Wat is predictive maintenance?
Predictive maintenance – of voorspellend onderhoud – is een onderhoudsstrategie voor je industriële omgeving. Het maakt gebruik van machine-to-machine (M2M) learning, dat op zijn beurt weer steunt op data die gecapteerd wordt door sensoren en het Internet of Things (IoT). PLCnext maakt die datacaptatie én de doorstroom ervan naar je database – al dan niet in de cloud – een stuk gemakkelijker.
De voordelen van predictive maintenance
Vermijd onnodige defecten
Wanneer een bepaald onderdeel niet meer volgens verwachting produceert – te traag, te veel vibraties, te warm, te grote afwijking van de standaard – wordt dit gesignaleerd. Zo kan je meteen de nodige actie ondernemen en zowel defecten aan de machine als onbruikbare eindproducten vermijden.
Spaar reparatie- of vervangingskosten uit
Door storingen op te sporen en aan te pakken voor ze uit de hand lopen, houd je je machines langer operationeel en in optimale conditie. Het betekent ook dat het onderhoud of de reparaties die je moet uitvoeren, vaak minder ingrijpend zijn dan anders het geval was geweest.
Optimaliseer je productieflow
Downtime als gevolg van onnodig onderhoud of defecten wordt beperkt tot een absoluut minimum. Anderzijds kan je de onderhoudswerkzaamheden die wel nodig zijn van tevoren inplannen, bijvoorbeeld op een moment waar de productie sowieso op een lager pitje draait, zoals ’s nachts of in het weekend.
Voorbeeldcase: predictive maintenance implementeren in meerdere fases
Ook binnen de petrochemie zorgt predictive maintenance ervoor dat downtime vermindert en kosten dalen. De set-up die hiervoor nodig is, kan in verschillende fases geïmplementeerd worden. De eerste stap is het verbinden van Hart-sensoren in de productie-omgeving met hun historische data – zoals onderhouds- en reparatierapporten. Ook externe data kan via een cloudkoppeling worden toegevoegd, om zo een volledige, real-time status van de installatie te krijgen.
Intelligente algoritmes in de PLCnext IoT-controller zullen na verloop van tijd kunnen voorspellen wanneer er storingen zullen optreden. Dit kunnen bestaande algoritmes zijn maar ook diverse nieuwe of zelfs open source algoritmes.
Met behulp van deze data kunnen onderhoudsprocessen afgestemd worden op de input van de machine zelf. Wanneer de prestaties teruglopen, gaat er een signaal naar de planningsafdeling – die vervolgens het onderhoud inboekt. Door dit proces te automatiseren, verkleint het risico op fouten of nalatigheid.
Dit kan zelfs nog een stap verder gaan: je kan als bedrijf ook actief taken en werkinstructies voorschrijven via machine learning. De PLCnext controller interpreteert alle eerdere herstellingen en werkzaamheden en adviseert welk verder onderhoud vereist is.
