Ongeplande stilstand blijft een van de duurste uitdagingen in sectoren met veel bedrijfsmiddelen. Uit een onderzoek van Siemens blijkt dat ongeplande stilstand grote bedrijven 11% van hun omzet kost. In totaal komt dat neer op ongeveer $ 1,4 biljoen jaarlijks.
Stel je eens voor dat deze uitval bij jouw organisatie urenlang of zelfs een hele dag zou duren. Dat zou je miljoenen dollars kosten. Hoewel veel bedrijven proberen deze problemen op te lossen, blijven ze bestaan omdat de aandacht vooral uitgaat naar het oplossen van het directe probleem.
Root Cause Analysis (RCA) vult deze leemte aan door middel van een gestructureerde, datagestuurde aanpak. Hiermee kunnen professionals de overstap maken van reactief onderhoud naar proactief onderhoud. In deze gids komt u alles te weten over RCA, van wat het precies is tot hoe het wordt toegepast, met name in omgevingen met veel bedrijfsmiddelen.
Wat is een oorzaakanalyse (RCA)?
Oorzaakanalyse is een gestructureerd proces waarbij de onderliggende oorzaak van storingen wordt vastgesteld. In plaats van alleen naar het oppervlakkige probleem te kijken, stelt het je in staat om dieper te graven en te onderzoeken wat de oorzaak is, zodat je kunt voorkomen dat hetzelfde probleem zich opnieuw voordoet.
Stel je een fabriek voor de productie van voedingsmiddelen en dranken voor waar tijdens het bottelen regelmatig storingen in de productielijn optreden. Laten we aannemen dat het onderhoudsteam de lijn elke keer dat er een storing optreedt, opnieuw opstart. Hierdoor komt de productielijn weer op gang, maar het probleem doet zich om de paar dagen opnieuw voor. In eerste instantie lijkt dit een eenvoudige mechanische storing. Door een RCA uit te voeren, kan het onderliggende probleem echter aan het licht komen.
Wanneer het onderhoudsteam bijvoorbeeld gebruikmaakt van RCA, kan het aan het licht brengen dat het probleem niet in de machine zelf ligt. Het ligt veeleer aan afwijkende flesafmetingen uit een bepaalde leverancierspartij. Dit leidt tot afwijkingen in het vul- en afsluitproces, waardoor de machine automatisch wordt uitgeschakeld om defecten te voorkomen.
Het onderhoudsteam richtte zich hier aanvankelijk op de prestaties van de machines, het engineeringteam stelde afwijkingen in de toleranties vast en het inkoopteam kon het probleem met behulp van een oorzaakanalyse herleiden tot variaties bij de leverancier.
Dankzij effectieve RCA kunnen bedrijven:
● Hierdoor kunnen ze herhaalde storingen terugdringen
● Bedrijven kunnen de betrouwbaarheid van hun bedrijfsmiddelen verbeteren en tegelijkertijd stabiliteit brengen in alle bedrijfsactiviteiten
● De onderhoudsplanning verbeteren
Op het gebied van onderhoud en bedrijfsvoering ligt de nadruk op het in kaart brengen van de reeks gebeurtenissen en de bijdragende factoren die leiden tot storingen aan apparatuur, afwijkingen in het proces of kwaliteitsproblemen.
Er zijn tal van aspecten, variërend van het analyseren van storingsgegevens tot het controleren van de onderhoudsgeschiedenis. Ze helpen allemaal om problemen tot aan de bron te traceren. Hoewel de nadruk vooral ligt op het oplossen van problemen, reikt de analyse van de onderliggende oorzaak verder dan dat. Het gaat om betrouwbaarheid op de lange termijn door het systematisch verhelpen van problemen.
