Predictive Maintenance: logische stap – maar ook haalbaar?

Neem de casus van een liftfabrikant. U begrijpt het, de lift moet het blijven doen. Een onverwachte stop, het vastzitten in de lift geeft bij liftgebruikers veel stress en emotie. De lift blijft klein en bevindt zich vaak op grote hoogte. Daarnaast: traplopen is gezond, maar het is wel fijn als de lift het doet als je op de 32^e verdieping moet zijn. Beschikbaarheid is dus van groot belang. Het ontzorgen van de gebouweigenaar op dit punt is een voorwaarde om überhaupt te mogen leveren.

Met de Predictive Maintenance methode wordt het mogelijk te voorspellen wat, wanneer onderhoud nodig heeft. Onderhoudsmonteurs kunnen dus op pad worden gestuurd voordat een grote storing plaatsvindt. Hoe dat kan? Maakbedrijven zorgen ervoor dat hun 'Things' (zoals machines of liften) worden verbonden aan het 'Internet'. Vervolgens worden deze grote datastreams geanalyseerd via statistische modellen en algoritmes (machine learning). Tot slot 'triggeren' events acties zoals het inplannen van een servicemonteur en het tijdig bestellen van de benodigde onderdelen.

De liftenbouwer laat zich uiteraard inspireren door deze nieuwe ontwikkelingen. Ook hun product wordt steeds meer een dienst die de gebouwbeheerder betaalt op basis van prestatie indicatoren zoals daadwerkelijk gebruik en beschikbaarheid. 

Strategisch en logische stap in de diensteneconomie

Door dit soort bedrijven in de maakindustrie wordt in toenemende mate strategisch ingezet op het leveren van ‘total customer care’: de complete dienstverlening rond het geleverde product. De kwaliteit en de beleving van het product wordt immers in belangrijke mate bepaald door de dienstverlening zoals het benodigde onderhoud van en informatievoorziening over de installatie.

‘Servitization’ was niet voor niets enkele jaren geleden een populaire term onder de bedrijven in de maakindustrie. Strengere eisen van de eindgebruikers, verscherpte wet en regelgeving – aansprakelijkheid en garanties – prikkelden tot initiatief op dit gebied. Nu bieden beschikbaar gekomen technologieën nieuwe inspiratie: de combinatie van Big-Data (sensoren), Internet of Things (connectiviteit met fysieke wereld), Operations Research (stochastische modellen) en een Event Driven IT architectuur. Deze technologieën kunnen Predictive Maintenance – als onderdeel van het ‘Servitization’ denken – nieuwe vleugels geven. De mogelijkheden zijn er en het is dus een logische strategische vervolgstap voor bedrijven in de (maak)industrie die hun dienstverlening willen verbeteren.

Maar: is dit niet gemakkelijker gezegd dan gedaan? Ik zie nog aanzienlijk aantal obstakels.

'Legacy systems stand in the way, best of breed stands alone'

Ten eerste: de klassieke bedrijfsapplicaties (ERP e.d.) die in veel bedrijven al jaren achtereen stabiel ‘hun ding’ hebben gedaan. Zij kenmerken zich vaak door een gedateerde architectuur van tabellen en relaties, van vooraf gedefinieerde API’s en beperkte toegankelijkheid. Het slim ‘meta dateren’ van informatie, het beschikbaar stellen van master data management faciliteiten, het modelmatig aansturen van integraties: het blijkt helaas beperkt beschikbaar bij de Service oplossingen van de bekende ERP-leveranciers. Ook 'best of breed’ service-software leveranciers beperken hun oplossing vaak tot het vastleggen van de installaties, voor- en nacalculatie en het aanbieden van een planningsfunctie ten behoeve van de monteurs. Bovendien: je hebt er weer een pakket bij naast de al bestaande systemen.

