maart 19, 2019 | Blog

Vecht de onderhoudsmonteur straks met nieuwe technologieën om zijn baan?

Maintenance personnel

De vrees dat nieuwe technologieën de onderhoudsvakman overbodig maakt is ongegrond. In de toekomst zullen taken van de onderhoudsmonteur worden geautomatiseerd. Er zal tegelijkertijd een groter beroep worden gedaan op het vakmanschap en probleemoplossend vermogen van de monteur. Technologie zal de monteur niet vervangen maar ondersteunen.

McKinsey deed in 2017 een groot wereldwijd onderzoek naar het effect van technologie op de arbeidsmarkt. In het rapport A future that works’, wordt geconcludeerd dat de helft van al het werk dat nu nog door mensen wordt gedaan rond 2055 door robots kan zijn overgenomen. Volgens McKinsey gaan er niet per se banen verloren. Slechts 5 % van alle banen kan volledig worden geautomatiseerd. In elke baan zullen taken verdwijnen. Tegenover de verdwijnende taken zullen echter ook nieuwe taken staan. Dit zal zorgen voor nieuwe uitdagingen.  Monteurs moeten bij blijven leren om ervoor te zorgen dat zij de nieuwe taken op zich kunnen nemen.

In de industrie biedt automatisering een oplossing voor het tekort aan vakmensen. Grote bedrijven staan voor de uitdaging om hun belangrijke assets continu te monitoren. De kans dat er iets kapot gaat is klein, maar als het gebeurt zijn de gevolgen groot. Het is niet mogelijk om dit altijd door een monteur te laten monitoren. Hier kan techniek de vakman ondersteunen: computers zijn heel goed in het 24/7 verwerken van gegevens en het ontdekken van patronen.

Nuances aanbrengen

Terwijl de computer tot op een hoog niveau de data analyseert en soms ook automatiseert, is deze niet in staat om nuances  aan te brengen. Dit is het domein van de monteur. De computer kan een bepaald risico van falen aangeven; de eerste week is het risico op falen 15% en de tweede week is dat 40% enzovoorts. Er spelen echter meer factoren mee bij de beslissing om een machine te vervangen. Het is aan de maintenance manager of de productieleider om op basis van zijn kennis en ervaring dit risico af te wegen tegen andere bedrijfsmatige factoren.  

Als er bijvoorbeeld net een grote order binnenkomt, kan besloten worden nog even door te draaien. Andersom kan ook besloten worden alvast onderhoud uit te voeren in een rustige periode waarin het risico op storingen nog laag is. Zo kan een schaatsenfabrikant er voor kiezen in de lente alvast onderhoud uit te voeren zodat hij de zomer zijn schaatsen kan maken. De schaatsen kunnen dan de komende winter in de winkel liggen. Het patroon is duidelijk: De maintenance manager moet nog steeds de keuze maken, maar kan nu een beter ingelichte keuze maken.

Ontwikkelingen kunstmatige intelligentie

Hoewel de technologische ontwikkelingen snel gaan zal het toch nog een aantal jaren duren voordat de computer zelfstandig kan beslissen over het wel of niet uitvoeren van onderhoud.

Op dit moment nemen steeds meer bedrijven de stap naar een conditiemonitoringsysteem. Deze systemen filteren alle data over de gezondheid van assets en inventariseren de risico’s waar de maintenance manager op moet letten. Een stap verder is het invoeren van decision support of asset decision systemen. Deze systemen maken bij storing van een pomp automatisch de koppeling naar het planningssysteem om orders in te zien. Op basis van rekenregels, waarbij gekeken wordt naar de risico’s, kan dan worden geadviseerd om wel of niet door te gaan met produceren. De verwachting is dat deze systemen binnen nu en vijf jaar beschikbaar zijn.

Deze decision supportsystemen zullen in de toekomst in staat zijn een compleet onderhoudsvoorstel te doen waarbij rekening wordt gehouden met planning, levertijd van componenten, beschikbaarheid van mensen en de benodigde vergunningen.  Als de maintenance manager instemt met het voorstel wordt alles in werking gezet. Als dit heel vaak goed gaat en elke keer blijkt dat het voorstel van het systeem goed is kan hij zeggen: ‘Ik hoef het niet meer voorgelegd te krijgen, het kan automatisch uitgevoerd worden’.  

Oplossingen bedenken is mensenwerk

De technologie is er klaar voor, maar het moet nog geïmplementeerd worden en het moet zich nog bewijzen. De verwachting is dat er binnen nu en tien jaar steeds meer onderhoud automatisch wordt gepland. Het werk van de onderhoudsmonteur zal veranderen, maar het onderhoud moet nog steeds worden uitgevoerd. De monteur krijgt meer tijd om analyses te maken om tot structurele verbeteringen te komen. Het bedenken van oplossingen is nog steeds mensenwerk.

Tot die conclusie kwam ook technologie-goeroe Elon Musk. Terwijl hij in 2017 nog hoog opgaf over de nieuwe productielijn voor de Tesla Model 3 die bijna volledig uit robots bestond, moest hij in 2018 erkennen dat de productievolumes niet werden gehaald omdat het systeem te ingewikkeld was. De robots werden vervangen door mensen. In een tweet gaf Musk zijn vergissing toe: ‘Yes, excessive automation at Tesla was a mistake. To be precise, my mistake. Humans are underrated’.

Meer weten over hoe monteur en sensor elkaar kunnen aanvullen om betrouwbaarheid en beschikbaarheid te verhogen? Bekijk onze oplossing, volg ons op LinkedIn of plan een belafspraak.

maart 14, 2019 | Blog

Predictief onderhoud als motor voor een circulaire economie

Maintenance, Sustainability

Voorgesteld model van asset management als circulair model.

 

De circulaire economie is steeds prominenter aanwezig in de strategische ambities van de industrie. Een kleinere carbon footprint, minder afval en een laag energieverbruik zijn daarbij belangrijke doelstellingen. En de energie die een bedrijf verbruikt, wordt bij voorkeur lokaal opgewekt.

