Predictive maintenance

Het bepalen, inrichten en optimaliseren van een onderhoudsplan kan een erg moeizaam en kostbaar proces zijn. Wordt dit plan binnen uw organisatie jaarlijks onderhouden? Wordt asset data verzameld en actief gebruikt bij het bepalen van de onderhoudsstrategie? Een optimaal onderhoudsplan levert financiële én kwalitatieve resultaten op voor uw organisatie! Supply Value heeft een whitepaper predictive maintenance geschreven waarin wordt ingegaan op de verschillende soorten onderhoud, een volwassenheidsniveau van uw onderhoudsplan en hoe dit geïmplementeerd kan worden. Maar wat is nu een optimaal onderhoudsplan? In dit inzicht nemen we u mee in een concreet voorbeeld, waarbij we door het gebruik van historische cijfers en simulatietechniek uw asset-onderhoudsstrategie kunnen bepalen en optimaliseren.

Context

Als organisatie wilt u natuurlijk het maximale halen uit uw assets. Asset utilization is de graadmeter waarmee inzichtelijk gemaakt kan worden hoe uw organisatie presteert, ook ten opzichte van de concurrentie. Dit wordt gekwantificeerd als de ratio tussen de gerealiseerde output en de maximale theoretische output, oftewel de normale werktijd. Er kunnen ontelbaar veel oorzaken ten grondslag liggen aan het niet halen van de normale werktijd. Deze kunnen vrijwel allemaal worden omvat in de Overall Equipment Effectiveness (OEE). De OEE bestaat uit drie categorieën, die op hun beurt worden onderverdeeld in de zes KPI’s die bepalend zijn voor de asset utilization. Deze KPI’s zijn ook wel bekend als de ‘Six Big Losses’:

Beschikbaarheid

  1. Asset storingen (ongepland)
  2. Omsteltijden, aanpassingen en onderhoud (gepland)

Prestatie

  1. Wachten en kleine onderbrekingen
  2. Lage productiesnelheid

Kwaliteit

  1. Opstarten van de asset
  2. Defecten en herbewerking

Als een asset in slechte staat van onderhoud verkeerd zal dit eerder leiden tot productiedefecten, snelheidsverlies of zelfs asset storingen. Dit heeft een negatieve impact op de OEE, en dus de asset utilization. Assets die gebruikt worden ontkomen niet aan slijtage en de conditie verslechterd met de tijd. Dit noemen we asset degradatie. Maar hoe kunt u dit zodanig sturen dat de kosten van uw onderhoud acceptabel blijven? Hieronder wordt beschreven hoe middels een simulatie de degradatie in kaart gebracht kan worden én daaropvolgend de optimale onderhoudsstrategie kan worden bepaald. Met een fictieve casus wordt getoond wat de effecten zijn van een aantal assetkarakteristieken.

Simulatie

Hoewel een simulatie een versimpelde weergave van de werkelijkheid is, kan dit toch een goed advies geven voor de onderhoudsstrategie. Het doel is om te achterhalen bij welk niveau van asset degradatie idealiter preventief onderhoud gepland gepland zou moeten worden, oftewel de optimale grenswaarde M. Historische asset data wordt geëxtrapoleerd over een aanzienlijk grotere tijdshorizon, waardoor analyse van de data betrouwbaarder wordt. Voordat de simulatie uitgevoerd kan worden, zijn er een aantal randvoorwaarden waaraan voldaan dient te worden.

Randvoorwaarden

Om een optimale onderhoudsstrategie te kunnen bepalen, is het noodzakelijk dat minimaal de volgende data beschikbaar is over een representatieve periode van minimaal drie maanden. Meer beschikbare data leidt tot een meer accurate simulatie en minder aannames. Het gaat in ieder geval om:

  1. Conditie van de asset;
  2. Timestamps van de momenten waarop zowel correctief- als preventief onderhoud plaatsvond;
  3. Kosten van onderhoud, zowel correctief als preventief.

Daarbij zal de simulatie zal in een aantal stappen worden doorlopen.

Karakteristieken

Op basis van historische data kunnen vaak voorkomende assetkarakteristieken worden geïdentificeerd zoals: asset storingen, het effect van preventief onderhoud, variatie in degradatieniveau’s en de ratio tussen de kosten van correctief- en preventief onderhoud. Al deze karakteristieken hebben impact op de optimale grenswaarde M en de gemiddelde kosten per uur voor de levensduur van de asset. In realiteit kunnen veel meer karakteristieken van invloed zijn, de gekozen variabelen zijn dan ook ter illustratie. De karakteristieken worden hieronder besproken.

1. Asset storingen

Uit de historische data kan worden achterhaald wat de degradatie van de asset is en hoe deze in de loop van de tijd is veranderd. Daarbij wordt ook in kaart gebracht hoe vaak de asset een storing kreeg (failure level), wat het tijdsinterval is en hoe stabiel dit niveau is. Verstoringen kunnen plaatsvinden rond hetzelfde degradatieniveau (stabiel) of op willekeurige momenten (instabiel). Dit laatste is terug te zien in afbeelding 2.