Hier volgen enkele voorbeelden van hoe nuttig een analyse van de onderliggende oorzaak kan zijn:
| Foutmodus | Directe oorzaak | Oorzaak | Correctieve maatregelen |
|---|---|---|---|
| Lagerstoring | Oververhitting | Het was een ontoereikende smeerplan dat de oorzaak was van oververhitting |
De manager kan herzien preventief onderhoud intervallen om te voorkomen dat dit |
| Lek in de afdichting | Materiaalaantasting | De directie het team koos het verkeerde materiaal op basis van de bedrijfsomstandigheden |
Het materiaal wijzigen en de specificatie van het onderdeel bijwerken |
| Autoreis | Elektrische overbelasting | De lading was niet wordt verspreid op gepaste wijze |
Bedrijven kunnen systeem voor herverdeling laden |
Naast storingen aan apparatuur is RCA ook toepasbaar op inefficiënties in processen en problemen in de toeleveringsketen. Soms kunnen deze storingen elkaar overlappen. Zo kunnen inefficiënties in processen bijvoorbeeld leiden tot storingen aan apparatuur en gevolgen hebben voor de toeleveringsketen. Een analyse van de onderliggende oorzaak biedt het juiste kader om deze verbanden te leggen en de werkelijke oorzaak van het probleem te achterhalen.
Uitleg over gangbare RCA-methodieken
Een analyse van de onderliggende oorzaken kan worden uitgevoerd aan de hand van verschillende methoden en benaderingen, waaronder de volgende:
De ‘5 waarom’-techniek
Zoals de naam al aangeeft, draait deze methode volledig om het stellen van ‘waarom’-vragen, en wel vijf keer. Hierdoor kun je de onderliggende oorzaak van een probleem blootleggen door herhaaldelijk ‘waarom’ te vragen totdat je tot de kern van de zaak bent doorgedrongen. Door de antwoorden op al deze ‘waarom’-vragen met elkaar in verband te brengen, krijg je een duidelijk beeld van het onderliggende probleem.
Hoewel het een eenvoudige aanpak is, kan deze effectief zijn wanneer deze wordt toegepast in combinatie met een gestructureerde vragenreeks en gegevensvalidatie. Zo moet elk van uw antwoorden op de vraag „waarom” worden onderbouwd met historische gegevens, inspectierapporten, onderhoudsplannen en bedrijfsomstandigheden.
Een eenvoudig voorbeeld is dat Verdantis je helpt de onderliggende oorzaak van een lagerdefect op te sporen. Met de tools van Verdantis kun je loggegevens bijhouden voor elk bedrijfsmiddel, reserveonderdeel, werkorder en nog veel meer. Je kunt deze gegevens gebruiken om relevante vragen te stellen en zo het mogelijke probleem vast te stellen. In dat geval,
Dit zijn de vijf vragen en antwoorden die je hier kunt vinden:
Waarom is het lager defect geraakt? -> Vanwege de gemeten te hoge temperatuur (sensorgegevens)
Waarom was de temperatuur zo hoog? -> Smeringsstoring (inspectierapport)
Waarom is de smering uitgevallen? -> Het smeervet begon na het onderhoudsinterval (PM-logboeken) te verslechteren
Waarom werd de interval overschreden? -> PM-schema niet geactiveerd (CMMS-tekortkoming)
Waarom werd het niet geactiveerd? -> Dit werd verhinderd door een onjuiste configuratie van de activahiërarchie
Aangezien dit een sterk vereenvoudigde benadering van storingen is, werkt deze het beste bij standaardproblemen waarbij niet meerdere factoren tegelijkertijd op elkaar inwerken.
Deze methode komt het best tot zijn recht wanneer het storingsverloop duidelijk is en u snel de hoofdoorzaak wilt achterhalen. U kunt deze methode bijvoorbeeld toepassen bij herhaaldelijke lagerstoringen als gevolg van niet-nageleefde smeerschema’s, oververhitting van de transportbandmotor door onjuiste belasting, of lekkage van kleppen door onjuiste montage van afdichtingen.
Visgraatdiagram
Deze methode, ook wel bekend als het Ishikawa- of oorzaak-gevolgdiagram, werkt door de oorzaken van een probleem in verschillende deeloorzaken in te delen. Dit kunnen materialen, personeel, methoden, de omgeving, metingen of andere deeloorzaken zijn. De naam van deze methode is afgeleid van de structuur ervan, die lijkt op een visgraat. Bovendien was Kaoru Ishikawa de grondlegger van dit concept. Vandaar de alternatieve naam.