Hoe ziet een circulaire economie er precies uit?

Een mooi voorbeeld van een circulair model is de papierindustrie. Door de jaren heen is het aandeel gerecycled papier aanhoudend gegroeid als grondstof voor de productie van nieuw papier. Het aandeel oud/gerecycled papier is tegenwoordig veel groter ten opzichte van het aantal gekapte bomen als rechtstreekse grondstof voor nieuw geproduceerd papier.  Producenten zetten dus zelf in op recycling en gaan aan de slag met de gerecyclede materialen in hun eigen productieproces.

Materiaalkeuze

Onderzoek naar het hergebruik van restproducten is een belangrijk aspect van een circulaire economie. Het is eveneens van belang dat de R&D-afdeling de mogelijkheden van nieuwe materialen onderzoekt. De materiaalkeuze – van hergebruik tot nieuwe materiaalsoorten - heeft namelijk een belangrijke impact op de totale levenscyclus.

Energie

De keuze van materialen en de recyclage van afvalstoffen is één aspect om te komen tot een circulair model. Slim energiegebruik is een tweede. Een papierproducent verbetert zijn energieverbruik door middel van een warmtekrachtkoppeling (= WKK – hierbij wordt door een motor op 1 brandstof tegelijkertijd warmte en elektriciteit geproduceerd).  Ook biomassa is een energiebron die steeds meer wordt aangewend . Het wordt nog interessanter als je een naburig bedrijf kan voorzien van een grondstof wat voor jou een afvalstroom is.

In gezonde toestand laten draaien

Er zijn nog twee essentiële onderdelen van een circulaire strategie: een proactieve onderhoudsstrategie en het bestaande machinepark zo lang mogelijk in gezonde toestand laten draaien. Want wat heb je aan een energiezuinig machinepark als de levensduur van de machines veel korter is dan hun potentieel?

Productieprocessen moeten in een circulaire model zo efficiënt mogelijk worden ingericht en het onderhoud aan de machines zo strategisch mogelijk uitgevoerd. In de papierindustrie zijn bijvoorbeeld meerdere productieprocessen in een keten aan elkaar gekoppeld. Treedt een storing op in één onderdeel in het proces van pulp tot papier, dan staat de volledige productielijn stil. De kosten kunnen hierdoor snel hoog oplopen. Ieder uur stilstand zorgt voor productieverlies - wat rechtstreeks omzetverlies betekent.

Onderhoudsvrije lagers niet noodzakelijk beste optie

Betrouwbaarheid is daarom een belangrijke factor bij de keuze van machines en onderdelen. Naast betrouwbare systemen is van primair belang dat de onderdelen makkelijk kunnen worden onderhouden. Een onderhoudsvrij onderdeel is niet noodzakelijk de beste optie. Een voorbeeld:

De onderhoudsvrije lager (deze is niet nasmeerbaar) heeft net zoals elke lager, per definitie een eindige levensduur. Het niet hoeven nasmeren lijkt in eerste instantie een voordeel. Op langere termijn heeft dit voor de circulaire economie alleen maar nadelen: de levensduur is korter, er dienen meer lagers ingezet te worden en dus meer grondstoffen om die te produceren en de kosten dus navenant.De beste keuze is dus vaak een lager met de langste levensduur, ook al betekent dit dat nasmeren noodzakelijk is. Voorwaarde is dat het nasmeren op een betrouwbare en veilige manier kan gebeuren, en ook gebeurt.

Slijtagegevoelige onderdelen monitoren

Ook al kiest een bedrijf de beste langetermijnoplossing, veel roterende onderdelen blijven slijtagegevoelig. De continue verlenging van de levensduur blijft dus een uitdaging.. De oplossing hiervoor een voorspellende onderhoudsstrategie waarbij de conditie van de rotating equipment zo nauwkeurig mogelijk wordt opgevolgd. Dit is mogelijk door een accurate en betrouwbare continue datastroom. Door een automatische analyse en verwerking van deze data kunnen voorspellende onderhoudstaken worden ingericht, wat het onderhoudsproces rond maakt.

In de automatische analyse is machine learning, een vorm van artificial intelligence, nodig. Hoe beter algoritmes zijn, hoe meer de analyse is geautomatiseerd en hoe nauwkeuriger kan worden voorspeld.

Energiestromen in kaart

Energie is een in alle industrieën een belangrijke parameter – en zeker in de staalindustrie. De energiestromen in een staalfabriek zijn gigantisch. Een kleine inefficiëntie kan vaak al worden uitgedrukt in MWh- verlies. Het loont dus de moeite om inefficiënties, hoe klein ze ook zijn, de wereld uit te helpen. De meting van de energieparameters zoals bijvoorbeeld de cos phi is dus een essentieel onderdeel van conditiemonitoring.

Een duidelijk dashboard dat deze energiedata inzichtelijk maakt is een must om de bad actors in energie-efficiënte voor machines en processen op te sporen. Deze kunnen dan herontworpen worden of procesmatig bijgesteld.  Zo zorgt de machine voor een optimale productie.

Recyclebare eindproducten

De grootste uitdaging voor een circulair business model zit in de eindproducten - en het gebruik ervan.  Zo is een gekend massa eindproduct als de auto nog lang niet zo demonteerbaar en recyclebaar als in een goed circulair business model wenselijk is.

Kunstmatige intelligentie (AI) kan hier de data-infrastructuur bouwen die nodig is om een terugkeer-logistiek op te zetten. Dit kan ervoor zorgen dat je bij aankoop al weet welke retourroute ieder onderdeel straks zal afleggen: hergebruik, herfabricage of recyclage. Een circulaire economie ambieert dus een volledig recycleerbaar eindproduct met een zo lang mogelijke levensduur. Zou het niet mooi zijn als je wagen geen 200 duizend maar 1 miljoen kilometer kan afleggen voor hij naar de de-assemblagelijn moet?

