Predictive maintenance met digital twins

Wat is predictive maintenance?

Dit concept is ook wel bekend als een verdere evolutie van condition based maintenance. Het idee hierachter is, dat in plaats van een periodiek onderhoud, wat steeds potentieel onnodige kosten met zich meebrengt, er overgegaan wordt op het plegen van onderhoud wanneer dat nodig is.

De uitdaging

Om dit concept te kunnen implementeren, is het van belang dat er informatie beschikbaar is over de huidige toestand van de apparatuur. Dit kan natuurlijk opgenomen worden met een manuele inspectie, maar dit betekent nog steeds dat er een onderhoudsmonteur het veld in moet om die inspectie uit te voeren. Idealiter zouden we pas een onderhoudsmonteur, heel gericht, willen sturen naar apparaten waarvan er al bekend is dat onderhoud nodig is. Dit is waar de digital twin een belangrijke schakel vormt.

Digital Twins bij Condition Based maintenance

Omdat digital twins de toestand van het hardwarecomponent kunnen publiceren, kan dit ook gedaan worden voor alle relevante telemetrie van het apparaat. Door deze datastream van telemetrie continu te laten analyseren, wordt het mogelijke om hieruit af te leiden of het apparaat valt binnen de parameters waarbij onderhoud zou moeten plaatsvinden. In onderstaande figuur is dit schematisch weergegeven.

In dit voorbeeld gaat het om een Motor, waarbij continu het toerental, de temperatuur en trilling via sensoren gemonitord word. Wanneer deze meetwaarden voor een bepaalde aansluitende tijdsduur buiten de toleranties vallen, wordt gesignaleerd dat preventief onderhoud benodigd is. Doordat deze informatie beschikbaar is en automatisch geanalyseerd wordt, wordt het ook mogelijk deze te integreren in IT-system. Hiermee kan geautomatiseerd een onderhoudsticket aangemaakt worden in het onderhoudssysteem

De rol van AI en Machine Learning bij Predictive Maintenance

Door de jaren heen hebben veel organisaties al uitgebreide ervaring met de parameters en condities waarbij preventief onderhoud zou moeten plaatsvinden. Dit zijn echt vaak grofmazige criteria, waarbij het toch zo blijft dat in veel gevallen de apparatuur ook nog een tijd had kunnen doorwerken zonder onderhoud. Voor verdere kostenbesparing is het dus de kunst om “just in time” onderhoud in te plannen en uit te voeren.

Echter kan hier ook gebruik gemaakt worden van andere innovaties om het proces nog veel slimmer te maken. Door het toepassen van AI en machine learning op de dataset die via de digital twins verzameld wordt, in combinatie met geregistreerde faalmomenten van de apparatuur, wordt het mogelijk om modellen te trainen waarbij de AI leert welke combinaties van factoren leiden tot een bepaalde faalkans.

Door de digital twin datastream continue via een AI-model te analyseren kan veel nauwkeuriger het potentiële faalmoment voorspeld worden. Op basis daarvan kan dan het benodigde onderhoudsmoment berekend worden. Hiermee komen we dan echt in het gebied van predictive maintenance.