Het gaat verder dan lineair denken doordat het je in staat stelt verschillende factoren uit diverse domeinen in categorieën in te delen.
De RCA-methodiek met behulp van het visgraatdiagram is het meest geschikt voor problemen met meerdere oorzaken. Dit kan bijvoorbeeld het geval zijn wanneer uw onderhouds- en inkoopteams moeten samenwerken om de hoofdoorzaak te achterhalen. Een eenvoudig voorbeeld hiervan zijn defecten aan pompafdichtingen die te maken hebben met materiaalkwaliteit, installatie en bedrijfsomstandigheden. Op dezelfde manier kunt u deze methode ook toepassen wanneer de inefficiëntie van een ketel verband houdt met brandstofkwaliteit, onderhoudsachterstanden en omgevingsfactoren.
Foutboomanalyse
Net als bij het visgraatdiagram is de naam van de foutboomanalyse afgeleid van de structuur ervan. Het is een deductieve, op logica gebaseerde methode waarmee wordt gemodelleerd hoe meerdere storingen samen een gebeurtenis op het hoogste niveau veroorzaken.
Je kunt deze methode het beste gebruiken bij het analyseren van de hoofdoorzaak van storingen op systeemniveau. Deze methode is het meest geschikt voor dergelijke scenario’s, omdat hiermee problemen op hoog niveau worden opgesplitst in bijdragende storingen op lager niveau.
Deze methode maakt gebruik van Booleaanse logica. Bij de OR-poort kan elke invoer een storing veroorzaken, terwijl bij de AND-poort alle invoeren tegelijkertijd moeten plaatsvinden. Met deze logica kan de storingskans worden gekwantificeerd wanneer de storingspercentages bekend zijn.
Hier is een voorbeeld:
Belangrijkste gebeurtenis: Uitschakeling van de compressor
Mechanische storing (OF)
Lagerstoring
Rotorstoring
Controlefout (AND)
Sensorstoring
Fout in de besturingslogica
Een foutboomanalyse is bij uitstek geschikt om de onderliggende oorzaak van storingen in complexe systemen vast te stellen. Deze analyse is nuttig wanneer storingen betrekking hebben op onderling afhankelijke systemen en een logische weergave vereisen. Voorbeelden hiervan zijn storingen in het HVAC-systeem, het uitschakelen van een compressor, het in werking treden van een turbinebeveiliging, enzovoort.
Foutmodi- en effectanalyse (FMEA)
In plaats van te reageren op een probleem, gaat het bij deze methode om het proactief opsporen van mogelijke storingen. FMEA wordt vaak gebruikt om storingen binnen een bepaald systeem op te sporen. Bedrijven passen deze methodiek dan ook toe om een RCA uit te voeren telkens wanneer er een nieuw proces of product wordt geïntroduceerd. Als proactieve methode stelt FMEA ook prioriteiten bij risico’s en voorkomt het problemen door de ernst of waarschijnlijkheid ervan in te schatten.
Daarnaast wordt vastgesteld hoe vaak een storing zich voordoet en welke maatregelen je moet nemen om deze te voorkomen. Ook wordt aangegeven welke maatregelen effectief zijn gebleken om te voorkomen dat de storing zich opnieuw voordoet. FMEA is bijzonder nuttig wanneer deze worden gecombineerd met betrouwbaarheidsindicatoren zoals de gemiddelde tijd tussen storingen (MTBF) en storingsverdelingen.
FMEA is het meest geschikt voor scenario’s waarin sprake is van meerdere storingen en waarin risico’s moeten worden geprioriteerd. Als u bijvoorbeeld de storingsrisico’s van cruciale reserveonderdelen of apparatuur wilt beoordelen, kunt u vertrouwen op FMEA.
Pareto-analyse
De naam van deze methode is afgeleid van de Italiaanse econoom Vilfredo Pareto. Het betreft een eenvoudig staafdiagram waarin storingsgegevens worden weergegeven in aflopende volgorde van frequentie of impact. Op die manier helpt deze methode voor oorzaakanalyse om de belangrijkste problemen te identificeren. Samen geven deze problemen een duidelijk beeld van de meest terugkerende storingen en hoe deze met elkaar samenhangen.