Een nieuwe relatie

Tot slot houdt een circulair systeem ook, en vooral, een uitdaging in op vlak van het business model en de relaties tussen leverancier - producent en eindgebruiker. Die auto wordt in dat geval een deelauto - het bezitten van een wagen is immers not done in een circulaire economie.

Semiotic labs biedt met SAM4 een oplossing om zowel de conditie accuraat voorspelt als een overzicht te biedt van de belangrijkste energetische parameters. Meer weten over hoe condition-based maintenance jouw bedrijf duurzamer kan maken? Bekijk onze oplossing, volg Semiotic Labs op LinkedIn of plan een belafspraak.

maart 11, 2019 | Blog

Waarom zelfs de beste onderhoudsmonteur geen betrouwbaarheid kan garanderen

De onderhoudsmanager waarborgt de beschikbaarheid van de assets. Vaak gebeurt dit door het uitvoeren van visuele en instrumentele inspecties. De monteur voert op periodieke tijdstippen inspecties uit en trekt hieruit conclusies op basis van wat hij vaststelt, gecombineerd met zijn kennis en ervaring. Het nadeel is dat deze methode niet altijd toereikend is om de beschikbaarheid van de assets volledig te kunnen garanderen. Dit heeft meerdere oorzaken:

1.   Maintenance managers kunnen niet tegelijkertijd overal inspecties uitvoeren.

Een maintenance manager heeft vaak een hele vloot aan machines onder zijn hoede. Hij zal daarom op periodieke basis inspecties uitvoeren aan iedere machine. Tussen deze periodes in wordt een machine niet gemonitord, omdat de monteur simpelweg niet op meerdere plekken tegelijk kan zijn. Dit kan leiden tot ongeplande downtime

2.   Verborgen gebreken 

Machines of onderdelen van machines zijn niet altijd even toegankelijk voor inspecties. Hierdoor komt het bij visuele inspecties regelmatig voor dat bepaalde onderdelen van machines niet of niet goed kunnen worden geïnspecteerd. Schade die leidt tot storingen is daarnaast niet altijd visueel vast te stellen, zoals bijvoorbeeld in gesloten leidingen.

3.    Het leggen van complexe verbanden is beperkt

Maintenance managers kunnen lineaire verbanden leggen tussen bepaalde onregelmatigheden en storingen die daaruit kunnen volgen. Complexe verbanden zijn veel moeilijker te leggen. Patronen herkennen uit onregelmatigheden die in verleden hebben plaatsgevonden, of waarbij rekening wordt gehouden met meerdere variabelen, is voor de mens bijna onmogelijk.

4.    Bij het vertrek van een maintenance manager gaat kennis en ervaring verloren

Uit onderzoek blijkt dat de gemiddelde leeftijd van technici vrij hoog is. Tegelijkertijd zijn maintenance managers vaak lang in dienst. Bij vertrek gaat er daardoor veel ervaring verloren. Het vasthouden van kennis is daarom een belangrijk aandachtspunt. Echter, alle kennis en ervaring documenteren is onmogelijk. De maintenance manager zou in dat geval meer administratie moeten doen dan dat hij aan het werk is.

5.    Toekomstige schade signaleren met visuele inspecties is lastig

Een maintenance manager kan slijtage van specifieke onderdelen vaststellen. Op basis daarvan kan hij een ruwe inschatting maken wanneer in de toekomst storingen zullen optreden. Om dit te doen moet hij een heel nauwkeurige schatting maken. Dit is vaak lastig omdat met meerdere factoren rekening moet worden gehouden en het menselijk brein maar een beperkte capaciteit heeft.

Machine learning

De laatste jaren zijn er steeds meer technologieën op de markt die maintenance managers kunnen ondersteunen in hun werkzaamheden. Een van de meest veelbelovende technologieën is machine learning. Bij machine learning halen computers met behulp van algoritmes – een reeks instructies – bepaalde inzichten uit data. Hier kan een model van worden gebouwd. Dit model kan vervolgens inschatten wanneer onderhoud nodig is.

Deze gebruikte data zijn afkomstig van alle (kritische) machines en onderdelen van het machinepark. Ook van onderdelen die moeilijk toegankelijk zijn. Machine learning zorgt ervoor dat in realtime de status van alle assets inzichtelijk is. Daarbij wordt zowel actuele data als data die in het verleden zijn verzameld en meegenomen in de berekeningen. Algoritmes zetten deze enorme berg aan data om in informatie over de conditie of gezondheid van de assets. Op basis van data gedreven inzichten kan een onderhoudsafdeling vervolgens zijn strategie bepalen wanneer, hoe en welk onderhoud nodig is om de beschikbaarheid van de assets te garanderen.  

Grensverleggend samenwerken

Zelfs de perfecte onderhoudsmanager kan ongeplande stilstand niet totaal voorkomen. Dit komt voornamelijk door de fysieke en mentale limitaties die elk mens heeft. Hiervoor heeft hij hulp nodig van slimme technologieën. Slimme sensoren in combinatie met machine learning algoritmen kunnen ervoor zorgen dat de grenzen van de onderhoudsmonteur geen grenzen voor de organisatie hoeven te zijn.

Meer weten over hoe slimme sensoren onderhoudsmonteurs kunnen ondersteunen? Bekijk onze oplossing, volg ons op LinkedIn of plan een belafspraak.

maart 7, 2019 | Blog

Sensor installatie in de schakelkast: Wanneer voegt dit waarde toe?

Sensor

Sensor installation

-

Steeds meer bedrijven onderzoeken de mogelijkheden om onderhoud aan assets zoals motoren en pompen uit te voeren op basis van de conditie van deze assets. Wanneer de onderhoudsmanager inzicht heeft in de realtime conditie van een machine, kan hij zijn onderhoudsstrategie hierop afstemmen.

