Hoe start u een programma voor voorspellend onderhoud

Ergens tussen lezen hoe voorspellend onderhoud werkt en vragen wie het moet bouwen zit de vraag die het budget werkelijk bepaalt: is dit hier de moeite waard, op welke apparatuur, en wat levert het op.

Bent u nog aan het uitzoeken wat de technologie doet, begin dan met de gids over voorspellend onderhoud voor industriële operaties. Hebt u besloten en vergelijkt u leveranciers, dan behandelt het overzicht van bedrijven voor voorspellend onderhoud er negen.

Wat een programma voor voorspellend onderhoud werkelijk is

Het woord dat telt is programma. Een bewakingsplatform kopen is een inkoopmoment; een programma voor voorspellend onderhoud draaien verandert hoe onderhoudsbeslissingen tot stand komen, wie ze neemt en op welk bewijs ze rusten.

Dat onderscheid komt terug in de faalvorm. Fabrieken slagen er zelden niet in sensoren te plaatsen. Ze slagen er niet in de werkorder die erop volgt te veranderen, waardoor de metingen zich opstapelen in een systeem waar niemand verantwoordelijk voor is, en de jaarlijkse evaluatie een abonnement aantreft zonder toewijsbare besparing.

Een programma heeft vier dingen die een aankoop niet heeft: een afgebakende assetscope, een eigenaar die verantwoordelijk is voor het handelen naar wat het oplevert, een afgesproken maatstaf, en een route waarlangs een voorspelling ingepland werk wordt. Ontbreekt een van die vier bij de start, dan komt die er later niet meer bij.

Welke assets voorspellend onderhoud rechtvaardigen

Dit is de beslissing die alles daarna bepaalt, en het instinct dat de meeste bedrijven volgen is het verkeerde.

Het instinct is te beginnen bij de apparatuur die al goed is geïnstrumenteerd, omdat dat het makkelijkst lijkt. Dat levert een technisch geslaagde pilot op assets waarvan de uitval niemand stoort, en geen business case om verder te gaan.

Begin in plaats daarvan bij de gevolgen. Stel voor elke kandidaat-asset drie vragen:

1. Wat kost een ongeplande stilstand werkelijk? Niet de reparatie — maar de productie die verschuift, de ploeg die stilstaat, de contractuele boete, de herstart. In de procesindustrie ligt dat bedrag doorgaans een orde van grootte boven de reparatiekosten.
2. Hoeveel voorwaarschuwing zou de uitkomst veranderen? Sommige storingen zijn het voorspellen waard omdat twee weken voorwaarschuwing een noodgeval in gepland werk verandert. Andere vallen uit zonder bruikbare aanlooptijd, of zijn goedkoop te vervangen bij uitval, en horen thuis bij run-to-failure, hoe geavanceerd uw tooling ook is.
3. Faalt het op manieren die een signaal achterlaten? Roterende apparatuur — pompen, compressoren, motoren, ventilatoren — gaat langs meetbare paden achteruit. Daarom begint vrijwel elk programma in de zware industrie daar.

Vijf assets is het juiste aantal voor een eerste fase. Genoeg om het mechanisme te bewijzen, weinig genoeg dat een mislukte fase een les is en geen afschrijving.

De data waar een strategie voor voorspellend onderhoud van afhangt

Het ongemakkelijke aan elke strategie voor voorspellend onderhoud is dat de modellering zelden de beperking is. De beperking is of drie dingen voor dezelfde asset samen gelezen kunnen worden:

• Conditiemetingen over genoeg historie om te laten zien hoe gezond eruitzag, uit een historian of uit achteraf geplaatste sensoren.
• Operationele context — belasting, doorvoer, bedrijfsstand — want een meting is alleen afwijkend ten opzichte van wat de machine op dat moment moest doen.
• Onderhoudshistorie — wat er is gedaan, wanneer, en wat er is aangetroffen — want daar leert het model hoe een storing eruitziet.

De meeste bedrijven hebben alle drie en kunnen ze niet koppelen, meestal omdat dezelfde pomp in elk systeem anders wordt aangeduid. Dat oplossen is weinig glamoureus, onzichtbaar voor de directie, en standaard het merendeel van het werk.

We zeggen dat liever meteen dan het in de tweede maand te ontdekken. In een programma in olie en gaswas de data-infrastructuur de volledige eerste opdracht, zonder dat er ook maar één voorspelling werd geprobeerd voordat die stond. In een apart programma voor productiepompenkwamen het structureren en integreren van sensordata vóór er een model werd gebouwd — en dat programma haalde 90% voorspellingsnauwkeurigheid, verlaagde de onderhoudskosten met 40% en de ongeplande stilstand met 65%. Die cijfers horen bij die operatie en die assetklasse.

De praktische toets voordat u iets laat bouwen: kunt u twee jaar aan metingen ophalen voor uw vijf kandidaat-assets, naast elke werkorder die erop is aangemaakt? Zo ja, dan bakent u een modelleringsproject af. Zo nee, dan is het eerste project de data, en die moet als eigen werk worden geprijsd.