Zo kunnen bijvoorbeeld inputgegevens, zoals de bijdrage van elk bedrijfsmiddel aan de stilstandtijd, de onderhoudskosten per storing en het aantal storingen per type, inzichten opleveren, zoals dat 20% aan bedrijfsmiddelen verantwoordelijk is voor 75% aan stilstandtijd.
Dankzij dergelijke inzichten kan het managementteam de inspanningen op het gebied van oorzaakanalyse richten op die gebieden waar ze het grootste effect kunnen sorteren. Bovendien kunnen ze de voortgang volgen door te kijken hoe een balk in de loop van de tijd korter wordt.
Stel je het volgende scenario voor: je voert een RCA uit om inzicht te krijgen in de onderhoudskosten van de reserveonderdelen die worden gebruikt in de apparatuur van je mijnbouwbedrijf. Hiervoor analyseer je de gegevens van de afgelopen 12 maanden. Uit de analyse komen de volgende patronen naar voren:
● Lagers zijn de oorzaak van 35% storingen
● Afdichtingen veroorzaken 25%
● Filters veroorzaken 15%
● Overige oorzaken: 25%
Het belangrijkste inzicht hier is dat lagers en afdichtingen verantwoordelijk zijn voor 60% van alle storingen. Op basis hiervan weet u waar u uw RCA-inspanningen op moet richten.
De Pareto-analyse is bedoeld voor problemen die vaak voorkomen of een hoog risico inhouden. Stel bijvoorbeeld dat een transportband regelmatig defect raakt. In dat geval kunnen meerdere problemen met reserveonderdelen hieraan bijdragen. Je wilt echter weten welk reserveonderdeel het meest bijdraagt aan de stilstandtijd. Ook bij het vaststellen van de belangrijkste oorzaken van storingen bij meerdere bedrijfsmiddelen of bij het analyseren van onderhoudskosten per type apparatuur is de Pareto-analyse nuttig.
Spreidingsdiagram
Zie een spreidingsdiagram als een tweedimensionale grafiek. De waarden van verschillende numerieke variabelen worden weergegeven door middel van stippen. De positie van deze stippen op de X- en Y-as geeft de relatie tussen twee variabelen weer. Dankzij deze weergave kunnen organisaties verbanden tussen oorzaken en gevolgen in beeld brengen.
Je kunt ook spreidingsdiagrammen in combinatie met regressieanalyse gebruiken om verbanden te kwantificeren. Voorbeelden waarbij deze RCA-methodiek kan worden toegepast, zijn onder meer het vaststellen van verbanden en vergelijkingen tussen trillingsamplitude en het uitvalpercentage van lagers, of tussen belasting en motortemperatuur.
De methode met het spreidingsdiagram is het meest geschikt voor correlatieanalyse. Een typisch toepassingsvoorbeeld is het in kaart brengen van het verband tussen leverancierspartijen en uitvalpercentages, of tussen belasting en uitvaltrends. U kunt voor deze optie kiezen wanneer u een verband tussen variabelen vermoedt, maar de gegevens eerst nog moet valideren.
RCA koppelen aan CMMS- en werkordergegevens
Voor het analyseren van de onderliggende oorzaken in sectoren met veel vaste activa, zoals de mijnbouw, de nutsbedrijven en de olie- en energiesector, is ondersteuning door hoogwaardige gegevens vereist. Het verzamelen en benutten van kwalitatief hoogwaardige gegevens vormt voor veel bedrijven echter een grote uitdaging.
Volgens onze enquête Van de 1.900 topmanagers in deze sectoren wezen 51% op problemen met de gegevenskwaliteit binnen MRO-activiteiten. Daarnaast noemden 49% inconsistenties in de stamgegevens van leveranciers.
Een betrouwbaar geautomatiseerd onderhoudsbeheersysteem (CMMS) vormt de belangrijkste gegevensbasis voor het achterhalen van de onderliggende oorzaak door middel van betrouwbare leveranciersstamgegevens. De effectiviteit van RCA hangt rechtstreeks af van de kwaliteit, de structuur en de volledigheid van de onderhoudsgegevens die in het CMMS zijn vastgelegd.
