HZ: “Begin met inzicht krijgen in je bestaande data”

Onderhoud voorspelbaar maken begint met het verzamelen van data. Goede data geeft immers inzicht in hoe assets zich gedragen onder normale omstandigheden en kan zo falen voorspellen. Toch ben je er als organisatie nog niet met wat sensoren en een Excel-sheet. Om de conditie van assets te monitoren is een zorgvuldige aanpak noodzakelijk. Mischa Beckers is lector data science bij de HZ University of Applied Sciences en vertelt hoe je de eerste stappen zet richting voorspelbaar onderhoud.

Tip 1: Verdiep je in bestaande data

Mischa: “Veel mensen zijn enthousiast over voorspelbaar onderhoud. Maar de praktijk leert dat het een moeilijk spel is. Aan de ene kant zijn er problemen op het gebied van data: de kwaliteit is vaak niet optimaal. Aan de andere kant valt juist daar veel winst te behalen. Door je te verdiepen in de bestaande data, leer je wat je er wel uit kunt halen. De meeste systemen verzamelen automatisch een schat aan informatie, maar organisaties doen hier vaak nog weinig mee. De data die je al hebt is de basis voor elke volgende stap die je zet.”

Tip 2: Visualiseer inzichten

“Zelfs al heb je alleen basale data tot je beschikking, dan nog kun je hiermee nieuwe inzichten creëren. Visualiseer de verzamelde data, zodat iedereen in de organisatie hier makkelijk over mee kan praten. Ik zie vaak dat er dankzij deze visualisatie dingen worden ontdekt die in werkelijkheid niet kunnen. Dit is hele waardevolle informatie. Het betekent namelijk dat je te maken hebt met bijvoorbeeld een verkeerde registratie of metadata die niet klopt. Daar kun je vervolgens wat aan gaan doen.”

Tip 3: Voeg data van alle processen samen

“Zodra je zeker weet dat de data die je verzamelt klopt, kun je processen diepgaander analyseren. Dat doe je door de data uit verschillende processen samen te voegen. Let erop dat je dit zorgvuldig doet, want het is meestal niet mogelijk om het zomaar op een hoop te gooien. Dat kan te maken hebben met de intervallen waarin je meet. Stel dat de temperatuur elke 5 minuten gemeten wordt, terwijl de data van aandrijvingssensoren elke 10 seconden doorkomt. Die data moet je eerst betekenisvol aan elkaar koppelen voor het correcte informatie oplevert.”

Tip 4: Vind voorbeelden van falende onderdelen

“Of je onderhoud kunt voorspellen aan de hand van data, hangt af van je inzicht in wanneer een onderdeel faalt. Informatie daarover is echter beperkt beschikbaar, omdat de processen over het algemeen goed gaan. Voorbeelden van falende onderdelen zijn er daarom veel minder. Toch kun je ook al wat zeggen over mogelijk falen als je zulke data niet hebt: een afwijking in de gebruikelijke metingen kan zomaar wijzen op toekomstig falen.”

Tip 5: Denk vooraf na over de volgende toepassing

“Als je de eerste stappen hebt gezet richting voorspelbaar onderhoud, is het belangrijk om een omslag te maken. Waar je tot nu toe telkens gebruik hebt gemaakt van wat je al hebt, wil je in de toekomst juist focussen op het verzamelen van de juiste informatie voor je doel. Nodig daarom al in de ontwerpfase een data scientist uit om mee te denken. Daarbij kan het nuttig zijn om samen te werken met partijen die al meer ervaring hebben met voorspelbaar onderhoud, zodat je niet zelf het wiel hoeft uit te vinden.”

Steeds grotere behoefte aan data

Fieldlabs zijn een uitkomst om krachten met andere bedrijven te bundelen en van elkaars kennis te leren. Daarom is Mischa betrokken bij verschillende Fieldlabs, waaronder ZEPHYROS, VIA APPIA, CAMINO en CAMPIONE. In die projecten merkt hij dat ook circulariteit een belangrijk onderdeel is van voorspelbaar onderhoud. Hoe beter we namelijk voorspellen wanneer iets stukgaat, hoe duurzamer we met deze spullen om kunnen gaan. Zo helpt data science niet alleen om assetbeheer efficiënter te maken, maar draagt het ook bij aan een duurzame wereld.

Wil je zelf aan de slag met data of wil je meer weten over onze projecten? Neem dan contact op met Mischa Beckers of Ruben Ogink, projectleider van Smart Maintenance Fieldlab CAMINO.