Om de conditie van de assets te achterhalen, wordt gebruik gemaakt van sensoren. Sensoren verzamelen data van allerlei aard. Denk bijvoorbeeld aan velocity sensoren die vibraties monitoren of accelerometers voor trillingsmetingen. Voor iedere toepassing of applicatie zijn meerdere typen en varianten op de markt, de een al robuuster, nauwkeuriger of gevoeliger dan de ander. De gemene deler van de meeste sensoren: ze moeten in of op een machine worden bevestigd om metingen te kunnen doen.

Een andere, vrij nieuwe methode is om de toestand van de machine te achterhalen door middel van een sensormodule die een hoge frequentie op de kabels van motoren of pompen meet. Een afwijking in de stroomtoevoer kan duiden op een mechanisch dan wel elektronisch probleem aan de asset zelf. Trillingen verstoren bijvoorbeeld het elektromagnetische veld in een elektromotor, wat is af te lezen in de data die de stroom genereert. Zo heeft iedere faaloorzaak een specifieke signatuur of vingerafdruk van falen die in de stroom of spanning kan worden gemeten.

Het is een andere methode van meten, met eenzelfde doel: conditiemonitoring. Een groot verschil met andere methodes is de plaats waar de meting plaatsheeft. Meet men de stroom, dan hoeft deze meting niet noodzakelijk in of bij de asset worden gemeten. Metingen kunnen plaatsvinden in de schakelkast. Het plaatsen van sensormodules in een schakelkast en niet in het veld, kan bedrijven een aantal voordelen opleveren.

Externe factoren en robuustheid sensoren

Sensoren in het veld zijn onderhevig aan de omstandigheden die ter plekke heersen. In de foodsector is men bijvoorbeeld gebonden aan strikte hygiëne- en kwaliteitseisen. Hier zullen ruimtes, oppervlakten en materialen vaker worden gereinigd. De equipment, en dus ook de sensoren, moeten bestand zijn tegen water of een hoge vochtigheidsgraad.

In andere sectoren zijn externe factoren zoals extreem hoge of lage temperaturen, wind, stof, enzovoort mogelijk aanwezig. Dit kan leiden tot problemen wanneer sensoren niet voldoende robuust zijn. Want een sensor die defect is, levert geen betrouwbare data. Sensormodules gemonteerd in een schakelkast, bevinden zich in een vrij stabiele, geconditioneerde, droge ruimte. Ideale omstandigheden om sensoren hun werk te laten doen.

Energiebron

Om informatie te verzamelen en te versturen worden sensoren voorzien van een energiebron. In het verleden gebeurde dit via kabels. Het aanleggen van kabels is echter een tijdrovende en dure aangelegenheid. De laatste jaren hebben draadloze sensoren enorm aan terrein gewonnen. Deze sensoren werken meestal op batterijen. Afhankelijk van het type sensor en de toepassing zal een batterij snel of minder snel leeg zijn. Een keer per dag of iedere vijftig millisconden gegevens versturen is een groot verschil. Wanneer batterijen leeg zijn, zal een monteur deze moeten vervangen want met een lege batterij, geen data.

Een oplossing hiervoor, is energy harvesting, een proces waarbij energie (bijvoorbeeld warmte) uit de directe omgeving wordt onttrokken om de sensor van energie te voorzien. Dit is momenteel nog niet met alle sensoren of in alle situaties mogelijk. Bij sensormodules die in een schakelkast zijn geplaatst, speelt het energieprobleem niet. In een schakelkast kan een sensormodule eenvoudig op het net worden aangesloten.

Installatievoordelen

Een derde voordeel van sensormodules in een schakelkast heeft te maken met installatievoordeel. Motoren of assets waarvan men de conditie wil meten, staan vaak op meerdere locaties verspreid. Tussen motoren van bijvoorbeeld een transportband bij een bagage-afhandelingssysteem is er een enorme afstand. Wil je op iedere afzonderlijke motor sensoren aanbrengen, dan neemt dit veel installatietijd in beslag.

Sensoren op de juiste plek in de asset aanbrengen, is bovendien niet altijd eenvoudig. De positie van bepaalde sensoren luistert heel nauw terwijl andere sensoren juist op moeilijk bereikbare plekken moeten worden geplaatst. Denk aan motoren die zijn geïntegreerd in grotere machines.

Op weer andere locaties is er mogelijk sprake van een ATEX-omgeving. Sensoren zullen hier aan bepaalde ATEX-voorwaarden moeten voldoen. Ook de installatie van de sensoren zelf in deze omgeving vereist extra maatregelen. Het installeren van sensoren in het veld is daardoor vaak moeilijk, omslachtig of duur.

Bij sensormodules in schakelkasten spelen bovengenoemde issues niet. De stroomvoorziening van meerdere assets komt samen op één centrale plek, de schakelkast. Deze wordt indien mogelijk altijd buiten een potentieel explosieve omgeving geplaatst en moet altijd toegankelijk of eenvoudig bereikbaar zijn. De installatiekosten- en tijd kunnen hierdoor enorm worden teruggebracht.  Veel voorbereidingen zoals kabels trekken kunnen bovendien offline gebeuren, waardoor installaties slechts voor een korte periode buiten gebruik moeten worden gesteld.

In de praktijk

Kaak Group, producent van machines voor de bakkerij-industrie en opslagbedrijf Vopak Vlaardingen hebben gekozen voor de optie om te werken met een sensormodule in de schakelkast. Marcel Kool, maintenance manager van Vopak en Marcel Trapman, teamleider iBakeware dat software voor industrie 4.0 bouwt, geven hun bevindingen.

Vopak Vlaardingen

Marcel Kool, Maintenance Engineer bij Vopak: ‘Vopak Vlaardingen slaat producten die per zeeschip binnenkomen tijdelijk op in opslagtanks. Vervolgens wordt het product in trucks of lichtere binnenvaartschepen verder gedistribueerd. Zo’n tweehonderd pompen zorgen op deze locatie voor de verlading. Voor ons is het belangrijk onze equipment beter te monitoren zodat we de service richting klanten kunnen verhogen. We willen de voorspelbaarheid van het onderhoud vergroten.’ Vopak Vlaardingen heeft ervoor gekozen om sensoren niet op de pompen zelf te installeren, maar centraal in een schakelkast. Kool: ‘De pompen zijn niet ver van elkaar gepositioneerd, maar ze zijn wel geïsoleerd waardoor je er niet direct bij kunt, mocht je een sensor willen aanbrengen. ATEX was op onze locatie geen issue, maar zou op andere locaties wel een extra factor zijn waarmee rekening moet worden gehouden.’