2. Effect van preventief onderhoud

Verder biedt deze analyse inzicht in de effectiviteit van het onderhoud. Onderhoud kan ‘perfect’ zijn, waarbij de conditie van de asset weer in nieuwstaat gebracht wordt of ‘imperfect’, waarbij het slechts gedeeltelijk hersteld wordt. Een voorbeeld van het verloop van de degradatie wordt weergegeven in afbeelding 2. Het onderhoud is perfect, aangezien het degradatieniveau altijd gereduceerd wordt naar 0 bij elke onderhoudsbeurt.

3. Variatie in degradatieniveau

Asset degradatie vindt niet altijd gelijkmatig plaats, een bepaalde mate van variatie is altijd van toepassing. In afbeelding 3 is terug te zien dat de degradatie met enige regelmaat in grote sprongen omhoog schiet. Denk daarbij aan een trein die oven een steen rijdt of een machine met olielekkage, de conditie van de asset verslechterd dan in een korte tijd enorm.

4. Kostenratio tussen preventief en correctief onderhoud

Tenslotte kunnen de gerealiseerde onderhoudskosten in kaart gebracht worden. Deze willen we uiteraard geminimaliseerd zien, terwijl de asset utilization daar niet onder lijdt. Om deze afweging goed te kunnen maken is het belangrijk om te begrijpen hoe de twee soorten onderhoud (correctief vs. Preventief) gerelateerd zijn aan de ‘Six Big Losses’, en dus de OEE. Groen betekent dat het type onderhoud een positieve bijdrage levert aan de betreffende ‘Loss’, oranje heeft nagenoeg geen effect terwijl rood een negatieve impact heeft en dus de ‘Loss’ vergroot.

Data voorbereiden en extrapoleren

Om de optimale grenswaarde M te kunnen berekenen, is er echter veel meer data nodig om gefundeerde conclusies te trekken. Deze data wordt gegenereerd door simulatie. Om deze uit te voeren, wordt de data in een tool geladen en gesimuleerd over een significant grotere periode. In de voorbeelden die in dit inzicht besproken worden, beslaat de historische data ruim 4.000 uur en wordt deze gesimuleerd over 150.000 uur. In dit voorbeeld worden de degradatie, het degradatieniveau, correctief onderhoud, preventief onderhoud en de onderhoudskosten meegenomen. De simulatie dient op maat gemaakt te worden voor elke unieke casus, omdat elk karakteristiek een ander effect heeft op de grenswaarde M.

Analyse

Bij het simuleren van de data wordt de huidige grenswaarde M voor preventief onderhoud genomen als uitgangspunt. Indien dit niet beschikbaar is, wordt hiervoor een aanname gedaan.  Op basis van de data kunnen de gemiddelde kosten per tijdseenheid (GKPT) berekend worden voor elke mogelijke grenswaarde M. Om de onderhoudsstrategie vervolgens te optimaliseren, wordt de laagste GKPT geïdentificeerd. Daarbij kunnen diverse scenario’s worden vergeleken: de huidige strategie, de optimale strategie of wanneer er alleen correctief onderhoud plaats zou vinden. Afbeelding 4 geeft de resultaten van de geoptimaliseerde strategie uit het voorbeeld weer: GKPT van €4,86 bij een grenswaarde M van 50.

Onderhoudsstrategie

De simulatie geeft geen sluitend resultaat, maar wel een uitstekend advies over de grenswaarde M en dus het optimale moment om preventief onderhoud uit te voeren. Uiteraard is de bepaling van de onderhoudsstrategie ook afhankelijk van andere inzichten, assetkarakteristieken en bedrijfsspecifieke KPI’s. Denk daarbij aan de situatie waarbij leverbetrouwbaarheid een van de belangrijkste KPI’s is, hierbij is het niet ondenkbaar om de grenswaarde M te verlagen zodat asset verstoringen (en correctief onderhoud) voorkomen kunnen worden. Daarnaast, zoals te zien in afbeelding 4, hebben de omliggende grenswaarden een relatief vergelijkbare GKPT.

Dit inzicht schetst een beeld wat de kracht van simulatie is in het bepalen van uw onderhoudsplan. Het betreft in dit voorbeeld een versimpelde weergave van de realiteit. De simulatie is echter aan te passen en te gebruiken op een breed scala aan complexe onderhoudsvraagstukken. Neem gerust contact op met onze consultants om te kijken wat zij voor uw onderhoudsstrategie kunnen betekenen!

Meer informatie

Wilt u meer weten over Predictive Maintenance? Download dan hier gratis ons whitepaper over dit onderwerp, of neem contact op met een van onze experts.