Voorspellend onderhoud in intralogistiek: Anticiperen op problemen voordat ze zich voordoen
(Advertorial) Ook voor intralogistieke systemen wordt het door Industrie 4.0 mogelijk de conditie van belangrijke componenten te monitoren en stilstand van de systemen te elimineren. “De kunst is de beschikbaarheid van systemen continu te optimaliseren,” aldus Dr Maximilian Beinhofer, Head of Cognitive Systems Development bij TGW. We vroegen hem waarom voorspellend onderhoud ook in intralogistiek belangrijk is.
Wat is het nadeel om onderhoudswerken pas uit te voeren als een onderdeel niet meer werkt?
“Bij deze aanpak, ook bekend als ‘correctief onderhoud’, komt een machine of een systeem tijdelijk tot stilstand. Dit betekent een verminderde beschikbaarheid met ook economische gevolgen. Een ander knelpunt is dat in sommige gevallen een probleemoplossing moet worden opgespoord wat vaak kostbare tijd in beslag neemt.”
Is het een alternatief om de slijtdelen op regelmatige tijdstippen te vervangen?
“Het idee van preventief onderhoud is dat specifieke onderhouds- of vervangingscycli worden gedefinieerd op basis van empirisch vastgestelde gegevens. Dit garandeert een zeer hoge systeembeschikbaarheid, maar de keerzijde is dat de kosten hoger kunnen uitvallen omdat sommige onderdelen worden vervangen die nog niet aan vervanging toe waren.
De kern van de zaak is het vinden van het ideale onderhoudsmoment voor zowel de gebruiker van het systeem als voor de onderhoudstechnici. Condition monitoring en voorspellend onderhoud bieden daartoe een uitstekende oplossing. Een ‘digitale twin’ helpt daarbij en levert hiervoor de nodige data. Dergelijke digitale twin wordt dan ook als een van
de belangrijkste innovaties van Industrie 4.0 beschouwd.”
Hoe werkt voorspellend onderhoud?
“Met behulp van sensoren die de conditie van de componenten monitoren, kan een softwaresimulatie worden uitgevoerd om te checken of zich problemen voordoen. Dit gebeurt idealiter in realtime of met een minimale vertraging. Zo analyseren we bij TGW met behulp van slimme algoritmen – gebaseerd op technieken uit machine learning en data science – de data aangeleverd door de sensoren. Dat stelt ons in staat om zeer nauwkeurige uitspraken te doen over de staat en slijtage van componenten.“
Kunt u een concreet voorbeeld geven?
“In onze bekroonde Rovolution-pickrobot meten we de status van het vacuüm in het grijpapparaat. Als er sprake is van drukverlies, bijvoorbeeld door stofbelasting van de omgeving, kunnen we dat meteen zien en reageren.“
Wat doe je met oudere systemen die niet voorzien zijn van de nodige sensoren?
“Het is ook mogelijk om extra sensoren te installeren, bijvoorbeeld om trillingen te meten. Afhankelijk van de grootte van het systeem kan het aantal benodigde sensoren variëren van enkele tot honderden stuks. Om die reden dient vooraf een kosten/batenanalyse gemaakt worden. “
Wat is het verschil tussen voorspellend en prescriptief onderhoud?
“Voor voorspellend onderhoud is condition monitoring nodig. Het is echter niet voldoende om te weten of een sensor belast is. Het is ook belangrijk de omvang van de slijtage te kennen. Als deze informatie beschikbaar is, kan voorspellende software worden gebruikt om de waarde van een bepaalde component te berekenen en bijvoorbeeld te weten dat deze nog ongeveer drie maanden zal meegaan. Prescriptief onderhoud adviseert dan precies welke stappen in die drie maanden genomen moeten worden. “
Wat zijn de belangrijkste voordelen van voorspellend onderhoud?
“Over het algemeen gaat het erom de systeembeschikbaarheid te optimaliseren en de kosten laag te houden. Bovendien verbetert de feedbackloop continu. Algoritmen zorgen ervoor dat het zelflerende systeem zichzelf continu zal optimaliseren.”
Wat zijn de uitdagingen voor voorspellend onderhoud?
“Een uitdaging is om met minimale inspanning een maximale hefboomwerking te creëren. Een andere, technologische uitdaging is de netwerken van het systeem zo te gebruiken dat alle gegevens die nodig zijn voor het voorspellend onderhoud kunnen worden overgebracht. De feedbackloops vormen de derde uitdaging. Als fabrikant moeten wij intelligente methoden ontwikkelen om ervoor te zorgen dat feedback onmiddellijk wordt doorgegeven en tegelijkertijd ook geschikt is voor de automatische evaluatie.”
Hoe wordt dit gegarandeerd?
“Om de algoritmen te trainen, moet je precies weten wanneer een onderhoudstaak werd uitgevoerd en waaruit deze precies bestond. Anders neemt het systeem aan dat er vanzelf een verbetering tot stand is gekomen. Die data worden in een rapport gegoten dat bestaat uit gestandaardiseerde antwoorden uit een drop-downmenu. Om een machine learning-systeem te trainen, heb je immers machineleesbare gegevens nodig. Tegelijkertijd moet de feedbackloop snel en eenvoudig bediend kunnen worden, zodat de onderhoudstechnicus snel feedback kan geven.”
Voor welke modules ontwikkelt TGW voorspellend onderhoud?
“Condition monitoring is al beschikbaar voor onze Rovolution-pickrobot. Daarnaast ontwikkelen we een specifieke cloudoplossing voor data-acquisitie en -verwerking. Het idee is dat alle data – van mechatronica tot IT – in de toekomst worden vastgelegd, uiteraard volgens de regels van de GDPR en databeveiliging. De data van meerdere klanten zal worden vastgelegd. Dit heeft als voordeel dat een nieuwe klant profiteert van de data van bestaande klanten en advies krijgt van de software om het systeem te optimaliseren.
De digital twin is het resultaat van dit proces. Via de herhalingsmodus kan worden geanalyseerd wat er is gebeurd of de status kan realtime worden gecheckt. Een extra stap laat toe om in de toekomst te kijken en voorspellingen te doen.”
Hoe zal de vraag naar oplossingen op het gebied van voorspellend onderhoud zich ontwikkelen?
“Ik verwacht dat binnen vijf of tien jaar alle verkochte systemen deze service zullen bieden. Het is vandaag al standaard dat grote individuele machines met een trillingssensor zijn uitgerust.”
Zien klanten het voordeel en zijn ze bereid voor deze diensten te betalen?
“Ik geloof dat op lange termijn de bedrijfsmodellen achter onderhoudscontracten zullen veranderen. De nieuwe tools en diensten bieden voordelen voor de klant en deze voordelen zullen uiteindelijk zichtbaar worden in de Total Cost of Ownership (TCO). Bijgevolg zullen ook de businessmodellen worden aangepast.”
Link: https://www.tgw-group.com/en/news/press-releases/2021/predictive-maintenance-anticipating-problems-before-they-occur
