Zoeken

Your predictive maintenance

Op tijd, duurzaam en efficiënt onderhoud plegen in de toekomst? Krijg met voorspellende modellen (predictive maintenance) inzicht in jouw assets. Met deze methode kom je in drie stappen naar een oplossing voor jouw vraag. Maatwerk dus.

Data_science_predictive_modelling.jpg

Stap 1. Predictive maintenance challenge

In de eerste stap bepalen we samen de vraag. Wil je de levensduur van een asset verlengen? Of ben je benieuwd hoe je duurzaam onderhoud verricht en kosten bespaart? Er is veel mogelijk.

 

Samen met jou komen we tot een gerichte klantvraag.

Drie_stappen_predictive_maintenance.jpg

Stap 2. Predictive maintenance readiness

In de analyse onderzoeken we de bestaande data. En kijken we of de kwaliteit ervan voldoende is. Indien nodig maken we processen inzichtelijk en lopen we mee met de klant. Alleen zo kunnen onze dataspecialisten de data van uw asset echt begrijpen, bijvoorbeeld uit complexe machines.

 

Uit de analyse komt naar voren welke informatie al beschikbaar is. Is dit voldoende? Dan leveren we een rapport op met een advies over wat mogelijk is in stap 3. Is dit onvoldoende? Dan geven we advies over welke data verzameld moeten worden en hoe, bijvoorbeeld met Internet of Things (IoT). In deze stap voeren we nog geen uitvoerige analyse uit op de data; dit gebeurt in de volgende stap.

Stap 3. Sprinting to predictive maintenance

De beschikbare data geven inzicht in de huidige staat van een asset. Maar voor optimaal onderhoud wil je in de toekomst kijken. Daarom gaan we ons verder verdiepen. Dat doen we aan de hand van kortcyclische sprints.

 

We selecteren de bruikbare data (voorbereiden). Hierna zetten we de data om in bijvoorbeeld een algoritme dat voorspellingen kan doen. Dit model evalueren we vervolgens met jou. Kan de vraag nog specifieker? Of is er een andere vraag bijgekomen in de evaluatie? Dan doorlopen we stap 3 nog een keer: het onderzoeken van de data. Denk aan het gedetailleerder onderzoeken van de eerdere data of het onderzoeken van nieuwe data. Dankzij de evaluatie met jou, kunnen wij nog gerichter aan de slag.

 

Een cyclus uit de derde stap duurt ongeveer twee weken en kan één of meerdere keren worden doorlopen. Implementatie vindt pas plaats als u in de evaluatie gelukkig bent met het voorstel. Uiteraard is het mogelijk om na de implementatie het model nog verder te verbeteren.

Model_your_predictive_maintenance.jpg

Voorbeeld maatwerk: inzicht in bruggen bij hoge temperaturen

Hieronder staat een voorbeeld van een mogelijk probleem dat we met voorspellend onderhoud op maat kunnen oplossen.

Stap 1. Predictive maintenance challenge
Stel, je wilt graag weten wat het gedrag is van jouw brug. Samen komen we uiteindelijk tot de daadwerkelijke vraag: ‘Hoe kan ik storingen voorkomen?’


Stap 2. Predictive maintenance readiness
In de analyse bekijken we vervolgens welke data al beschikbaar is. Is de besturingsdata voor het openen en sluiten van de brug beschikbaar? Of zitten er sensoren op de brug? Dan nemen we alle relevante data uit deze databronnen. Denk aan temperatuurmetingen van het wegdek, eerder voorgekomen storingen en het aantal auto’s dat de brug overgaat (inclusief dag en tijd).


De data worden visueel gemaakt. Hieruit lijkt bijvoorbeeld naar voren te komen dat warm weer impact heeft op storingen. Zo zouden we kunnen zien dat op dinsdagochtend tijdens de drukke spits storingen ontstaan als het voor de tweede dag op een rij 30 graden is geweest. Zo’n resultaat laat zien dat de aanwezige data van voldoende kwaliteit zijn.


Uit de analyse ontstaat een rapport met een advies: laat een onderhoudsstrategie ontwikkelen, zodat u weet wanneer u het best onderhoud kan plegen tegen lage kosten en zo min mogelijk overlast.


Stap 3. Sprinting to predictive maintenance
Uit de eerdere data selecteren we de bruikbare data. Vervolgens ontwikkelen we een model, in dit geval een onderhoudsstrategie.


Hieruit blijkt dat als er 1.000 auto’s over een brug rijden, er moet worden gesmeerd. Dit type onderhoud kan worden uitgevoerd zonder dat er een grote impact is op de verkeersdoorstroming. Een alternatief is om 10.000 auto’s lang niets te doen, en vervolgens bijvoorbeeld een onderdeel te vervangen. Dit heeft een grotere impact op de verkeersdoorstroming. Wel is het waarschijnlijk goedkoper dan de eerste optie.

 

Samen evalueren we vervolgens de mogelijkheden. Tevreden? Dan helpen we bij het ondernemen van actie.

predictive-modelling-2.jpg

Meer weten over voorspellend onderhoud op maat?

Neem contact met ons op.

Telefoon: + 31 30 246 94 00
E-mail:     info@assetinsight.nl