Blog: Overschakelen van handmatige naar sensorgegevensverzameling

Technologiegerichte strategieën voor optimalisering van het onderhoud van bedrijfsmiddelen

In 2014, toen de ISO 55000-reeks van Asset Management-normen werd gelanceerd, beschikten organisaties over de hele wereld eindelijk over een geratificeerde, internationale norm voor het beheer van machines. Sinds die tijd is asset management vaker en diepgaander besproken door verschillende organisaties en entiteiten.

Toch zijn de gegevensverzamelingstechnologieën om deze activa effectief te beheren en te onderhouden vaak achtergebleven. Een onderzoek uit 2016 in de olie- en gasindustrie door General Electric Corporation stelde vast dat 60%1 van de faciliteitsexploitanten het verzamelen van asset-gerelateerde gegevens een “grote uitdaging” vond. Ironisch genoeg meldde hetzelfde onderzoek dat operators die een voorspellende, op gegevens gebaseerde aanpak gebruikten, 36%2 minder ongeplande downtime ervoeren.

De hoeveelheid asset-gerelateerde data die momenteel beschikbaar is om inzicht te verschaffen is duizelingwekkend. Analyse van deze gegevens is van vitaal belang, omdat het de basis vormt voor voorspellende algoritmen waarmee faciliteiten “assets of interest” kunnen detecteren die door een expert kunnen worden bekeken en geanalyseerd. Zodra een analist de waarschuwing van een geautomatiseerd algoritme omzet in bruikbare aanbevelingen, kan onderhoud op het juiste moment worden ingepland.

Een probleem dat zijn wortels heeft in inefficiënte praktijken

Historisch gezien is het hele proces van begin tot eind gefragmenteerd geweest, waarbij de algemene aanpak van gegevensverzameling en -verwerking als volgt verliep:

• Deskundigen of onderhoudspersoneel bezochten een fabriek en verzamelden een verscheidenheid aan activa-gegevens van een permanent geïnstalleerde sensor of van een sensor- en acquisitiesysteem dat de deskundige bij zich draagt.
• Deskundigen analyseerden vervolgens de gegevens om de gezondheid van de bedrijfsactiva te bepalen en stelden rapporten op.
• Onderhoudstechnici ontvingen de rapporten en tegen die tijd waren de verzamelde gegevens over de gezondheid van de activa mogelijk al verouderd.
• In het ergste geval had de fabriek al te maken gehad met een of meer storingen aan de apparatuur, waardoor de onderhoudsteams in de brandbestrijdingsmodus terechtkwamen en de bedrijfsresultaten mogelijk werden beïnvloed.

Laten we nu eens aannemen dat het team deze rudimentaire aanpak achter zich heeft gelaten en geavanceerde technologie gebruikt om de gegevens te verzamelen. Zelfs als ze zouden proberen gegevens te extraheren en te interpreteren voor standaard predictief onderhoud, zouden ze waarschijnlijk nog steeds belemmeringen ondervinden. Waarom? De kans is groot dat hun analyse-instrumenten en -methoden niet voldoende capaciteit hebben om de enorme hoeveelheden gegevens te verwerken die moderne machines door geautomatiseerde gegevensverzameling kunnen genereren. Er moet een effectievere aanpak komen om het verzamelen en analyseren van grote hoeveelheden gegevens mogelijk te maken.

Draadloze monitoring bewijst zijn waarde

Als de bedrijfsmiddelen draadloos worden bewaakt, biedt de oplossing nog meer flexibiliteit, aangezien informatie van installaties – hoe ver weg ook – kan worden verzonden voor deskundige verwerking. Zelfs in ver van elkaar verwijderde fabrieken op geïsoleerde locaties is het dankzij de groei van internetconnectiviteit op afstand mogelijk geworden dat bedrijfsmiddelen informatie verzenden. Bovendien zal deze mogelijkheid alleen maar toenemen. Tegen 2027 zullen er wereldwijd naar schatting 267 miljoen3 actieve activatrackers in gebruik zijn voor industriële automatisering en andere toepassingen.

Of een faciliteit zich nu in een afgelegen wildernis bevindt of een enorm chemisch complex met geavanceerde technologische mogelijkheden, geautomatiseerde draadloze bewaking biedt bewezen waarde. Specialisten die de gegevens analyseren kunnen niet alleen de huidige toestand bepalen, maar ook historische trends. Die informatie kan dan deel gaan uitmaken van een “feedback loop”. Met deze aanpak kunnen niet alleen onderhoudsschema’s worden geoptimaliseerd op basis van elke inputgolf, maar kunnen ook toekomstige voorspellingen worden gedaan die de machineonderhoudstechnici helpen om stilstand te voorkomen.

Deze aanpak zorgt niet alleen voor uptime, maar voorkomt ook “overmatig onderhoud”, waarbij onderhoud wordt uitgevoerd volgens een agressiever schema dan voor de machine noodzakelijk is. Ten slotte verschaft het onderhoudsteams en besluitvormers belangrijk inzicht in potentiële “run to failure”-activa – activa waarbij het kosteneffectiever is om ze te laten falen dan om ze agressief te onderhouden.

1 https://www.ge.com/digital/sites/default/files/download_assets/ge-the-impact-of-digital-on-unplanned-downtime.pdf

2 Ibid

3 https://www.prnewswire.com/news-releases/industrial-iot-asset-tracking-2019-by-2027-there-will-be-267-million-active-rfidasset-trackers-in-use-worldwide-300851946.html