Onderhoud verschuift van louter plannen naar optimaliseren

Combi EAM-systemen, prescriptive maintenance en digital twins volop in ontwikkeling

De opmars van de drie-eenheid EAM-systemen, prescriptive maintenance en digital twins is een opmerkelijke. Door een gesloten, datagedreven cyclus te vormen, maakt deze combi onderhoud planbaar, voorspelbaar en strategisch, terwijl realtime inzichten snelle operationele en tactische bijsturing mogelijk maken. Op naar een toekomst waarin machines proactief onderhoudsoptimalisaties voorstellen en de operationele efficiëntie continu stijgt.

Binnen de wereld van het onderhoud voltrekt zich een ware transformatie: digitale technologieën maken het onderhoud van machines en systemen slimmer, efficiënter en voorspelbaar. Onderhoud verschuift daarbij van enkel en alleen plannen naar optimaliseren: maximale assetwaarde door slimme afweging van kosten en opbrengsten.

IT-resources

Om deze transformatie mogelijk te maken wordt digitale technologie veelvuldig toegepast in technische, industriële en IT-omgevingen met als doel: efficiënter onderhoud, verbetering van de betrouwbaarheid van installaties en vermindering van de downtime. Hiervoor worden verschillende digitale technologieën en tools ingezet:

• sensoren (praktisch gezien OT-resources) en IoT, voor realtime monitoring van assets;
• data-analyse en kunstmatige intelligentie (hierna AI), voor patroonherkenning en storingsvoorspelling;
• predictive/prescriptive maintenance, voor onderhoud op basis van voorspellingen over toekomstig falen (= predictive maintenance) inclusief adviezen om een dergelijke failure te vermijden (= prescriptive maintenance);
• digitale twins, voor virtuele modellen van installaties of systemen;
• CMMS-, EAM-systemen, voor digitaal beheer van onderhoudsplannen en assets.

Begrippen als AI, CMMS en IoT zijn of worden binnenkort uitvoerig in Industrial Maintenance besproken. In dit artikel ligt de nadruk op de combinatie EAM-systemen, predictive en prescriptive maintenance (zie ook de tabel) en digital twins.

Assetstrategie

De hierboven genoemde technologieën en tools vormen elk een essentieel onderdeel van de onderhoudsketen. Samen bieden zij een proactieve, datagestuurde benadering van assetmanagement, die de totale eigendomskosten (Total Cost of Ownership, TCO) verlaagt, risico’s – waaronder operationele en veiligheidsrisico’s – vermindert en de betrouwbaarheid verhoogt. Ook hier geldt dat het geheel meer is dan de som der delen, wat zich vertaalt in een verbeterde return on investment (ROI).

EAM-systemen

Een EAM-systeem – EAM staat voor Enterprise Asset Management − is een strategisch platform dat het gehele levenscyclusmanagement van fysieke bedrijfsmiddelen ondersteunt. Het kan integreren met andere organisatie-informatiesystemen maar kan ook CMMS-functionaliteiten bevatten, waaronder onderhoudsplanning, werkuitvoering en voorraad- en inkoopbeheer. De focus ligt echter bij strategische assetoptimalisatie.

EAM helpt organisaties hun assets beter te beheren door onderhoud en planning te optimaliseren wat leidt tot hogere beschikbaarheid van assets, lagere kosten door minder storingen en efficiënter voorraadbeheer een langere levensduur door tijdig onderhoud. Bepalend voor hun functioneren zijn vooral de datakwaliteit en de aanwezige knowhow bij de mensen die ermee werken.

Prescriptive maintenance

Deze onderhoudsstrategie maakt gebruik van dezelfde data, sensoren en modellen als predictive maintenance, aangevuld met AI en machine learning (ML). Deze combinatie maakt niet alleen voorspellingen mogelijk van het moment van falen, ook worden er ter voorkoming daarvan concrete aanbevelingen gedaan die toekomstige problemen kunnen voorkomen, bijvoorbeeld 'verlaag de belasting met x%', 'plan onderhoud binnen Y uren' of 'vervang dit specifieke onderdeel'.

