Maintenance of Things: onderhoudsmanagement

Ik kan het niet laten nogmaals stil te staan bij het Industrial Internet of Things (IIOT) dat nu eenmaal het onderhoudsmanagement in de toekomst zal mee bepalen.

Trefwoorden: #Industrial Internet of Things, #Liliane Pintelon, #maintenance, #onderhoud, #onderhoudsmanagement

Lees verder

Columns

ENGINEERINGNET.BE - IIOT brengt nieuwe terminologie aan. Reactief of correctief onderhoud is er al lang. Preventief of op tijd gebaseerd onderhoud ook.

Condition monitoring technologie voegde daar predictief onderhoud en later prognostisch onderhoud aan toe. Predictief onderhoud gaat na of een bepaalde parameter(set) uit de veilige zone dreigt te gaan. Prognostisch onderhoud koppelt daar via mathematische modellen nog een prognose van de RUL (remaining useful life) aan.

Over het exacte onderscheid zijn literatuur en praktijk het niet altijd eens. IIOT introduceert nog iets nieuw: prescriptief onderhoud, dat ook intelligent prevention genoemd wordt. Verwarring troef, dus.

Heel kort door de bocht komt het erop neer dat prescriptief onderhoud intelligente algoritmes en modellen toepast die je vertellen welke onderhoudsactie je best (snel) onderneemt, de zogenaamde actionable information.

Het doet denken aan een garagebezoek: de technieker duikt niet direct onder de motorkap maar ‘hangt je auto aan de computer’. Die computer spuwt een papier uit met het gezondheidsverdict en de interventies die de technieker dient uit te voeren.

Dat klinkt goed, toch? En jawel, sensoren worden krachtiger, kleiner en goedkoper maar een industriebrede uitrol van prognostisch onderhoud is nog niet voor morgen. Een groot obstakel zijn de data.

Het is onmogelijk en/of onrendabel om alle installaties uit te rusten met sensoren. Evenmin zijn gecollecteerde data altijd kwaliteitsvol. Ze komen in een oud of niet-standaard format. Disparate, ruwe data samenbrengen is een hele klus.

Het koppelen van die sensordata aan gebeurtenissen, zoals de lengte van productieruns, materiaaleigenschappen en onderhoudsinterventies, is een volgende uitdaging. Dan zie je dat analyses niet op alle gegevens worden uitgevoerd maar alleen op de data van het moment van de gebeurtenis of interventie. Zo gaat een hoop informatie verloren.

Zelfs als ‘alle’ data gekoppeld worden, blijkt analyseren niet zo eenvoudig. Zoals één van mijn studenten onlangs pijnlijk ervoer bij de dataverwerking van een power plant. Hij beschikte over sensor- en onderhoudsdata, inclusief een vrij tekstveld dat techniekers invulden. Eén onderdeel dook op verschillende manieren op; de exhaust kwam voor als EXHAUST maar ook als EXT, EXH, EXHOUST en EXHT.

Voor een mens vrij evident dat het over hetzelfde gaat. Voor een data mining algoritme niet. Zo’n algoritme wil zijn data ‘geprepareerd’ en dat vraagt meestal drie tot vier keer meer tijd dan de analyse zelf. Zoiets laat je evenmin blindelings los op geprepareerde data.

Een studente gebruikte zo’n algoritme om via de vrije tekst de meest voorkomende foutoorzaak (mechanisch, elektrisch, operator geïnitieerd, enz. …) te bepalen. De meest voorkomende foutoorzaak was ‘kapot’. Er zijn duidelijk slimmere algoritmes nodig. Misschien biedt deep learning straks soelaas.

Willen we na de analyse naar de bovengenoemde actionable information dan hebben we nog business context modellen nodig die, op basis van regels, doelfuncties en beperkingen, de best mogelijke aanbevelingen voor onderhoud maken.

Voorlopig hebben we nog te doen met een soort collaborative systems (nog zo’n hype) waarin mens en machine samenwerken om onderhoud te optimaliseren. Maar zoals Malcolm X al zei: “The future belongs to those who prepare for it today.”


door Liliane Pintelon