02/10/2017
Blog 3 van 6.
Het grote voordeel van predictive maintenance is dat je preventief onderhoud uitvoert op het moment dat het écht nodig is. Je monitort de specifieke conditie van je assets op ieder moment en pleegt onderhoud op het moment dat je voorspelt dat de asset het niet redt om goed genoeg te functioneren tot de volgende onderhoudsbeurt. Maar hoe doe je dat nou? Hoe kun je storingen voorspellen? Je kunt natuurlijk een glazen bol proberen, maar wij prefereren de inzet van Data Science. Op basis van historische data en domeinkennis, maken wij wiskundige modellen die storingen kunnen zien aankomen.
Onze projecten zijn altijd maatwerk, maar grofweg werken we volgens de volgende stappen:
Stap 1: Maak de vraag scherp: wat wil je precies voorspellen?
Ons adagium is altijd `Think big, start small, scale fast’. Het is goed om het grote plaatje helder te hebben van waar je naar toe wilt, en vervolgens is het vooral slim om klein te beginnen met een hele concrete vraag. In het geval van predictive maintenance is het belangrijk om niet te blijven steken in ‘we willen storingen voorspellen’, maar heel concreet te zijn in wat je precies wilt voorspellen. Bijvoorbeeld, hoe kan ik een storing aan de warmtewisselaar voorspellen? Of, hoe kan ik een storing aan het remsysteem voorspellen? En denk hierbij natuurlijk ook aan de business case: het is slim om te beginnen om iets te voorspellen wat relatief simpel is, maar veel oplevert in termen van kostenbesparingen.
Stap 2: Welke data heb je nodig?
Op de eerste plaats heb je historische data nodig van momenten waarop het in het verleden is misgegaan. Daarnaast is het natuurlijk belangrijk om te bedenken welke data relevant zouden kunnen zijn om de storingen te voorspellen. Hiervoor is domeinkennis essentieel. Samenwerking tussen domein-experts en data scientists is hiervoor dus heel belangrijk.
Zijn deze data ook al beschikbaar? Zijn de data representatief voor de toekomst? En wat is de kwaliteit van deze data? Misschien moeten er eerst (betere kwaliteit) data verzameld worden.
Stap 3: Eerste inzichten uit de data
Wat simpele analyses geven al veel inzicht. (Zie ook mijn eerdere blog “Kijk eens met een andere lens naar je data”.) Hoe vaak komen de storingen voor? Als er veel storingen zijn, vraagt dit om een andere aanpak (Big Data aanpak) dan wanneer er maar heel weinig storingen zijn geweest (Small Data aanpak). Doe ook andersoortige analyses, bekijk bijvoorbeeld eens onderhoudsdata om te zien wat het effect van onderhoud is. Kun je een component daarna weer als nieuw beschouwen, of is er wellicht zelfs een groter risico op (andere) verstoringen direct na een onderhoudsbeurt?
Stap 4: Maak en toets wiskundige modellen
Afhankelijk van de hoeveelheid beschikbare data, kiezen we een andere aanpak, namelijk de Big Data aanpak of de Small Data aanpak. (Zie ook mijn blog "Predictive Maintenance - Big Data vs. Small Data".)
Beide aanpakken zijn erop gericht om een verband te vinden tussen een afwijkende waarde van een bepaalde sensor (of combinatie van sensoren) en het optreden van storingen.
In een goed model zal het aantal false negatives (je voorspelt dat er geen storing komt, maar deze komt wel) en false positives (je voorspelt een storing terwijl er niks aan de hand is) zo laag mogelijk zijn. Door dit te kwantificeren (bijvoorbeeld door middel van een ROC-curve) kun je modellen onderling vergelijken en ook beslissen of de voorspellingen van het model voldoende betrouwbaar zijn om het model te implementeren.
Stap 5: Implementeer
Afhankelijk van welke concrete vraag (stap 1) er precies beantwoord is, zal de implementatie variëren. Geen model is perfect, en vaak zal er dus nog een keuze gemaakt moeten worden hoe de risico’s op false positives en false negatives tegen elkaar moeten worden afgewogen. Wellicht wordt er voor gekozen om eerst schaduw te draaien door middel van een dashboard waarop gesignaleerd wordt wanneer de conditie van de asset zodanig is dat er een risico is op falen. Belangrijk is vooral om draagvlak en vertrouwen te creëren bij gebruikers en bij management. Voor complexe installaties is het belangrijk om alle componenten van een installatie als geheel te beschouwen, alvorens onderhoudsbeslissingen te nemen.
Aanbevolen:
- Blog 1: Predictive maintenance voor slimmer onderhoud
- Blog 2: Slim onderhoud voor complexe installaties
- Blog 4: Predictive maintenance - Big Data vs. Small Data
- Blog 5: Van predictive maintenance naar predictive inventory
- Blog 6: Predictive maintenance als onderdeel van uw onderhoudsmanagement
- Business case: Predictive maintenance en deep learning bij Volkerrail
- De visie van CQM op Data Science
Wilt u meer weten over wat predictive maintenance voor uw bedrijf kan betekenen?
Neem gerust even contact op met me voor een vrijblijvende afspraak.