Installatie

Vopak is gestart met een pilot op tien pompen. ‘De installatie van de sensormodules in de schakelkast verliep vrij soepel. Er waren geen bijzondere procedures vereist wat veel installatievoordeel heeft opgeleverd. Na het installeren van de modules volgde een periode waarin de machine learning programma’s werden ingewerkt en een nulmeting werd gedaan, een soort uitgangspositie van de pomp.

Vrijwel meteen na deze fase hebben we op basis van de data twee indicaties ontvangen. Het dashboard gaf aan dat er sprake was van een bijna falende pomp. Monteurs hebben deze twee pompen in het veld onderzocht en wat het systeem aangaf, bleek overeen te komen met de bevindingen in het veld. Hierdoor is het vertrouwen in het systeem gegroeid, wat zeker perspectief biedt voor de toekomst.’ Of een uitbreiding naar alle tweehonderd pompen zal gebeuren, is nog te vroeg om te beslissen. ‘We zijn momenteel uitvoerig de betrouwbaarheid en werking van het systeem aan het testen. In een volgende fase kijken we naar het businessmodel, of het voldoende rendabel is om op deze manier de service naar onze klanten te vergroten.’

Een aantal pompen zijn wellicht niet helemaal geschikt voor deze methode. ‘De pompen die we voor de pilot hebben geselecteerd, draaien regelmatig. Een klein aantal pompen op het terrein gebruiken we  slechts sporadisch. Bij deze pompen zou het inleren wat langer duren, gewoonweg door het feit dat ze zo weinig worden gebruikt. Mocht je een businessmodel loslaten op deze pompen, dan is de uitkomst wellicht dat het niet voldoende rendabel is om deze te monitoren, welke sensortechniek je ook kiest. Voor het merendeel van de pompen is conditiemonitoring wel een te overwegen optie.’

Kaak Group

Kaak Group heeft eveneens voor de sensormodule in de schakelkast gekozen. Marcel Trapman is teamleider bij iBakeware, dat software bouwt voor het monitoren en analyseren van de bakkerijlijn en het bakproces: ‘Onze bakkerijlijnen die bij klanten staan, bestaan uit een combinatie van een aantal machines. Er bevinden zich in deze lijnen kritische, grote motoren die op klantspecificatie zijn gebouwd. Gaat zo’n motor op een bepaald moment kapot, dan betekent dit dat de lijn moet worden stilgezet en een levering mogelijk niet kan worden gedaan. Om een lange stilstand te voorkomen, moet een reservemotor op voorraad worden gelegd. Dit is te  voorkomen door motoren te monitoren met behulp van sensoren. Wanneer een afwijking is geconstateerd, kan tijdig een inspectie worden uitgevoerd, kunnen reserveonderdelen worden besteld en kan onderhoud worden ingepland.’

De bakkerijlijnen bevatten momenteel veel verschillende typen sensoren en kunnen maar kunnen, op verzoek van de klant, voorzien worden van optionele sensoren. Een voorbeeld van zo’n optionele sensor is die van Semiotic Labs. ‘We willen de klant op een later moment de keuze kunnen geven of hij aan de hand van data en sensoren de motoren wil monitoren. Voor ons is daarom de mogelijkheid om achteraf op een vrij eenvoudige manier sensoren te plaatsen van groot belang. We hoeven met de sensormodule in de schakelkast überhaupt niet bij de motor te komen. Wij zien het dan ook als toegevoegde waarde voor de klant om het vrij eenvoudig achteraf in te kunnen bouwen. Daarom hebben we voor dit type systeem gekozen.’

Wilt u weten of sensoren in de schakelkast ook voor u toegevoegde waarde hebben? Bekijk onze oplossing, volg ons op LinkedIn of plan een belafspraak.

maart 5, 2019 | Blog

Condition-based maintenance als oplossing voor personeelstekort

Condition-based maintenance, Maintenance personnel

..

De tijd van grote onderhouds teams die in staat zijn om alles continu in de gaten houden binnen een fabriek is voorbij. De krapte op de arbeidsmarkt voor onderhoudstechnici leidt nu al tot openstaande vacatures. Door de vergrijzing zal dit verder toenemen. Ruwe schattingen gaan ervan uit dat maar liefst een kwart van de techneuten binnen 10 jaar met pensioen gaat. Jongeren staan helaas niet te trappelen om hun plek in te nemen. Grote industriële partijen zoeken de oplossing in condition-based maintenance om de schaarse vakmensen efficiënter en doelmatiger in te zetten.

Arbeidsmarkt technici

De opgave waar de industrie voor staat is groot. Hoewel de uitstroom van technische vakmensen door vergrijzing nog aan het begin staat, ondervindt een kwart van de bedrijven in de technologische sector nu al hinder van het tekort aan goed geschoolde mensen. ING berekent in het rapport My Smart Industrie dat om de groeidoelstelling van bedrijven van 4% per jaar tot 2030 te halen, 50 duizend extra mensen nodig zijn. In die periode gaan circa 70 duizend technische vakmensen met pensioen waardoor de sector voor de opgave staat om tot 2030 maar liefst 120 duizend nieuwe mensen aan te trekken.  

Tegenover de grote uitstroom staat een geringe instroom. Uit de jaarlijkse ROVC TechBarometer blijkt dat slechts 8 % van het technisch personeel jonger is dan 30 jaar. Het merendeel, 60%, heeft en leeftijd tussen de 40 en 65 jaar. Als belangrijkste oorzaak van het tekort aan technici wordt de slechte aansluiting van het reguliere onderwijs op het bedrijfsleven genoemd. Daarnaast wijst 23% naar het slechte imago van de technische branche als grote oorzaak. Jongeren voelen er over het algemeen weinig voor een technisch vak te leren, zij vinden het ontwerpen van apps of games veel spannender.  

