Hoe begin je met predictive maintenance? [Het Stappenplan]

In ons vorige blog over predictive maintenance hadden we het vooral over het grote Waarom. Maar waar moet je beginnen als je klaar bent om aan de slag te gaan? Welke technologieën heb je nodig en hoe pas je al die mooie praktijkverhalen toe op je eigen bedrijf? Met die vragen gaan we in dit artikel aan de slag. Eerst delen we een handig stappenplan om je eigen predictive maintenance plan op touw te zetten, daarna gaan we in op de technologieën en vaardigheden die je nodig gaat hebben. Geen zorgen: predictive maintenance is een flinke operatie, maar de resultaten zijn het waard.

 

Voordat je in de weer kunt met sensoren, raden we je aan om eerst een gedetailleerd plan te maken. Hiervoor heb je een aantal mensen nodig: de IT manager, de CIO (tenzij je een van de twee zelf bent, die valt dan af ;-)) en minstens één technisch medewerker. Collega’s uit het hoger management kunnen je helpen de IoT-strategie te bepalen (wat ga je precies doen en wat moet het opleveren?), maar niemand weet beter hoe dit in de praktijk gaat uitpakken dan de medewerkers die dagelijks met machines, voertuigen of apparaten in de weer zijn. Maak daarom een Predictive Maintenance Projectgroep en zorg dat alle belanghebbenden goed vertegenwoordigd zijn. Met deze groep kun je aan de slag met onderstaand stappenplan:

 

Waar liggen je prioriteiten? Het reduceren van de niet geplande downtime of de kosten van het uitvallen van een onderdeel? En zijn er machines die belangrijker zijn dan andere? Leg in dit plan ook de grenzen vast waarbinnen een machine goed functioneert. Zo kan je automatisch laten ingrijpen als de machine buiten deze waarden komt. Verzamel ook data over welke machines hoe lang out of order zijn geweest en welke onderdelen vaak kapot gaan.

 

Om een voorbeeld te noemen: tijdens een data-analyse van OV-voertuigen zal de analist opmerken dat remmen van stadsbussen sneller slijten dan die van streekbussen. Dit omdat stadsbussen simpelweg vaker moeten remmen omdat ze in drukker gebied rijden. Hier kun je opvolgacties aan verbinden, bijvoorbeeld door de remmen van stadsbussen vaker te laten controleren. Leg ook de meetwaarden vast die een indicator kunnen zijn van een probleem. Zo weet je het meteen als er ergens iets niet in de haak is.

 

Nu komt het technische deel. Met inzicht in de patronen, de meetwaarden en de maximale grenzen richt je in deze stap een proces in waardoor je continu over de meest actuele gegevens van je machines beschikt. Zorg ervoor dat de signaleringen goed zijn ingesteld: sensoren kunnen veel, maar ze verbeteren geen fouten.

 

Het stappenplan geeft je een goede procesmatige basis. Voor de implementatie ervan heb je vervolgens een drietal elementen nodig. Elementen waar je misschien allang mee werkt, maar nu nog beter in kunt zetten:

 

1. Big Data. Hoe meer data je verzamelt uit je apparaten, machines en voertuigen, hoe beter je er patronen in kunt ontdekken die van voorspellende waarde zijn. Laat de onderhoudsexpert samen met een dataspecialist kijken welke historische data er beschikbaar is en hoe deze omgezet kan worden voor predictive maintenance. Verzamel vooral de data over de storingen en ga op zoek naar patronen. Laat de dataspecialist op basis hiervan een voorspellend data-model ontwikkelen.
2. Cloud-technologie. Maak gebruik van de mogelijkheden van het op afstand uitlezen van sensoren (IoT) zodat je real time informatie verzamelt en monteurs niet meer op locatie hoeven te zijn om de apparatuur uit te lezen. Zo hoeven zij pas af te reizen naar de locatie als dit echt nodig is.
3. Goede kennismix. Zorg voor een team van onderhoudsexperts, monteurs en IT-specialisten op het gebied van data en voorspellende modellen. Zij gaan het predictive maintenance plan implementeren, monitoren en bijsturen waar nodig. Dit wil niet zeggen dat je andere medewerkers erbuiten moet laten. Een nieuwe manier van onderhoud heeft invloed op iedereens werk en is gedoemd te mislukken als niemand enthousiast is. Door je te concentreren op constante verbetering van het onderhoudsproces zet je gelukkig al automatisch de onderhoudsexpert en de monteur centraal. Handig, want zij moeten uiteindelijk met predictive maintenance werken. En last but not least: vergeet de training en bijscholing niet. IoT is nog steeds volop in ontwikkeling en daarmee predictive maintenance ook.

Met de inzet van nieuwe ontwikkelingen als IoT en Big Data maak je het onderhoud van apparaten, machines en voertuigen een stuk efficiënter, beter te voorspellen en minder kostenintensief.