Een CMMS kan bijvoorbeeld gegevens leveren zoals hiërarchieën van bedrijfsmiddelen, onderhoudslogboeken, storingscodesystemen, het bijhouden van storingsgeschiedenis en nog veel meer. Het systeem structureert al deze gegevens bovendien zodanig dat ze klaar zijn voor RCA.
In de onderstaande tabel wordt het verband weergegeven tussen CMMS-gegevens en RCA-resultaten:
| CMMS-gegevensveld | Voorbeeld | Relevantie van RCA | Verkregen inzichten |
|---|---|---|---|
| Asset-ID | Pomp – 102 | Het geeft een overzicht van de storingslocatie |
Dit helpt bij het bijhouden van storingsfrequentie en clustering |
| Foutcode | Lek in de afdichting | Classificatie van storingen is gestandaardiseerd |
Hiermee kun je patronen maken erkenning |
| Opmerkingen bij de werkopdracht | De afdichting is ongelijkmatig versleten | Bedrijven krijgen contextuele aanwijzingen hiermee |
Deze gegevens ondersteunen validatie van een hypothese |
| Duur van de stilstand | 3,5 uur | De gegevens geven de gevolgen van een storing |
Helpt bij het stellen van prioriteiten ernstige storingen |
| Type onderhoud | Correctief |
Geeft de onderhoudsstrategie aan |
Reactieve hoogtepunten trends |
Zonder deze gestructureerde gegevens wordt de analyse van de onderliggende oorzaak eerder anekdotisch dan analytisch.
Binnen een CMMS zijn de gegevens van werkorders het meest bruikbaar en toepasbaar voor RCA. Hierin wordt niet alleen vastgelegd wat er defect is geraakt, maar ook hoe het defect is verholpen. Deze historische gegevens vormen de basis voor een analyse van de onderliggende oorzaak van veelvoorkomende storingen.
Het maakt zelfs automatisering binnen RCA mogelijk. Het management kan bijvoorbeeld triggers instellen om het proces te automatiseren op basis van het aantal storingen, welke gegevens moeten worden gebruikt, enzovoort. Dus telkens wanneer het CMMS bijvoorbeeld voor de vijfde keer een storing aan een bepaald apparaat registreert, wordt er een geautomatiseerde oorzaakanalyse in gang gezet.
Naast het ondersteunen van automatisering biedt CMMS-integratie ook een stappenplan om de inzichten uit RCA toe te passen bij de onderhoudsplanning. Zodra de hoofdoorzaak is vastgesteld, kunnen managers de bevindingen integreren in de uitvoering van het onderhoud.
Zo kunnen ze bijvoorbeeld preventief onderhoud, werkplannen en de verfijning van de strategie voor bedrijfsmiddelen optimaliseren. Daarnaast kunnen ze ook de relevante reserveonderdelen op een rij zetten met MRO-processen voor snel onderhoud.
Hoe RCA verschillende afdelingen met elkaar verbindt
Een van de grootste uitdagingen bij het achterhalen van de onderliggende oorzaak in een kapitaalintensieve sector is het feit dat de verantwoordelijkheid over de afdelingen heen wordt afgeschoven.
Laten we eens kijken naar een eenvoudig voorbeeld van een fabriek waar een storing optreedt in een geautomatiseerde productielijn. In dit geval zouden de meesten denken dat dit te wijten is aan een storing in het automatiseringssysteem (IT-team) of aan een mechanische storing. Om het probleem op te lossen, zou het onderhoudsteam de prestaties van de geautomatiseerde productielijn controleren, terwijl het IT-team de code zou nakijken om te voorkomen dat het probleem zich opnieuw voordoet.
Dan zou het schuldspelletje beginnen. Het IT-team zou de onderhoudsmedewerkers de schuld kunnen geven dat ze hun werk niet goed doen, en omgekeerd.