Best ingewikkeld, die stochastische modellen en data problemen

Daarnaast kun je vragen stellen bij het voorspellende en zelflerende vermogen van een Predictive Maintenance model. Een model zegt iets over wat er gebeuren moet bij het optreden van een storing of signaal: 'als dit, dan dat'. Op basis van statistiek kan ook worden bepaald dat, als een bepaalde grenswaarde wordt bereikt, de kans op een storing te groot wordt en er dus preventief moet worden ingegrepen. Maar factoren die leiden tot storingen zijn vaak niet goed in kaart gebracht. En: hoe sterk is de correlatie tussen een storing en het falen van bepaalde onderdelen? Vaak is net niet de juiste historische informatie beschikbaar of wordt weinig of geen informatie over eerder opgetreden problemen vastgelegd. Daardoor is het verband tussen storing en oorzaak daarvan nauwelijks te leggen. De liftenbouwer geeft daarbij aan dat het huidige onderhoudsschema al jaren is geoptimaliseerd op basis van de ervaring van de monteurs geholpen door de lift engineers. Inzet van Predictive Maintenance technologie is alleen dan zinvol als de uitgangssituatie slecht is of ten minste voor verbetering vatbaar is. En wie bepaalt dat? En op welke manier?

Het lot van de expertsystemen

Jaren geleden studeerde ik af op de inzet van een expert systeem voor het onderhoud van aluminium matrijzen. De onderliggende aanname van het expertsysteem van toen was dat een expert in principe uitgeleerd is. Een expertsysteem is handig te verdelen in twee delen: een verzameling kennis en een redeneermechanisme. De aanname dat een expert uitgeleerd was, bleek fout en was gebaseerd op de kennis van menselijk redeneren uit de jaren zeventig. De basisvraag is eenvoudig: kan ik überhaupt verder komen dan deze opmerking van de liftmonteur: het probleem is door de situatie bepaald en met mijn ervaring vind ik meestal redelijk snel de oorzaak van het probleem. Is het uiteindelijke causaliteit of toch correlatie? Zal over enkele jaren hetzelfde gebeuren met betrekking tot  Predictive Maintenance als gebeurd is bij expertsystemen gebeurde? Resultaten uit het verleden bieden immers geen garantie voor de toekomst…

Okay, maar wat dan?

Misschien zijn er praktische, eenvoudiger oplossingen om mee te beginnen.

1. Begin klein met een beperkte en stabiele datastroom

Allereerst kan monitoring van de status van verschillende cruciale installatie gegevens verder worden geautomatiseerd. Een historische database opbouwen van kwaliteitsgegevens heeft tijd en aandacht nodig en dat moet niet teveel afhankelijk zijn van de discipline van een servicemonteur. Breng dus een stabiele datastream op gang op basis van een set aan sensoren in de installaties. En ga experimenteren met datamodellen om te leren wat werkt en wat niet.

2. Houd rekening bij ontwerp en bouw van installaties met te meten indicatoren

Bij het ontwerpen van een nieuwe installatie moet expliciet nagedacht worden of er eenvoudige data kan worden gegenereerd waarmee onderhoud van de installatie kan worden voorspeld. In het geval van de lift: een paar eenvoudige indicatoren zoals het aantal liftbewegingen per tijdseenheid of de totale hoeveelheid ‘vervoerde kilo’s’ vertonen wellicht een sterke correlatie met de noodzaak tot vervanging van specifieke liftonderdelen dan wel een preventieve inspectie.

3. Start met de implementatie van een applicatie overstijgend integratieplatform

Daarnaast is de integratie van dit soort gegevens met klassieke bedrijfsapplicaties een belangrijke stap. Gestructureerde data van de installatie - stuklijsten, beschikbaar in ERP -, kan beschikbaar komen in een systeem overkoepelend informatiemodel. Hiervoor is een flexibel integratie platform nodig waarin dit kan worden gemodelleerd. Predictive Maintenance datastreams kunnen daaraan worden gekoppeld en geïnterpreteerd. Op basis daarvan kunnen vervolgens workflow taken in service applicaties worden getriggerd om een servicemonteur op pad te sturen en de benodigde onderdelen te bestellen zodat die op tijd beschikbaar zijn. 

En dus: 

De inzet van Predictive Maintenance is veelbelovend. Service niveaus kunnen significant stijgen en daarmee klantenbinding. Daarnaast zijn forse kosten reducties mogelijk. Het blijft echter wel stochastiek, kansberekening en dus een onderhoudsvoorspelling met een bepaalde onzekerheid. Het vergt daarnaast flinke organisatorische en financiële inspanning; de haalbaarheid kent wat haken en ogen. Tegelijkertijd geldt: ‘iets is beter dan niets’!