Voorspellend onderhoud verkoopt zichzelf. Je hangt sensoren op, je traint een model op je storingshistorie en je grijpt in voordat de installatie stilvalt. Op papier klopt het verhaal van begin tot eind.
In de praktijk zien we iets anders. Pilots die na een half jaar stilvallen. Dashboards die niemand meer opent. Een trillingsmeting op een pomp die toch al nooit stukging.
De techniek is daar zelden de oorzaak van. Sensoren zijn betaalbaar geworden, modellen zijn beschikbaar en rekenkracht is geen bottleneck meer. Wat ontbreekt zit ervoor en erna. De vraag welk faalgedrag je precies wilt zien aankomen. De organisatie die iets doet met het antwoord.
Hieronder de vijf valkuilen die wij het vaakst tegenkomen bij klanten in productie, energie en gebouwbeheer.
1. Je begint bij de sensor in plaats van bij de faalvorm
Bepaal eerst hoe een asset faalt. Daarna weet je pas wat je moet meten.
De meeste trajecten starten bij de vraag welke sensoren erop moeten. Dat is de omgekeerde volgorde. Een lager dat langzaam uitloopt geeft een heel ander signaal af dan een asafdichting die plotseling bezwijkt. Meet je trilling op een asset waarvan het dominante faalmechanisme corrosie is, dan blijven je waarden netjes binnen de bandbreedte terwijl de storing gewoon komt.
Reliability engineering heeft hier gereedschap voor. Met een faalmodus- en effectanalyse (FMEA) beschrijf je per asset hoe hij kan falen, wat het gevolg is en hoe snel het proces verloopt. Faalgedrag dat zich over weken opbouwt kun je voorspellen. Faalgedrag dat zich in seconden voltrekt niet, hoeveel sensoren je er ook op hangt.
Uit de praktijk
Bij een producent hingen al 14 trillingssensoren toen wij binnenkwamen. Ze zaten op de aandrijvingen, omdat daar de meetpunten het makkelijkst te bereiken waren. De storingen die het bedrijf wakker hielden zaten in de transportbanden. Andere assets, ander faalgedrag, andere meting.
Zo vermijd je hem
Plan een dagdeel met je onderhoudsmonteurs voordat je iets aanschaft. Zij weten welke assets hen wakker houden en waarom. Leg per kritische asset vast hoe hij faalt en over welke termijn dat gaat. Die lijst bepaalt je meetplan.
2. Je data is minder betrouwbaar dan je denkt
Een model leert van je storingshistorie. Is die historie onvolledig, dan leert het model de verkeerde dingen.
Bij vrijwel elke start kijken we eerst in het onderhoudssysteem. Wat we daar aantreffen: werkorders zonder oorzaakcode. Storingen die telefonisch zijn gemeld en nooit ergens zijn vastgelegd. Dezelfde pomp onder drie verschillende omschrijvingen. Tijdstempels die aangeven wanneer de melding is afgesloten in plaats van wanneer de storing begon.
Een model dat hierop wordt getraind voorspelt vooral het registratiegedrag van je eigen organisatie. Dat is precies de reden dat de sprong naar Predict zelden lukt vanuit een reactieve situatie. Zonder registratie is er geen historie. Zonder historie valt er niets te leren.
Zo vermijd je hem
Toets je datakwaliteit voordat je begint. Neem een steekproef van 20 werkorders uit het afgelopen jaar en kijk of je uit de registratie kunt afleiden wat er kapot was, waarom het kapot ging en hoe lang de asset stilstond. Lukt dat bij minder dan de helft, dan is registratie op orde brengen je eerste project.
3. Je kiest de verkeerde assets om mee te beginnen
Begin bij assets met hoge impact en meetbaar opbouwend faalgedrag. Niet bij de asset waar toevallig al connectiviteit op zit.
We zien twee varianten van deze fout. In de eerste draait de pilot op de nieuwste machine in de fabriek, omdat die al is aangesloten. Die machine gaat de komende jaren toch niet stuk, dus levert de pilot geen enkel bewijs op. In de tweede draait de pilot op de meest problematische installatie van het bedrijf, waar zoveel tegelijk misgaat dat achteraf niemand kan aanwijzen wat het model heeft toegevoegd.
Een bruikbare startasset voldoet aan drie voorwaarden. Uitval kost merkbaar geld of raakt de veiligheid. Het faalgedrag bouwt zich meetbaar op. En er is genoeg historie om iets op te trainen.
Zo vermijd je hem
Zet je assets uit op twee assen: impact bij uitval tegenover voorspelbaarheid van het faalgedrag. Rechtsboven staat je pilot. Houd de eerste ronde klein, twee tot vier assets is genoeg om te leren.
4. Het model waarschuwt. Er gebeurt niets.
Een voorspelling wordt pas waardevol als vooraf vastligt wie hem oppakt en binnen welke termijn.
Dit is de valkuil die de meeste projecten fataal wordt. Het model draait en signaleert keurig een afwijking op een compressor. Die melding komt binnen op een dashboard dat door niemand wordt beheerd. Twee weken later valt de compressor uit. Het model had gelijk. Daar heeft niemand iets aan.
