Voorspellend onderhoud: Data en algoritmes beïnvloeden de toekomst van machines
Van betrouwbaardere machines tot lagere kosten: predictive maintenance, of voorspellend onderhoud, belooft véél voor bedrijven die afhankelijk zijn van dure apparatuur. In het Nederlandse PrimaVera-project werken wetenschappers en bedrijven samen aan oplossingen die storingen met ongekende nauwkeurigheid kunnen voorspellen. Projectleider Mariëlle Stoelinga deelt tips over hoe bedrijven zo’n AI-traject kunnen opzetten. (Dimitri Dewever)
PrimaVera is onderdeel van de Nederlandse Wetenschapsagenda en werd in 2019 opgericht met als doel complexe vraagstukken rondom predictief onderhoud integraal te onderzoeken. Het project ontstond vanuit de behoefte aan een holistische aanpak, waarbij technologische innovaties niet los van elkaar worden ontwikkeld, maar worden geïntegreerd tot een systeem dat bedrijven helpt om onderhoudskosten te verminderen en de beschikbaarheid van hun machines en infrastructuur te optimaliseren.
Mariëlle Stoelinga, projectleider van PrimaVera alsook hoogleraar aan zowel de Universiteit Twente als de Radboud Universiteit in Nijmegen, legt uit dat predictief onderhoud niet eenvoudig is, omdat het bestaat uit een samenspel van technologieën zoals sensoren, data-analyse en logistieke planning. “Het doel van onderhoud is storingen voorkomen. Voorspellend onderhoud zorgt ervoor dat bedrijven potentiële defecten vroegtijdig opsporen, waardoor downtime en onderhoudskosten dalen.”
Data zijn niet het startpunt
Daarbij is vaak de toegang tot kwalitatief hoogwaardige en voldoende data een uitdaging. Zonder betrouwbare data kunnen algoritmen immers geen accurate voorspellingen maken. “Vaak hebben bedrijven wel data, maar beginnen ze met de verkeerde vraag: Wat kunnen we met die data doen?”, vertelt Mariëlle Stoelinga. “In plaats daarvan zouden ze moeten starten met de vraag: Wat willen we met predictive maintenance bereiken?”
Dat meent ook Peter Mees, Industrial Data & Analytics Solution Architect bij ReBatch, een Belgische specialist in op maat gemaakte AI-oplossingen. “Bij het opzetten van een traject rond predictief onderhoud is het belangrijkste dat bedrijven eerst goed nadenken over hun doelen: willen ze vooral de kwaliteit verhogen of juist de downtime verlagen?” Een duidelijke startstrategie en risico-analyse zijn essentieel voordat je begint met het verzamelen van data en het bouwen van oplossingen. “Door dat doelgericht aan te pakken, kunnen bedrijven beslissen welke data daadwerkelijk nodig is en investeren ze doelgerichter in hun onderhoudssystemen”, zegt Mariëlle Stoelinga. Veel bedrijven beschikken al over waardevolle data dankzij systemen zoals OEE (Overall Equipment Effectiveness). “Die systemen verzamelen gegevens over de beschikbaarheid, prestaties en kwaliteit van productieprocessen”, verduidelijkt Peter Mees. “Dat maakt het bijvoorbeeld mogelijk om productiestilstanden en prestaties te analyseren, wat een waardevolle basis is voor onderhoudsstrategieën.”
De menselijke factor is cruciaal
Nog een groot obstakel bij de implementatie van predictief onderhoud blijkt de menselijke factor te zijn. Hoewel algoritmes steeds nauwkeuriger worden, is het essentieel dat onderhoudsmedewerkers begrijpen hoe de voorspellingen tot stand komen. “Als de reden achter voorspellingen niet transparant is, ervaren onderhoudsprofessionals zo’n oplossing vaak als een black box”, merkt Mariëlle Stoelinga. “Wanneer mensen begrijpen waarom bepaalde onderhoudsacties nodig zijn, zijn ze sneller bereid om de aanbevelingen van algoritmes op te volgen.”
Ook de samenwerking tussen management en technici is onmisbaar voor een succesvolle implementatie van predictive maintenance. Soms is er een kloof tussen de verwachtingen van het management en de zorgen op de werkvloer, zoals de angst voor werkverlies door automatisering. “Juist door vanaf het begin de ervaringskennis van de werkvloer te integreren, kunnen de beste resultaten worden bereikt”, beklemtoont Mariëlle Stoelinga.
Een vergelijkbare boodschap geeft Peter Mees: de kennis van technici en ingenieurs die de machines kennen, is minstens zo belangrijk als de data zelf. “Artificiële intelligentie en machine learning lossen niet alles op: betrek de mensen die dagelijks werken met de machines of ze mee ontworpen hebben: zo kom je tot de meest doeltreffende resultaten op vlak van predictief onderhoud.”
Nog enkele concrete tips
Mariëlle Stoelinga adviseert bedrijven tot slot om te starten met een kleine, concrete use case; om op die manier voorspellend onderhoud op een eenvoudige manier in de organisatie te introduceren. “PrimaVera heeft een beslissingsdiagram ontwikkeld om bedrijven te helpen de juiste use cases te identificeren. Hierbij worden factoren zoals de beschikbaarheid van data en de complexiteit van mechanismen, machines en mogelijke falingen in overweging genomen”, klinkt het.
Bedrijven moeten hun modellen ook regelmatig evalueren en aanpassen aan veranderende machineprestaties, besluit Peter Mees. “Door AI-modellen schaalbaar te houden, kunnen ze ingezet worden op verschillende onderdelen zonder dat er voor elke machine een nieuw model nodig is. De evolutie en voortdurende verbetering van de modellen zorgen er ook voor dat bedrijven inspelen op veranderende omstandigheden en nieuwe uitdagingen, wat leidt tot slimmere en duurzamere productieprocessen.” Voor bedrijven die de sprong willen wagen, is de boodschap duidelijk: durf te beginnen, werk samen en begin met een helder doel.