In plaats van vaste onderhoudsintervallen (preventief) of reparatie na een storing (reactief), wordt onderhoud uitgevoerd als de conditie van het apparaat dat verlangt of wanneer onderhoud het meest kosteneffectief is. In de uitvoerende sfeer is specialistische kennis niet langer een vereiste.

Digital twins

Een digital twin is een virtuele representatie van een fysiek object, systeem of proces waarmee het gedrag ervan kan worden gemonitord, geanalyseerd en voorspeld, zowel in real time als in virtual time.

Realtime operationele data van sensoren en IoT-apparaten worden gebruikt om de prestaties van een asset te monitoren terwijl virtuele data snelle simulaties mogelijk maken van de mogelijke impact op de fysieke asset.

In de industrie kunnen digital twins worden ingezet ten behoeve van het onderhoud van machines, productielijnen en infrastructuur, met als belangrijkste voordelen beter voorspellende onderhoudsstrategieën, lagere kosten door simulatie en optimalisatie, snellere probleemoplossing en verbeterde besluitvorming.

Datakwaliteit, integratie en competenties
Hoewel de combinatie van de in het artikel genoemde digitale maintenancecomponenten een logisch en krachtig instrument oplevert, leert de praktijk bij installatie- en onderhoudsbedrijven dat succesvolle implementatie nog minder vanzelfsprekend is dan vaak wordt gedacht. Voor veel contractors ligt de grootste uitdaging namelijk niet bij de technologie zelf, maar bij mensen, processen en integratie. Digitale modellen vergen behalve een betrouwbare input ook medewerkers die data kunnen interpreteren en vertalen naar concrete onderhoudsacties. Het tekort aan technisch én digitaal geschoolde profielen – zoals maintenance engineers, data-analisten en BIM-modelleurs – is een remmende factor op verdere digitalisering. Ook hier gaat het om de kracht van de combi: investeren in software én investeren in opleiding en change management.

Rolverdeling

De combi EAM-systemen; prescriptive maintenance en digital twins is nadrukkelijk in ontwikkeling, en biedt met name perspectieven daar waar er sprake is van een duidelijke toegevoegde waarde, bijvoorbeeld in die gevallen waarin unplanned faults en downtime hoge kosten met zich mee brengen: bij chemische installaties en raffinaderijen, bij netwerk-hardware en in datacenters en serverruimtes.

Rol EAM-systeem

EAM vormt de ruggengraat van het assetbeheer door strategische planning, levenscyclusmanagement en operationele processen te integreren in één samenhangend systeem. Het vertaalt organisatiedoelen naar assetstrategieën, ondersteunt tactische meerjarenplannen en faciliteert operationeel onderhoud en storingsafhandeling.

Onder operationele processen vallen onder meer:

• optimaal onderhoudsbeheer, bestaande uit preventief, correctief en predictief onderhoud, waarbij conditiebepaling en data-analyse een belangrijke rol spelen;
• snel identificeren, rapporteren en oplossen van storingen of defecten;
• realtime volgen van locatie, status en prestaties van assets.

Onder administratieve ondersteuning vallen onder meer:

• vastleggen van kenmerken, locatie, eigendom en status van apparatuur of installaties;
• documenteren van uitgevoerde onderhoudswerkzaamheden, storingen en reparaties;
• centraal opslaan van handleidingen, certificaten, garantiegegevens en technische specificaties.

Rol prescriptive maintenance

Prescriptive maintenance is het intelligente brein van de drie-eenheid, aangezien deze variant als gezegd sensordata (IoT), historische onderhoudsdata, fysische modellen, expertise en AI en ML combineert.