Bron: ROVC TechBarometer

Op dit moment leidt de krapte aan monteurs al tot onvervulde vacatures en een hoge werkdruk. Grote onderhoudspartijen als ENGIE, SPIE en BAM, leveren onderhoudsdiensten aan bedrijven die de mensen zelf niet in huis hebben. Iedereen vist naar kandidaten in een vijver die steeds kleiner wordt. Waar in het onderwijs wordt geprobeerd de tekorten op te vangen door zij-instromers, ligt dit in de techniek niet direct voor de hand. Om een motor uit elkaar te halen en weer in elkaar te zetten, heb je vakspecifieke  kennis nodig.

Smart monitoring

Bedrijven moeten leren leven met de realiteit dat in de toekomst meer werk moet worden verzet door minder mensen. Dat kan alleen door een nog efficiëntere inzet van vakmensen. Bij het vergroten van de effectiviteit van onderhoudsmonteurs bieden nieuwe technologieën een helpende hand. Het is mogelijk om het meten en controleren van de conditie van bijvoorbeeld rotating equipment door slimme sensoren te laten doen. Zonder sensoren is dit een tijdrovend proces dat nu nog vaak handmatig plaatsvindt

Door deze sensoren te koppelen aan kunstmatige intelligentie ontstaat een systeem dat in staat is 24/7 de conditie van motoren, pompen en transportbanden te meten. Uit de verkregen data worden, met behulp van algoritmen, vroegtijdig afwijkende patronen gesignaleerd. De onderhoudsmonteur krijgt een seintje dat er iets mis is en kan dan gericht actie ondernemen.

De monteur hoeft niet langer uit voorzorg alle motoren te controleren. Hij kan zich richten op die motoren waarmee iets aan de hand is. Hierdoor wordt  zijn efficiëntie hoger en kan hij meer assets monitoren. Hij heeft bovendien meer tijd om te oorzaak van de storing te onderzoeken en na te denken over structurele oplossingen. Dit verhoogt voor specifieke probleemgevallen de betrouwbaarheid en beschikbaarheid van de installatie. Daarnaast weet de planner waar hij de monteurs nodig heeft. Hij kan daardoor effectiever gebruik maken van de schaars beschikbare manuren. Dit zorgt ervoor dat het personeelstekort veroorzaakt door de vergrijzing minder impact zal hebben op bedrijven die gebruik maken van smart monitoring.

Meer weten over hoe monteur en sensor elkaar kunnen aanvullen om betrouwbaarheid en beschikbaarheid te verhogen? Bekijk onze oplossing, volg ons op LinkedIn of plan een belafspraak.

februari 28, 2019 | Blog

How IoT is Changing Manufacturing

Internet of Things

It is estimated that by 2020 there will be over 20 billion connected devices.  By 2030, that number could grow to as many as 500 billion.  Industrial manufacturing is expected to account for as much as 62% of IoT technology deployment. It is changing manufacturing today - and will continue to do so at an ever-increasing pace. Many manufacturers have started their journey into IoT and have begun to realize true value for their operations.  The value can be touted in a financial ROI manner, but “soft cost” savings such as human efficiency should also be understood and publicized.  The key for a successful IoT implementation is the people implementing and using the tools.  Using IoT technology, manufacturing operations can improve their productivity in conjunction with making their employees jobs easier.

Key Areas of Impact Within Manufacturing

Data Availability & Utilization

With the increase in the number of devices gathering information, there is a huge amount of data available.  This data can be used to rapidly make smart decisions on the manufacturing floor.  Certainly, the data display should be restricted to only the most useful insights.  Smart dashboarding can help the manufacturing team meet their goals, as they can adjust throughout the day when they are quantitatively aware of their performance.

When the data is sent to the cloud, it is now available throughout the organization.  This allows offsite personnel and management to view data quickly.   It can save the local group time, as they no longer need to quickly drop everything and generate a report for management.

Once the data is robust, it can be leveraged for advanced analytics.  This can provide deep insights into the manufacturing process.  One of the methods to perform this analysis is through Machine Learning.

Machine Learning

Many decisions can be made autonomously by the machines themselves to optimize production.  These are typically decisions that are difficult to make by humans.  Rather than sifting through mountains of data in spreadsheets, we can use Machine Learning techniques to find the patterns of importance.

The power of Machine Learning is that it relies on empirical data to find conclusions.  The engineers at the factory do not need to derive equations and use theory; they can use real factory conditions to feed the algorithms.

Higher precision in lot monitoring and raw materials can establish the optimal production rates without over or under producing.  The improved efficiency rate can be honed and improved in real time without human intervention.

Data analysis can also yield optimal changeover patterns and suggest the deployment of human assets reducing idle time throughout the factory.  Harley-Davidson used these processes to reduce build-to-order cycles by a factor of 36 with a fully IoT enabled plant.

Supply Chain

IoT technology also enables better traceability for raw materials within the supply chain.  In one recent case, Walmart incorporated IoT with blockchain technology to require manufacturers of food products to supply complete traceability from the retail floor back to the grower.  This allows food retailers to know more quickly which lots must be recalled.

Drones

Drone technology allows for inspection and mapping in hard-to-reach areas.  Companies like Duke Energy are using drones in several ways: inspections on remote and widespread equipment, thermal imaging, and construction tracking.  By using drones, receive more accurate inspection records faster.  They take employees out of potentially dangerous areas, reducing worker risk.  There are also companies using drones to build accurate and up-to-date 3-dimensional models of their facilities.  These models can be used to track construction progress, for training, or troubleshooting an issue.

Digital Twin

The Digital Twin has many meanings, and it can sometimes be confusing.  One potential example builds off the previous discussion on drones.  Once a 3D model of the facility is built, it can be used for troubleshooting.  Imagine a scenario where a steam trap fails in a refinery.  There are potentially thousands of steam traps at the site.  Which steam trap was it, and where should the maintenance technician go?  What if an outside vendor needs to be involved?  This can now be done remotely using the model to quickly locate the position.

