Predictive Maintenance: van giswerk naar onderbouwde beslissingen

Het operationeel houden van industriële assets is een continue uitdaging. Of je nu één productielijn exploiteert of een machinepark op meerdere locaties beheert, er staat veel op het spel. Onvoorziene stilstand leidt tot productieverlies, dure reparaties en operationele druk. Om concurrerend te blijven, vertrouwen bedrijven steeds meer op diagnostiek, conditiebewaking, voorspellend onderhoud (predictive maintenance) en schattingen van de resterende levensduur (RUL). Toch zijn onderhoudsbeslissingen in de praktijk zelden eenvoudig.

Elke dag worstelen onderhoudsmanagers met complexe beslissingen. Welke machines moeten als eerste worden onderhouden? Hoe kunnen we onverwachte storingen voorkomen zonder onderdelen te vroeg te vervangen? Hoe plannen we onderhoud op verschillende locaties en houden we tegelijkertijd de kosten onder controle? Wij streven ernaar tools te bieden die duidelijkheid brengen in deze beslissingen. Door gegevens uit meerdere bronnen te combineren en onzekerheid te kwantificeren, ondersteunen we bedrijven bij de overgang van reactieve reparaties naar proactieve onderhoudsstrategieën.

Waarom Bayesian Netwerken?

De conditie van machines wordt beïnvloed door vele op elkaar inwerkende factoren: belasting, temperatuur, bedrijfsomstandigheden, gebruikspatronen en omgeving. Tegelijkertijd zijn onderhoudsbeslissingen afhankelijk van verschillende soorten informatie, zoals sensorgegevens (bv. temperatuur, trillingen, koppel), inspectielogboeken, degradatiemodellen en kostenoverwegingen.

Bayesiaanse netwerken combineren deze factoren en geven de relaties op een gestructureerde manier weer. Ze gaan ook op transparante wijze om met onzekerheid. In plaats van een voorspelling op één punt te geven, levert het model waarschijnlijkheidsverdelingen en betrouwbaarheidsniveaus. Hierdoor kunnen gebruikers niet alleen begrijpen wat er zou kunnen gebeuren, maar ook hoe zeker (of onzeker) die voorspelling is.

Onze proof of concept toont aan dat deze geïntegreerde aanpak kan bijdragen aan beter onderbouwde onderhoudsbeslissingen: het verminderen van onnodige ingrepen en het voorkomen van kostbare storingen.

Van voorspelling naar beslissingsondersteuning 

Veel oplossingen voor voorspellend onderhoud richten zich op het voorspellen wanneer een onderdeel waarschijnlijk defect raakt. Dat is waardevol, maar het is slechts een deel van het plaatje. Onze toolbox streeft ernaar een stap verder te gaan door kostenoverwegingen direct in het redeneringsproces te integreren. Met behulp van kostengevoelig leren kan het model verschillende onderhoudsacties evalueren en het moment identificeren waarop ingrijpen vanuit operationeel en economisch perspectief het meest zinvol is.

Onze proof of concept laat zien hoe deze aanpak kan helpen om:

• Prioriteiten te stellen voor ingrepen binnen een volledig machinepark.
• Het risico op stilstand af te wegen tegen onnodige vroegtijdige vervangingen.
• Beter gebruik te maken van bestaande data, zonder dat er een groot intern data science-team nodig is.

Belangrijk is dat het systeem is ontworpen om menselijke besluitvormers te ondersteunen, niet om hen te vervangen. De uiteindelijke beslissingen blijven bij de onderhouds- en operationele experts.

Praktijkvoorbeelden

Jan De Nul – Baggerschepen

Snijzuigbaggerschepen werken onder extreme en zeer wisselende omstandigheden. Een roterende snijkop breekt de grond af met behulp van krachtige snijtanden (pickpoints). Afhankelijk van of de grond uit zand, klei of gesteente bestaat, kan de slijtage aan deze pickpoints aanzienlijk variëren.

Tijdens het gebruik kan de toestand van de pickpoints niet direct worden geïnspecteerd. De snijkop moet uit het water worden gehaald, wat al stilstand veroorzaakt, waarna operators een visuele inspectie uitvoeren. Beslissingen om pickpoints te vervangen zijn grotendeels gebaseerd op ervaring en inschatting, wat vaak leidt tot vroegtijdige vervangingen om toekomstige ingrepen te vermijden of schade te voorkomen.

Met behulp van sensorgegevens en historische inspectie-informatie ontwikkelen we nu een tool om slijtage in te schatten en aan te bevelen wanneer het de moeite waard is om de snijkop uit het water te halen voor inspectie of onderhoud. Het doel is om een evenwicht te vinden tussen inspectietijd en het risico op schade en langdurige stilstand.

Op basis van onze proof of concept in samenwerking met Jan De Nul, zijn we ervan overtuigd dat deze aanpak kan leiden tot minder onnodige inspecties – waardoor kosten worden bespaard en de totale stilstandtijd wordt verminderd.

Norther - Offshore Wind Turbines

Onderhoudsplanning voor offshore windparken is een logistieke uitdaging. Weervenster, beschikbaarheid van schepen en lange doorlooptijden dragen allemaal bij aan hoge kosten. Hoewel conditiebewaking voorspellend onderhoud kan ondersteunen, is het vaak te duur en onpraktisch om elke turbine uit te rusten met uitgebreide sensoren.

Ons model richt zich op corrosiebewaking als een van de meest kritieke storingsmodi in ruwe mariene omgevingen. Het integreert SCADA-gegevens van de gehele vloot met gedetailleerde metingen van enkele, zeer goed uitgeruste ‘vlootleider’-turbines, samen met weergegevens, om de achteruitgang te modelleren en betrouwbare monitoring en prognoses van corrosie voor het gehele windpark te bieden.

Onze proof of concept in samenwerking met Norther toont een kosteneffectieve aanpak voor monitoring en prognoses voor de gehele vloot, met duidelijk potentieel voor verbeterde onderhoudsplanning, een langere levensduur van activa en betere beheersing van operationele risico's.

Contacteer ons voor advies over jouw use case

De eerste resultaten wijzen er duidelijk op dat de combinatie van Bayesiaanse redenering, technische kennis en kostenbewuste beslissingsondersteuning bedrijven kan helpen tijd en moeite te besparen bij de onderhoudsplanning.

Samen met eindgebruikers richten we ons nu op validatie, industriële tests en verfijning. Wilt u onderzoeken hoe deze aanpak bij uw activa of park past? Contacteer ons om uw use case te bespreken.