De afgelopen jaren is de toepassing van condition monitoring en predictief onderhoud significant toegenomen. Dit is grotendeels het gevolg van de toenemende eisen voor de beschikbaarheid en efficiëntie van machines. Technologische ontwikkelingen zoals big data, slimme algoritmes, cloud-based systemen en draadloze toepassingen creëren mogelijkheden voor geautomatiseerde analysesystemen en hervormen het proces van monitoren en analyseren.
De industriële cloud
Condition-based maintenance (CBM), ofwel predictief onderhoud, staat centraal bij industriële cloud-based systemen. Geautomatiseerde analyses zijn vaak onderdeel van deze cloud-based systemen. Deze systemen doen data analyses en interpretaties op basis van modellen/algoritmes die gedefinieerd zijn voor specifieke machines en/of processen. Wanneer afwijkingen worden gedetecteerd door het systeem, zal dit leiden tot onderhoudsaanbevelingen. Dergelijke cloud-based systemen stellen bedrijven in staat om een reactieve werkwijze om te zetten naar een proactieve werkwijze. Onderhoud kan worden ingepland voordat er daadwerkelijke storingen optreden.
Predictief onderhoud
Het is belangrijk om te weten dat de toepassing van predictief onderhoud of CBM niet afhankelijk is van een cloud-based systeem. Hoewel dit door veel bedrijven die deze systemen aanbieden als een nieuw concept wordt gebracht, is dit niet het geval. Condition monitoring systemen die predictief onderhoud mogelijk maken zijn al jaren onderdeel van de industriële markt. Predictieve onderhoudsstrategieën zijn al van toepassing sinds (on-line) condition monitoring systemen gebruikt worden. Daarnaast zijn systemen die geautomatiseerde analyses ondersteunen zijn niet noodzakelijk cloud-based.
Waarom analyses automatiseren?
Veel bedrijven worstelen met een sterk afnemende mate van deskundigheid. Dit is voor een groot deel het gevolg van experts die met pensioen gaan en het gebrek aan jonge experts of mensen met relevante training. Door een systeem te implementeren waarmee geautomatiseerde analyses mogelijk wordt gemaakt, kan dit gebrek aan expertise worden opgevangen. De expertise wordt dan als het ware opgeslagen in een systeem. Dit systeem maakt gebruik van modellen/algoritmes om vibratiedata te analyseren en interpreteren, waaruit onderhoudsaanbevelingen volgen.
Door het analyseren en interpreteren van trillingen op roterende machines te automatiseren zullen er minder lokale experts nodig zijn om deze werkzaamheden uit te voeren. Bedrijven die kampen met een sterk afnemend aantal competente vibratie experts, kan het overstappen naar een dergelijk systeem onvermijdelijk zijn.
Expertise on demand
In onze ogen ligt de voornaamste kans van deze ontwikkelingen bij het verbeteren van efficiëntie en effectiviteit van condition monitoring. Het gebruik van geautomatiseerde data verwerking voor een eerstelijns analyse, zonder dat er lokale expertise bij komt kijken, kan veelbelovend zijn. Draadloze sensoren en monitoring systemen kunnen de infrastructurele impact en initiële investeringen voor monitoring systemen sterk verminderen. Gedeelde data (cloud) kunnen de algoritmes voor geautomatiseerde analyses verbeteren en bieden kansen voor support op afstand. Hiermee veranderen service modellen naar expertise on demand. Deze opkomende technologieën vergroten tevens de effectiviteit en waarde van condition monitoring systemen en structuren.
Overwegingen
Ondanks dat deze technologieën veelbelovend zijn, moeten de juiste overwegingen gemaakt worden. Er worden vier belangrijke overwegingen besproken.
“Wanneer analyse, interpretatie en een groot deel van het besluitvormingsproces overgenomen wordt door geautomatiseerde systemen en remote experts, zullen lokale engineers minder betrokken raken bij de machines.”
1. Validatie van data
De input is zeer belangrijk voor elke geautomatiseerde of remote analyse omdat deze systemen uitsluitend moet kunnen vertrouwen op de informatie die verkregen wordt vanuit deze inputs. Daarom moet de data input gevalideerd worden:
- Het selecteren van de juiste sensor voor de applicatie
- Sensor kalibratie
- Signaal / ruis verhouding
Daarnaast moet de nauwkeurigheid van de data geverifieerd worden. De data moet relevant en nauwkeurig zijn om tot een goed functionerende predictieve onderhoudsstructuur te komen. Onnauwkeurige data kan niet gebruikt worden. In het kader van data nauwkeurigheid, is het erg lastig om rekening te houden met (uitzonderlijke) omgevingsinvloeden zoals veranderingen in het milieu, uitzonderlijke procesomstandigheden of menselijke fouten. Zo kan vibratie dat veroorzaakt wordt door een andere machine (cross vibration) ertoe leiden dat het geautomatiseerde systeem een vals alarm genereert.
2. Logistiek en onderhoud
Om relevante data te verzamelen moet de meting en datastroom gewaarborgd zijn. Hiervoor moet goed onderhoud en passende logistiek aanwezig zijn. Dit omvat:
- Het voorkomen van kruisbedrading van sensoren
- Het voorkomen van onjuiste plaatsing/locatie van sensoren
- Een relevant interval voor dataverzameling
- De beschikbaarheid van reserve sensoren
- Sensorbatterij management en vervangingsstrategie
- Stabiel, veilig en betrouwbare netwerkverbindingen
3. Lokale expertise
Door het overdragen van analyses en besluitvorming aan geautomatiseerde systemen en remote experts, zullen lokale engineers minder betrokken zijn bij de machines. Het gevolg hiervan is minder interne kennis van de betreffende machines en daardoor een toenemende afhankelijkheid van externe experts voor ondersteuning en het doen van analyses.
4. Veiligheid en privacy
Door het aansluiten van sensoren en monitoring hardware op het internet, wordt cyber security een risicofactor en zullen nieuwe richtlijnen met betrekking tot data opslag en de verwerking van data van toepassing worden. Denk hierbij bijvoorbeeld aan de ISO 27001 standaard voor informatiebeveiliging. De kwetsbaarheden en voorschriften verhogen de complexiteit van de implementatie van een systeem dat is aangesloten op het internet.