Een analyse van de onderliggende oorzaken waarbij verschillende afdelingen worden betrokken, zou echter een ander beeld opleveren. Zo zou het onderhoudsteam bijvoorbeeld kunnen vaststellen dat er regelmatig sensoren uitvallen. Daarnaast zou het engineeringteam erachter kunnen komen dat er geen ontwerpfout is, maar dat de gevoeligheid van het systeem te hoog is.
Het inkoopteam kan hierover meer informatie verschaffen en aangeven dat de sensoren die deze keer zijn aangeschaft, afkomstig waren van een nieuwe leverancier met enkele afwijkingen in de specificaties. Op basis van deze aanvullende informatie van het supply chain-team kan het IT-team tot de conclusie komen dat het besturingssysteem de laatste tijd niet is bijgewerkt om rekening te houden met de aangepaste tolerantiedrempels.
Dit zou betekenen dat er in al deze afdelingen veranderingen nodig zijn. Zodra deze veranderingen zijn doorgevoerd, zal het operationele team de productie kunnen versnellen en aan de vraag kunnen voldoen.
RCA stimuleert gezamenlijk brainstormen in plaats van het vormen van geïsoleerde aannames. Dit biedt een gestructureerde aanpak voor verschillende teams. Of het nu gaat om een supply chain-manager, een leidinggevende van de IT-afdeling, een onderhoudsmedewerker of een operationeel manager: iedereen kan samenwerken om het probleem snel op te lossen.
De rol van AI in moderne RCA
Traditionele, handmatige RCA-benaderingen zijn sterk afhankelijk van handmatig onderzoek, het oordeel van deskundigen en beperkte datasets. Deze werkwijze kan nog steeds effectief zijn bij geïsoleerde of eenvoudige storingen. In de MRO-sector stuit deze aanpak echter op beperkingen, omdat storingen daar door meerdere variabelen worden beïnvloed.
Kunstmatige intelligentie (AI) kan deze kloof overbruggen door middel van grootschalige patroonherkenning en geautomatiseerde correlatie tussen diverse gegevensbronnen.
AI-modellen kunnen historische werkorders, sensorgegevens en storingsrapporten analyseren om verbanden te leggen tussen variabelen die storingen veroorzaken. Dit biedt een snellere en nauwkeurigere manier om de hoofdoorzaak van een storing of defect te achterhalen. Met kwalitatief hoogwaardige gegevens waarop ze kunnen leren, kunnen AI-modellen bovendien de werkprocessen voor hoofdoorzaakanalyse automatiseren.
Wat AI-gebaseerde en geautomatiseerde oorzaakanalyse nog waardevoller maakt, is de integratie met andere technologieën. Zo kan deze bijvoorbeeld worden geïntegreerd met het Internet of Things (IoT) en augmented reality om gegevens rechtstreeks bij de bron te verzamelen en hiervan een visuele weergave te maken.
Naarmate deze connectiviteit toeneemt, kun je dankzij AI voorspellende analyses uitvoeren. Dankzij voortdurende gegevensinvoer en feedback kunnen machine learning-modellen normaal gedrag leren herkennen, afwijkingen opsporen, verbanden leggen tussen gebeurtenissen in verschillende systemen en de meest waarschijnlijke oorzaak van een probleem aangeven voordat dit ernstige gevolgen krijgt.
| Aspect | Voorbeeld | AI-gestuurde RCA |
|---|---|---|
| Reikwijdte van de gegevens | Beperkt, op steekproeven gebaseerd |
Grootschalig, uit meerdere bronnen afkomstig datasets |
| Analysesnelheid | Tijdrovend | Geautomatiseerd, bijna in realtime |
| Patroonherkenning | Ervaringsgericht |
Op een algoritme gebaseerd patroon erkenning |
| Nauwkeurigheid van de hoofdoorzaak | Variabele |
Beter dankzij gevalideerde gegevensmodellen |
| Schaalbaarheid | Beperkt tot specifieke gevallen |
Schaalbaar voor alle activa en locaties |
Hier volgt een voorbeeld om je een beter inzicht te geven in de impact van AI. Stel dat een bedrijf op meerdere locaties regelmatig te maken heeft met storingen aan centrifugaalpompen. Onderhoudsteams hebben geprobeerd het acute probleem op te lossen door waaiers en afdichtingen te vervangen, maar de storingen blijven zich voordoen. In de onderstaande tabel wordt uitgelegd hoe AI in een dergelijke situatie kan helpen.