Another very different use case of the Digital Twin is in simulation.  In this instance, the Digital Twin is a simulation of the process.  It can then be used to train operators on real scenarios so that they are comfortable reacting to upset conditions.  It can also be potentially used to find opportunities to improve the process.  Operators or engineers can try out scenarios, and determine whether or not they constitute an improvement.

Smart Condition Monitoring

IoT technology is also allowing manufacturers to move toward condition-based predictive maintenance and away from less efficient preventive maintenance schemes.  With older, time-based maintenance programs, service was based on statistical analysis often provided by the OEM for each piece of equipment.  With predictive maintenance, IoT enabled equipment can use real-time data and determine what action needs to be performed to reduce downtime.  One study by Deloitte has found that predictive programs can reduce breakdowns by 75% and reduce maintenance costs by 25% while improving overall factory productivity by 25%.

Central to these predictive maintenance programs are Smart Condition Monitors (SCM).  In a complex manufacturing environment, there are often hundreds, and even thousands of mechanical components and rotating equipment.  This equipment traditionally relied upon vibration sensors and other monitors to detect mechanical failure or variance.  However, using modern smart conditions monitors, sensors are now capable of monitoring assets from within the motor control cabinet.  By detecting failures of AC induction motors and rotating assets at an early stage, SCMs for the development of maintenance strategies to become proactive, saving technician labour time and money.

High-performance SCMs are also plug-and-play, utilizing cloud-based analytics and intuitive dashboard readouts to provide complete maintenance visibility.  Instead of being deployed near the asset, SCMs are part of the motor control cabinet, and be deployed large scale and in tough conditions and still deliver the required actionable data.  The result is a reduction in unplanned downtime, optimized performance of rotating assets, and reduced energy waste.

Mitsubishi began using a smart condition monitoring system in 2017 and operators are now able to monitor rotating equipment status throughout the factory.  The system sends alarms on a predictive basis ahead of impending failure and sends data for recommended actions.

Continued Growth of IoT

As IoT technology scales across manufacturing, its impact is already realized.  At the shop floor level, it is allowing for the monitoring labour utilization, equipment utilization, and quality improvement through connected devices that operate at a rate and accuracy not possible for human analysis.  Combined with predictive analytics, these devices are allowing the realization of a true “Smart factory” in which humans, machines and algorithms empower each other to achieve more.

Semiotic Labs' SAM4 is Smart Condition Monitoring tools for AC induction motors and rotating assets. It is an end-to-end solution that includes sensors, analytics and an online dashboard (or API) that offers actionable information about the health, performance, and energy consumption of connected assets. A starter kit for 10 critical assets is available from €10.000,00.

februari 27, 2019 | Blog

Onderhoud als concurrentievoordeel

Condition-based maintenance, Reliability

In het verleden werd onderhoud vooral gezien als kostenpost: een noodzakelijk kwaad om productie-achterstand te voorkomen. Er gaat wat kapot, het moet gerepareerd worden en dat kost geld. Daarbij had onderhoud vaak een stoffig imago. De werkzaamheden werden regelmatig geassocieerd met vuil en onaangenaam werk. Het kiezen voor een baan in maintenance was niet bepaald sexy.

Positieve kijk

Nieuwe technieken en onderhoudsstrategieën hebben geleid tot een andere, meer positieve kijk. Goed onderhoud draagt namelijk bij aan een hoge mate van beschikbaarheid van kritieke assets. Vindt onderhoud op het juiste moment plaats, dan kan het de productie en dus de winst verhogen.

Van data naar waardevolle informatie

Op het juiste moment onderhoud uitvoeren, wordt mogelijk dankzij een goed datamanagement. Machines genereren steeds meer data: denk aan gegevens over temperatuur, druk of drukverschillen, trillingen, spanning, CO2-gehalte, snelheden, geluid, enzovoort. Maar met deze data an sich kun je als bedrijf vrij weinig. Echter, wordt deze op de juiste manier gebruikt, dan veranderen data in waardevolle informatie. Het falen van een machine of onderdeel kan dan worden voorspeld. Dit heeft meerdere positieve effecten op de organisatie. Ten eerste is er meer inzicht in de machines. Ten tweede kan een organisatie vervangonderdelen tijdig bestellen. En ten derde kan in samenspraak met de productie een strategisch slim onderhoudsplan worden opgesteld. Onderhoud wordt daardoor niet langer gezien als een kostenpost, maar biedt een werkelijk ‘competitive advantage’.

Draagvlak creëren

Condition-based maintenance toepassen als onderhoudsstrategie doe je echter niet van de ene dag op de andere. Je zal als bedrijf eerst draagvlak moeten creëren binnen de volledige organisatie.

Er zijn plug-and-play oplossingen die je gemakkelijk kunt kopen en installeren, maar de organisatie zal er ook mee moeten leren werken. Zo zullen de productie- en onderhoudsprocessen mogelijk op een andere manier moeten worden ingericht. En productie, IT en maintenance zullen wellicht veel meer moeten samenwerken. Een implementatie van condition-based maintenance gebeurt daarom vaak stapsgewijs. Werknemers kunnen aan een nieuwe aanpak wennen en het verandertraject blijft overzichtelijk.

Laaghangend fruit eerst

De eerste belangrijke stap is het in kaart te brengen van welke assets kritisch zijn en een hoge beschikbaarheid vereisen. Ook het type, de hoeveelheid storingen en de impact ervan op de productie en op het bedrijf (zoals financiële impact) moeten inzichtelijk worden. Op die manier krijgt een bedrijf een nauwkeurig beeld van het machinepark, de faalvormen en weet men waar de grootste winst is te behalen.

