echter, als we het perspectief van de organisatie als uitgangspunt nemen, is dit lang niet altijd het beste moment. Waarom is dat zo? Dat leggen we hier verder uit.
Vier soorten onderhoudsaanpakken en waar ze goed voor zijn
We gaan voor deze uitleg eerst even een stapje terug in het proces. Voor het onderhoud van een apparaat of een component zijn op hoofdlijnen de volgende vier verschillende soorten van onderhoud te onderscheiden:
Reactief onderhoud, ook wel correctief onderhoud genoemd, waarbij onderhoud pas wordt gepleegd op het moment dat een asset daadwerkelijk faalt. Afhankelijk van het type asset kan dit leiden tot een verstoring die direct merkbaar is voor je klanten, bijvoorbeeld als een (niet-redundant uitgevoerde) transformator faalt die een woonwijk van stroom voorziet.
Preventief onderhoud, waarbij het onderhoud op vaste momenten wordt gepleegd, meestal op basis van een inschatting van de faalkans of het faalrisico van de asset. Hier is het zoeken naar de juiste balans: als de tijd tussen twee preventieve onderhoudsbeurten te ruim wordt ingepland, zal er geregeld nog reactief onderhoud nodig zijn. Als er te weinig tijd zit tussen twee onderhoudsbeurten, wordt er onnodig vaak onderhoud gepleegd. Bovendien houdt deze aanpak geen rekening met de omgevingsfactoren, zoals weerscondities of gebruiksbelasting, die de degradatiesnelheid van de asset kunnen beïnvloeden. Hierdoor is deze snelheid mogelijk niet constant in de tijd.
Conditiegestuurd onderhoud, waarbij onderhoud wordt gepleegd op basis van een gemeten conditie van een asset en er gemonitord wordt of deze conditie een bepaalde grenswaarde overschrijdt. Als de grenswaarde goed gekozen wordt dan ben je net op tijd met het onderhoud om een storing van een apparaat of component te voorkomen, maar niet zo vroeg dat het onderhoud onnodig extra geld kost. De grenswaarde houdt echter, net als preventief onderhoud, geen rekening met de omgevingsfactoren.
Voorspellend onderhoud, waarbij zoals al eerder beschreven, het beste onderhoudsmoment voorspeld wordt op basis van historische data en de actuele situatie inclusief omgevingsfactoren (zoals weercondities en gebruiksbelasting). Hiermee kan, mits goed gemodelleerd, een goede inschatting gemaakt worden van het beste just-in-time onderhoudsmoment.
Nieuwe kansen door AI
De opkomst van Large Language Models (LLMs) zoals die onder de motorkap van bekende applicaties als ChatGPT biedt nieuwe kansen voor voorspellend onderhoud. Waar 5-10 jaar geleden veel predictive maintenance implementatie op vastliepen, was namelijk het gebrek aan kwantitatieve data om modellen op te trainen. Inspectierapporten van monteurs bevatten vaak tekstuele toelichtingen, omdat sommige observaties moeilijk gestandaardiseerd in getallen uit te drukken zijn. Met LLMs zijn deze teksten nu ook bruikbaar te maken om voorspelmodellen op te trainen waardoor de hoeveelheid data fors toeneemt en de kosten van het verzamelen niet meer puur afhankelijk is van, soms dure, sensoriek.
Waarom is het voorspelde optimale onderhoudsmoment niet per se het optimale moment voor de organisatie?
Als op basis van een afweging tussen correctiekosten en preventiekosten de keuze is gevallen op voorspellend onderhoud dan is het voorspelde moment nog altijd niet per se het beste onderhoudsmoment. Een standaard onderhoudsvoorspelmodel is namelijk volledig gericht op het voorspellen van het moment waarop er nog net op tijd onderhoud gepleegd kan worden om een storing te voorkomen. Het ‘perspectief’ van het model is dus dat van de asset. Voor een organisatie zijn er echter meer factoren die een rol spelen dan puur de asset in voldoende conditie houden.
De drie belangrijkste factoren hiervan zijn:
- Ander onderhoud aan de asset
Complexere assets hebben veel componenten die hun eigen degradatiegedrag en dus optimale onderhoudsmoment hebben. Als er onderhoud aan één component nodig is, dan kan het goedkoper zijn om tegelijkertijd andere componenten te onderhouden die ook dichtbij hun optimale onderhoudsmoment zitten. Hiermee worden de reistijd en de eventuele opstarttijd (denk aan het veiligstellen van de werkplek) bespaard. - Andere activiteiten in de buurt van de asset
Als een monteur toch al in de buurt is, kan ook hier een afweging worden gemaakt om te kiezen voor een toename van de kosten door het te vroeg uitvoeren van het onderhoud of het besparen op de kosten van extra reistijd. - Externe factoren
Voor sommige assetlocaties zijn er regels over hoe vaak of wanneer in het jaar het verkeer of de omgeving verstoord mag worden. Dit kan bijvoorbeeld voortkomen uit de dichte bevolking van een gebied of de tijd van het jaar bij natuurgebieden. Rekening houdend met de hieruit voortkomende randvoorwaarden moeten sommige onderhoudsmomenten dan vroeger in de tijd gekozen worden.
Kort samengevat zijn de bovenstaande factoren allemaal te vangen in één woord: planning. De afstemming van de verschillende planningen, die afhankelijk zijn van de asset en de omgeving van de asset, bepaalt uiteindelijk het daadwerkelijke optimale onderhoudsmoment vanuit het perspectief van de organisatie.
Zo richt je je voorspellend onderhoud waardevol en werkbaar in
Om de maximale waarde uit voorspellend onderhoud te halen, is het dus van belang om verder te kijken dan het perspectief van de asset en andere inzichten mee te nemen. Dit hoeft niet allemaal in een keer. Door klein te starten en langzaam uit te breiden kan de activiteitenplanning voor een asset langzaam meer complexiteit krijgen. Een logische volgorde kan bijvoorbeeld de volgende zijn:
Voor het afwegen van deze verschillende elementen kunnen optimalisatiemodellen een rol spelen en is het daarnaast van groot belang om procesmatige wijzigingen door te voeren. Het plannen op basis van data vergt namelijk een andere manier van werken van de planners, die zich steeds meer bezig moeten gaan houden met het controleren en valideren van de modeluitkomsten. Daarnaast komen er voor bepaalde functies, bijvoorbeeld onderhoudsmonteurs, mogelijk werkzaamheden bij doordat het verzamelen van kwalitatief betrouwbare data over de assets een belangrijkere rol gaat spelen. Om voorspellend onderhoud daadwerkelijk werkbaar te maken, is er dus kennis van de modellen én van de processen noodzakelijk. En daar helpen we u graag bij.
Meer weten over onze dienstverlening op het gebied van processen, data en onderhoud? Neem contact op met één van onze adviseurs.