Voorspellend onderhoud verandert je werkproces. Een melding moet automatisch een werkorder worden, met een eigenaar, een prioriteit en een termijn. Je planners hebben ruimte nodig voor werk dat zich twee weken van tevoren aandient. En je monteurs moeten begrijpen waarom ze naar een machine gaan die het op dat moment prima doet.
Dat laatste wordt onderschat. Wie jarenlang is afgerekend op snel storingen verhelpen, ervaart ingrijpen op een draaiende installatie niet vanzelf als winst. Die verschuiving vraagt uitleg en tijd.
Uit de praktijk
Bij een warmtebedrijf stond het meldingsproces op een A4 voordat het model live ging. Wie krijgt welk type signaal, wat is de vervolgstap, binnen hoeveel dagen. Dat A4 was het goedkoopste onderdeel van het hele traject en waarschijnlijk het belangrijkste.
Zo vermijd je hem
Leg per type waarschuwing vast wie hem ontvangt, welke actie erop volgt en binnen welke termijn. Op een A4. Voor het model live gaat, niet erna.
5. Je meet het resultaat niet, dus verdampt het budget
Leg je nulmeting vast voordat je begint. Zonder nulmeting is elk resultaat een gevoel.
Na een jaar komt de vraag wat dit alles heeft opgeleverd. Kun je die vraag alleen met een gevoel beantwoorden, dan overleeft het project de eerstvolgende budgetronde niet.
Wat je vooraf wilt vastleggen per asset in scope: het aantal ongeplande stops, de totale stilstandsduur, de onderhoudskosten en de kosten van spoedreparaties. Die cijfers heb je meestal al ergens. Ze staan alleen zelden bij elkaar.
De winst zit trouwens vaak niet waar je hem verwacht. Wat wij in onze projecten zien: organisaties die de stap zetten van reactief naar gepland preventief onderhoud, brengen hun ongeplande stops in het eerste jaar doorgaans met een kwart tot een derde terug. Voorspellend onderhoud bouwt daarop voort. Ontbreekt die basis, dan is de sprong naar voorspellen groter dan hij op papier lijkt.
Zo vermijd je hem
Spreek af welke cijfers je volgt en wie ze aanlevert. Meet drie maanden voor de start en daarna elk kwartaal. Zet de nulmeting in dezelfde rapportage als de resultaten, zodat de vergelijking altijd zichtbaar blijft.
Wat een implementatie wel laat slagen
De vijf valkuilen hebben iets gemeen. Ze gaan geen van alle over algoritmes.
Voorspellend onderhoud is de bovenste trede van een ladder. Onderaan staat Prevent: de basis op orde, werk vooruit gepland, storingen vastgelegd. Daarboven Perform: sturen op cijfers, storingen analyseren om herhaling te voorkomen. Predict komt daarna en werkt alleen als de treden eronder er zijn.
Daarom pakken wij bij een implementatie altijd drie sporen tegelijk op. De strategie: welke assets, welk faalgedrag, welk doel. De technologie: meten, data, modellen. En de mensen: werkproces, rollen, kennis. Die combinatie noemen we onze geintegreerde aanpak. Laat je een van de sporen liggen, dan strandt het project op precies de plek die je hebt overgeslagen.
Veelgestelde vragen
Wat is predictive maintenance precies?
Voorspellend onderhoud is onderhoud dat je plant op basis van de werkelijke conditie van een asset en de verwachte ontwikkeling daarvan. Sensoren meten die conditie. Historische storingsdata voedt een model dat aangeeft wanneer ingrijpen nodig is. Het verschil met preventief onderhoud zit in de trigger: bij preventief onderhoud is dat de kalender of het aantal draaiuren, bij voorspellend onderhoud het gedrag van de asset zelf.
Wanneer is voorspellend onderhoud de investering waard?
Als uitval van de asset merkbaar geld kost of de veiligheid raakt en het faalgedrag zich meetbaar opbouwt. Bij assets die zelden falen of die zonder aankondiging bezwijken levert een model weinig op. Reken die twee vragen door voor je kritische assets, dan valt de businesscase vanzelf uiteen in wel doen en niet doen.
Hoeveel data heb je nodig voor een voorspellend model?
Er is geen vast minimum aantal metingen. Bepalender is of je storingshistorie herleidbaar is: wat ging kapot, waarom, en hoe lang stond de asset stil. Ontbreken die gegevens, dan leert een model vooral hoe jouw organisatie registreert. Een jaar goed vastgelegde historie is doorgaans bruikbaarder dan vijf jaar losse meldingen.
Kun je beginnen met voorspellend onderhoud als je nog reactief werkt?
Beginnen kan altijd. Slagen is lastiger. Zonder registratie is er geen historie om van te leren en zonder onderhoudsplanning is er geen ruimte om een voorspelling in te plannen. In een reactieve situatie levert eerst de basis op orde brengen sneller resultaat op. Daarna is de stap naar voorspellen een stuk kleiner.