Slim onderhoud- 2 sectorvoorbeelden van predictive maintenance

Met predictive maintenance voorspel je wanneer apparaten, voertuigen of machines stuk zijn of toe aan onderhoud. Zo haal je ze alleen uit de running als dat echt nodig is, nog voordat het einde van de levensduur bereikt is. Hiermee beperk je het aantal storingen, verlaag je de onderhoudskosten, voorkom je ongelukken én leer je meer over de slijtage van je bedrijfsmiddelen. In dit blog geef ik twee inspirerende voorbeelden van sectoren waarin predictive maintenance al toegepast wordt.

Verschillende typen bussen, treinen die vaak of minder vaak remmen, optrekken en stilstaan: deze verschillen in gebruik zorgen ervoor dat er niet één standaard checklist bestaat waarmee het onderhoud van alle voertuigen op het juiste moment gepland en uitgevoerd kan worden. Het gevolg hiervan is dat er regelmatig onderhoud nodig is op basis van verzamelde data uit het verleden, ook als het onderhoud in de praktijk nog niet nodig blijkt te zijn. Dat kost tijd, geld en zorgt soms zelfs voor een tekort aan bussen en treinen.

In de openbaarvervoersbranche zijn ze daarom al intensief bezig met predictive maintenance, het gebruik van real time data en de mogelijkheden van Internet of Things (IoT). Zo beschikken veel bussen en treinen over sensoren die informatie verzamelen over de status van de onderdelen, bijvoorbeeld de remmen. Vervolgens wordt deze informatie omgezet door API’s en doorgestuurd naar de control room. Wanneer de waarden van de verschillende onderdelen boven of onder vooraf bepaalde drempelwaarden komen, wordt er op het juiste moment een seintje gegeven en kan de monteur actie ondernemen.

Dankzij deze vorm van predictive maintenance weten de monteurs precies welke onderdelen aan vervanging toe zijn, verliezen ze geen kostbare tijd en kan het voertuig sneller de weg weer op. Soms kan uitval zelfs voorkomen worden. Zo signaleren de sensors een zachte band nog voordat de bus lek rijdt. Dit scheelt in de inzet van het aantal monteurs, maar biedt ook het voordeel dat niet alle reserve-onderdelen op voorraad moeten zijn. Voor reizigers heeft predictive maintenance natuurlijk ook een enorme meerwaarde: de sensoren op de voertuigen geven een defect direct door aan de control room, die de reizigers zo snel mogelijk op de hoogte brengt van het probleem en eventueel bericht over vervangend vervoer.

Ook in de productie-sector is predictive maintenance geen onbekende meer. In deze sector is het belangrijk dat producten precies klaar zijn wanneer de klanten erom vragen (just in time). Uitval van een productiemachine levert daarom ontzettend veel vertraging en dus problemen op.

Om deze reden verzamelen steeds meer productiebedrijven data over hun machines. Zo kunnen ze van goedwerkende machines het vibratieniveau vaststellen. Geeft een machine vibratiegegevens af die boven de maximale vibratiegrens komen? Dan kan dit wijzen op een schroefje dat is losgeraakt. De machinewerker ontvangt hierdoor een signaal dat de machine gecontroleerd moet worden, nog voordat de machine kapotgaat. Zo kan hij de controle op tijd en zonder grote stress kan uitvoeren.

Het verzamelen van data over de staat van de machines helpt ook bij het zo efficiënt mogelijk plannen van downtime vanwege onderhoud. In de grote hoeveelheden historische gegevens zijn namelijk patronen te herkennen. Hiermee kan van tevoren beter ingeschat worden wanneer een machine voor onderhoud uit het proces gehaald moet worden. Daarnaast ondersteunen de gegevens bij de keuze tussen het vervangen van de machine of het investeren in nieuwe onderdelen. Het resultaat is een optimale benutting van de levensduur van een machine.

Bovenstaande sectoren zijn interessante voorbeelden van de toepassing van predictive maintenance. Maar het zijn lang niet de enige. Andere sectoren waarin al gewerkt wordt met (op IoT gebaseerde) predictive maintenance zijn het spoorbeheer (Infrabel in Belgie en ProRail in Nederland bijvoorbeeld), de procesindustrie (Sitech bijvoorbeeld) en de bouw.