Data engineering

De business case voor voorspellend onderhoud opbouwen

Een business case voor voorspellend onderhoud die kritiek doorstaat telt vermeden gebeurtenissen, niet leveranciersgemiddelden.

Wat u wel meetelt

• Vermeden productieverlies. Meestal het grootste getal, en het getal dat de operatie geloofwaardig uit de historie kan schatten.
• Ongeplande ingrepen die gepland worden. Goedkopere arbeid, geen spoedonderdelen, geen stilstand eromheen.
• Preventief werk dat niet is gedaan. Onderhoud op conditie in plaats van op de kalender haalt overbodige ingrepen weg.
• Langere levensduur van assets, waar u dat kunt onderbouwen.

Wat u niet meetelt

Gepubliceerde ROI-percentages voor voorspellend onderhoud uit iemands marketing. Die zijn gemeten op andermans apparatuur, en een flink deel blijkt categoriegemiddelde te zijn in plaats van het resultaat van een klant. Een financieel directeur die één geleend cijfer opmerkt, zet een streep door de hele case.

Bouw hem in plaats daarvan op uit uw eigen storingshistorie. Neem de laatste twee jaar aan ongeplande stilstand op de kandidaat-assets, prijs die, en vraag welk deel een detecteerbare aanloop had. Dat deel is uw realistische plafond, en het is verdedigbaar omdat het uit uw eigen gegevens komt.

AI‑gestuurd voorspellend onderhoud voor productiepompen

65% minder ongeplande stilstand

40% lagere onderhoudskosten

Bekijk ons werk

Waar programma’s voor voorspellend onderhoud stoklopen

• Geen eigenaar. De meest voorkomende oorzaak. Sensoren hebben een budgethouder; voorspellingen hebben iemand nodig die verantwoordelijk is voor het handelen.
• Meldingen die niemand vertrouwt. Zodra ze genegeerd worden, is een systeem sociaal afgeschreven lang voordat iemand het opzegt.
• Data die laat wordt ontdekt. Ontdekt in maand twee in plaats van week drie ziet het eruit als falen in plaats van als de scope die het altijd al was.
• Een pilot zonder uitgang. Zonder afgesproken maatstaf loopt een eerste fase door tot iemand het geduld verliest.
• Succes dat niemand kan aantonen. Is de baseline niet vóór livegang vastgelegd, dan valt de besparing achteraf niet aan te tonen.

Voorspellend onderhoud invoeren: de eerste 90 dagen

Een gefaseerde opzet die op elk moment goedkoop te stoppen is, wat zwaarder telt dan snelheid:

1. Week 1–2 — scope. Bevestig de vijf assets en hun storingshistorie. Spreek de maatstaf nu af, op schrift.
2. Week 3–6 — data. Koppel metingen, operationele context en onderhoudsgegevens voor die assets. Hier wordt een programma mogelijk of blijkt wat er eerst opgelost moet worden.
3. Week 7–10 — modelleren en valideren. Bouw tegen bekende storingen, en laat de engineers die de uitkomst gaan gebruiken de uitspraken controleren voordat iemand erop vertrouwt. Hun scepsis in deze fase is de goedkoopste kwaliteitscontrole die er is.
4. Week 11–12 — koppel het aan het werk. Een voorspelling die geen werkorder wordt is een schermafbeelding. Stuur die naar het systeem dat uw planners al gebruiken.
5. Beslis dan. Uitbreiden, de assetlijst aanpassen, of stoppen. Alle drie zijn aanvaardbare uitkomsten van een eerste fase; alleen “onbepaald doorgaan zonder maatstaf” is dat niet.

Hoe Crunch-IS een programma voor voorspellend onderhoud draait

We werken die volgorde af zoals ze er staat, wat vooral betekent dat het weinig glamoureuze deel eerst komt. Kunnen conditiemetingen, operationele context en onderhoudshistorie voor de kandidaat-assets niet worden gekoppeld, dan wordt die koppeling als eigen opdracht afgebakend en geprijsd voordat er over een model wordt gesproken. Bij één programma in olie en gas was dat de volledige eerste fase, zonder dat er een voorspelling werd geprobeerd voordat die stond.

Twee programma’s, twee assetklassen, en de cijfers horen bij de operaties waarop ze zijn gemeten:

• Het eerder beschreven programma voor productiepompen — 90% voorspellingsnauwkeurigheid, 40% lagere onderhoudskosten en 65% minder ongeplande stilstand, op zeldzame, kostbare apparatuur voor een Europese producent.
• Een AI-gedreven platform voor het voorspellen van breuken in waterleidingen voor een Brits nutsbedrijf — 42% minder onverwachte storingen, met een verdere verlaging van 28% in kosten voor spoedonderhoud die geraamd is en niet gemeten.

Geen van beide cijfers is overdraagbaar. Het is wat die assetklassen onder die omstandigheden opleverden, en het enige getal dat het uwe voorspelt is het getal dat al in uw eigen storingshistorie zit.