Sensordata

Door sensordata slim te benutten wordt voorspellend onderhoud mogelijk. Onderhoud vindt op basis van de conditie of predictie plaats, niet op basis van vaste tijdsintervallen. Het is van belang alleen sensoren, data en meetfrequenties te integreren die daadwerkelijk aan de voorspelling bijdragen, dit om een overload aan gegevens te voorkomen.

Historische onderhoudsdata

De volledige assethistorie is afkomstig uit het EAM-systeem, de operationele historie hoofdzakelijk uit het daaraan gekoppelde CMMS. De input is onder meer afkomstig uit handleidingen, tekeningen, modellering, storingsmeldingen, conditiescores en inspectieresultaten. Op basis van deze gegevens leren AI-modellen het voorspellen van toekomstig falen.

Het tekort aan technisch geschoolde profielen remt verdere digitalisering

Fysische modellen

Dergelijke rekenmodellen voorspellen zowel het normale als het faalgedrag van assets op basis van natuurkundige principes als mechanica, thermodynamica, slijtage- en stromingsleer. Ze voorspellen onder meer slijtage- en trillingsgedrag, berekenen de warmteontwikkeling of maken een inschatting van de corrosiesnelheid.

AI en ML

Deze combi maakt het voorspellend onderhoud slimmer, sneller en efficiënter:

• AI maakt onderhoud proactief en vereenvoudigt de interpretatie van tekst en data waardoor het voorspellen van onderhoud eenvoudiger wordt;
• ML detecteert vroegtijdig afwijkingen in sensordata en voorspelt nauwkeurig wanneer componenten naar alle waarschijnlijkheid zullen uitvallen.

Rol digital twin 

De digital twin fungeert als centrale intelligentielaag die fysieke, operationele en virtuele data, voorspellende modellen en onderhoudsprocessen verbindt. Dit biedt behalve diepgaand systeeminzicht ook de mogelijkheid tot nauwkeurige voorspellingen – inclusief onzekerheden als meetfouten − simulatie van onderhoudsscenario’s en prescriptieve beslissingen. Het resultaat is een continue optimalisatie van de levensloop van assets.

Diepgaand systeeminzicht

Door continu data afkomstig van sensoren, onderhoudshistorie en operationele data te combineren, en deze aan te vullen met informatie over de bronbetrouwbaarheid, kan installatiegedrag nauwkeurig worden gemodelleerd en voorspeld. Beter begrip van slijtage, faalmechanismen en prestatie-afwijkingen leidt daarbij tot snellere diagnose, betere voorspellingen en optimalere onderhoudsbeslissingen.

Betere voorspellingen

Doordat de digital twin gebruik maakt van operationele data (historisch en realtime) ontstaat een actueel en dynamisch beeld van de verwachte toestand van machines en installaties.

ML detecteert vroegtijdig afwijkingen in sensordata en voorspelt nauwkeurig wanneer componenten naar alle waarschijnlijkheid zullen uitvallen

Simulatie van onderhoudsscenario’s

Die vindt plaats door fysieke operationele data van de asset te integreren in een digital twin, waarin onderhouds- en storingsscenario’s worden gesimuleerd in een virtuele context.

Continue optimalisatie van asset lifecycle management

Realtime inzicht in assets, koppeling van digital twins aan EAM-data en prescriptive maintenance maken prestaties en onderhoud voorspelbaar. Dit ondersteunt kosteneffectief assetbeheer over de volledige levensduur, maakt onderhoud planbaar en strategisch en versterkt de besluitvorming.

Dat de EAM-systemen, prescriptive maintenance en digital twins samen veel potentie hebben, is evident. De 'samenwerking' vereist vergaande systeemintegratie, betrouwbare data, organisatorische volwassenheid en een heldere digitale strategie. Een volledige en naadloze integratie is nog geen vanzelfsprekendheid, maar komt wel steeds dichterbij.

Met medewerking van Agoria, Flanders Make en Spie