Bepaal de juiste onderhoudsstrategie voor uw assets
Waar we stilstand van assets kunnen voorkomen door preventief onderhoud te plegen, dragen we bij aan de optimalisering van de processen. En waar we onderhoud kunnen voorkomen door middel van big data-analyse en de juiste interpretatie van de diverse sensoren die IoT ons aandragen, kunnen we de efficiency van de inzet van onderhoudsmedewerkers optimaliseren. En ook dat laatste zal nodig blijken, nu technisch onderlegde medewerkers een steeds schaarser goed worden. Onderhoud op exact het juiste moment plannen, dat is wat wordt nagestreefd. Niet te vroeg (want dat kost geld) en niet te laat (want dat kost ook geld).
De juiste tooling voor uw assets
Het concept van SAP Intelligent Asset Management (IAM) sluit naadloos aan op deze gedachte. Het positioneert de asset in het midden en biedt daaromheen de juiste tooling met informatie voor elke stakeholder. De basis van SAP IAM is Asset Central, waarin de gegevens van de asset zijn vastgelegd. Dit betreft niet alleen de gegevens zoals we die gewend zijn in SAP S/4, maar meer technische specificaties en geografische informatie worden hier vastgelegd. U maakt onderhoud een onderdeel van de bedrijfsstrategie.
Steeds meer machines worden uitgerust met sensoren. We zien dus dat nieuwe technologieën zoals Machine Learning, Internet of Things en Artificial Intelligence ons kunnen helpen bij het monitoren en onderhouden van onze machines. Deze nieuwe technologieën bieden ons data (waaronder sensordata) die om te zetten zijn in relevante businessdata. Op basis daarvan kunnen de juiste onderhoudsbeslissingen genomen worden en kan al onderhoud worden gepleegd vóórdat de problemen zich voordoen. Ideo biedt hiervoor een Predictive Maintenance and Service (PDMS)-oplossing, die helpt om faalwijzen te analyseren en te voorspellen, als onderdeel van de SAP Intelligent Asset Management (IAM)-suite.
“Onderhoud kan al worden gepleegd vóórdat de problemen zich voordoen.
Voorbeelden uit de praktijk
Een voorbeeld uit de Ideo-praktijk. Voor een productie-kritische machine bij een relatie is na een RCM-analyse gebleken dat voor een bepaalde faalwijze een predictieve onderhoudsstrategie kan worden toegepast. Op basis van de meetwaarde van diverse sensoren op deze machine wordt nu met behulp van machine learning de faalwijze tijdig voorspeld, zodat de juiste onderhoudsacties uitgevoerd kunnen worden en ongewenste stilstand wordt voorkomen.
Als tweede voorbeeld: het evalueren van de onderhoudsstrategie. Tijdens een RCM-analyse legden we de mogelijke faalwijzen vast voor een machine en schatten we op basis van statistische gegevens en ervaringen in hoe vaak deze faalwijzen zullen optreden, ook wel bekend als de Mean Time Between Failure (MTBF). Uiteraard willen we deze waarden monitoren aan de hand van de storingsmeldingen die in ECC of S/4HANA geregistreerd worden om op deze manier de RCM-analyse en de daaruit voortkomende onderhoudsacties te optimaliseren. Met behulp van de functie ‘Failure Mode Analytics’ worden machine learning modellen ingezet om automatisch storingsmeldingen op basis van de omschrijving te ‘linken’ aan de gedefinieerde faalwijzen.
Functionaliteiten SAP PDMS
SAP PDMS biedt verschillende functionaliteiten om op basis van diverse soorten data (bijvoorbeeld sensordata) faalwijzen te analyseren en te voorspellen en maakt onderdeel uit van de Intelligent Asset Management (IAM) suite. Het is het onderdeel van de suite dat zich specifiek richt op voorspellend onderhoud. Daarvoor kent deze oplossing een flink aantal functionaliteiten, waarvan we er vijf specifiek willen benoemen:
Failure Mode Analytics
Failure Mode Analytics geeft inzicht in de opgetreden faalwijzen aan de hand van machine learning. De resultaten hiervan (zoals MTBF, MTTR en MTTF) worden gevisualiseerd (failure mode cards) in het systeem.
Indicator forecasting
Met indicator forecasting worden trends van sensordata berekend en gevisualiseerd om tijdig beslissingen op het gebied van onderhoud en betrouwbaarheid te nemen.
Fingerprint Management
Fingerprint Management maakt het mogelijk om een snapshot te maken van een set van indicatoren om zo een bepaalde toestand op een bepaald moment vast te leggen, bijvoorbeeld van een bepaalde faalwijze. Deze fingerprints kunnen later worden gebruikt om bepaalde patronen eerder te herkennen en ongewenste situaties te voorkomen.
Leading Indicator Analysis
Leading Indicator Analysis wordt gebruikt om de indicatoren te identificeren die het meest betrokken zijn bij storingen of specifieke faalwijzen. Vervolgens kunnen monitoring regels worden ingesteld voor deze indicatoren om deze faalwijzen sneller en tijdig te detecteren.
Advanced Rule-based Alert Creation
Met behulp van de Advanced Rule-based Alert Creation kunnen conditieregels worden gedefinieerd. Een alert wordt gegeven als aan een bepaalde conditie wordt voldaan.
Ideo helpt u bij het verbeteren van uw service- en onderhoudsprocessen. Om in staat te kunnen zijn om onderhoud predictief en prescriptief uit te kunnen voeren, moet u innoveren. Lees meer over de noodzaak van innovatie voor uw bedrijf in het gratis whitepaper ‘Noodzaak tot innovatie: Overleven in het digitale tijdperk’.