Vervolgens bepaalt een bedrijf welke asset het eerste wordt aangepakt. Voor deze asset wordt bepaald welke data noodzakelijk zijn om storingen te kunnen voorspellen. Om meer draagvlak te creëren kiest het bedrijf bij voorkeur voor een asset waarbij het vrij eenvoudig is om snel successen te boeken. Meteen successen boeken, betekent een brede acceptatie in de organisatie. Het smaakt naar meer.

Cultuuromslag

Maintenance managers zullen moeten accepteren dat ze onderhoud moeten uitvoeren op basis van wat de data voorspellen, ook al zegt hun intuïtie soms iets anders.  Ze zullen moeten vertrouwen op data. Door klein te beginnen en meteen successen te boeken, groeit dit vertrouwen. Men begrijpt steeds beter welke voordelen condition-based onderhoud biedt voor de organisatie. Onderhoud is dan geen kostenpost meer, maar biedt competitive advantage.

Meer weten over hoe onderhoud kan leiden tot een concurrentievoordeel? Bekijk onze oplossing, volg ons op LinkedIn of plan een belafspraak.

februari 25, 2019 | Blog

Monteur en sensor: een onverslaanbaar duo

Maintenance personnel, Sensor

Een volledige beschikbaarheid en betrouwbaarheid van machines is voor veel bedrijven van cruciaal belang. Storingen als gevolg van een kapotte elektromotor komen niet vaak voor, maar uitval van een compressor of pomp kan grote financiële gevolgen hebben. Er wordt dan ook veel tijd en geld besteed aan preventief onderhoud. De hiervoor benodigde technische vakmensen worden echter schaars en duur. Door de vakmensen te ondersteunen met sensoren gekoppeld aan kunstmatige intelligentie, kunnen monteurs veel efficiënter en gerichter worden ingezet.

De sensor kan veel routinematige klussen van de monteur overnemen. Met sensoren is het mogelijk de conditie van elektromotoren in pompen, compressoren en transportbanden 24/7 te meten en te monitoren. Dit is voor een onderhoudsmonteur onmogelijk. Door de sensor het eerste signaal te laten geven wanneer een asset stuk gaat, kan de monteur veel controlewerkzaamheden en overbodig werk uit handen geven en zich concentreren op die motoren waarvan hij weet dat er iets mee aan de hand is.

Condition-based maintenance

Bij gebrek aan informatie over de actuele conditie van assets is periodiek onderhoud de meest gebruikte onderhoud-strategie. Time-based maintenance is er op gericht werkzaamheden ruim voordat dit nodig is, uit te voeren om een mogelijk falen van motoren uit te sluiten. Op deze manier wordt het meeste onderhoud veel te vroeg én veel te vaak uitgevoerd. In veel industrieën neemt het tekort aan technici toe: binnen vijf jaar gaat tussen de 20% en 40% van de techneuten met pensioen. Dit maakt een tijdgebaseerde onderhoudsstrategie niet langer haalbaar. Conditie monitoring als basis voor condition-based maintenance stelt bedrijven in staat om ongeplande stilstand te voorkomen door tijdig schade te signaleren en zo onderhoudswerkzaamheden efficiënt uit te voeren: grijp in voordat machines uitvallen of bij afnemende prestaties, maar niet eerder.

Uitdagender werk

Voor de onderhoudsmonteur leidt de samenwerking met sensoren niet tot minder, maar wel tot uitdagender werk. In Nederland staan ongeveer 5 miljoen industriële elektromotoren. Grote industriële bedrijven hebben soms wel 10.000 motoren, pompen en transportbanden op hun terrein. In de praktijk worden de meest kritische motoren periodiek geïnspecteerd. Niet omdat ze vaak falen, maar omdat de kosten van een incident erg hoog zijn. De monteur inspecteert de machine vaak terwijl er niets aan de hand is. Sensoren kunnen die eerste controle overnemen.

Op die manier ondersteunen sensoren de vakman door aan te wijzen naar welke machines hij moet kijken. De geoefende blik van de vakman ziet veel meer dan een sensor kan zien. Nog belangrijker is dat de monteur de oorzaak kan achterhalen en structurele verbeteringen kan voorstellen. De schade oplossen is mooi, maar voorkomen is nog beter. Dat is lastig wanneer je 20 tot 30 machines per dag moet controleren, maar het lukt wel bij 3 of 4 machines die je gericht inspecteert.  

Monitored Assets per Professional

Terwijl industrieën groeien en hun processen opschalen, is de onderhoudsmonteur niet schaalbaar. Er is nu al een tekort aan vakmensen en door de vergrijzing zal dit probleem groeien. Het is dus zaak om de productiviteit van de vakman, uitgedrukt in de monitored assets per professional, te verhogen.

Een specialist die 30 motoren per dag moet doen en één keer per maand of kwartaal naar een machine gaat, kan zo’n 1300 tot 1500 motoren onder zijn hoede hebben. Dan heeft hij per motor ongeveer 12 minuten, rekening houdend met reistijd, lunchtijd en andere zaken. Door tijdsdruk is het voor de monteur lastig om hoogwaardig werk af te leveren.

Op het moment dat je hem ondersteunt door technologie, en hij niet routineus 30 motoren afloopt, kan dezelfde monteur 6000 tot 8000 assets onder zijn hoede hebben. Hij is minder tijd kwijt aan motoren waar niets mee aan de hand is en heeft meer tijd voor individuele assets en kan zo beter de oorzaak van de storing bepalen. Hij kan dan per asset beter werk leveren.

Mensen die machines onderhouden en repareren zullen altijd nodig blijven.  Er wordt veel verwacht van robotisering maar het vervangen en onderhouden van een elektromotor zal de komende jaren niet door robots gebeuren.  Technologie kan er wel voor zorgen dat vakmensen efficiënter en slimmer kunnen werken. De monteur en de sensor vormen zo een onverslaanbaar duo!

Meer weten over hoe monteur en sensor elkaar kunnen aanvullen om betrouwbaarheid en beschikbaarheid te verhogen? Bekijk onze oplossing, volg ons op LinkedIn of plan een belafspraak.