| Podium | Gegevensbron | Door AI aangestuurde RCA-uitkomst | MRO-impact |
|---|---|---|---|
| Foutdetectie | CMMS-werkorders normale pomp weergeven tekortkomingen |
Het AI-systeem zal patronen herkennen over meerdere activa heen en locaties. |
Belangrijkste punten (systematisch) problemen, geen op zichzelf staande gevallen tekortkomingen |
| Gegevenscorrelatie |
Werkorders + sensorgegevens |
In tegenstelling tot traditionele RCA, waar uw IT Het team moet het logboek doornemen gegevens om de want AI-modellen kunnen trillingen met elkaar in verband brengen spikes met specifieke bedrijfsomstandigheden. |
Hiermee wordt vastgesteld storingstriggers snel. |
| Onderdelenanalyse | Voorraad + inkoopgegevens |
Aanbiedingen van Manual RCA beperkt aantal leveranciers vergelijking, maar AI links met een hoger uitvalpercentage tarieven voor specifieke leverancier van waaiers partijen. |
Het markeert een leverancier kwaliteitsprobleem. |
| Oorzaak identificatie |
Technische analyse | AI gaat verder dan zich uitsluitend richten op mechanische storingen om een combinatie van defect waaierschoep materiaal en bedrijfsbelasting omstandigheden in de pomp tekortkomingen. |
Je kunt vaststellen de verbinding tussen de onderdelen, activiteiten, en leveranciers. |
| Actie aanbeveling |
NA |
De geautomatiseerde RCA de tool kan een voorstel doen voor een verandering van leverancier, bijgewerkt materiaal specificaties, en herziene bedrijfsvoering grenzen aan de ondersteuning besluitvorming. |
Hierdoor worden herhaalde storingen voorkomen. |
| Voortdurende monitoring | Periodieke evaluatie en feedback |
Alleen traditionele RCA-aansluitingen |
Je kunt contact opnemen met onderhoudsplannen door middel van een preventieve aanpak. |
Zakelijke impact van effectieve RCA
Wanneer bedrijven op effectieve wijze een analyse van de onderliggende oorzaken uitvoeren, kan dit een aanzienlijke invloed hebben op hun onderhouds- en storingspercentages.
Minder herhaalde storingen
Aangezien RCA voornamelijk wordt toegepast bij MRO-storingen, is het geen verrassing dat het meest meetbare resultaat ervan een afname van het aantal herhaalde storingen is. Zonder analyse van de onderliggende oorzaak proberen bedrijven deze storingen op te lossen door onderdelen te vervangen. Dit biedt een oplossing op korte termijn, maar de storing doet zich na verloop van tijd opnieuw voor.
Lagere onderhoudskosten
De onderhoudskosten worden opgedreven door kortetermijnoplossingen, reactieve ingrepen, noodreparaties en overmatig verbruik van reserveonderdelen. Aangezien RCA het onderliggende probleem aan het licht brengt, worden er op basis van nauwkeurige inzichten oplossingen bedacht die het probleem op de lange termijn aanpakken. Bovendien zorgt een datagestuurde, geautomatiseerde analyse van de onderliggende oorzaak ervoor dat onderhoud niet langer reactief plaatsvindt, maar gepland en geoptimaliseerd wordt uitgevoerd.
Verbeterde bedrijfstijd en beschikbaarheid van bedrijfsmiddelen
Wanneer er storingen en defecten optreden, neemt de uptime toe. Nadat de hoofdoorzaak van een probleem is verholpen, profiteren bedrijven van een beter beheer van hun bedrijfsmiddelen en een betere beschikbaarheid, waardoor ongeplande stilstand wordt teruggedrongen. Daarnaast zorgt geautomatiseerde analyse van de hoofdoorzaak ook voor een langere gemiddelde tijd tussen storingen en een kortere gemiddelde reparatietijd, waardoor de onderhoudskosten dalen.
Verbeterde veiligheid en naleving
In kapitaalintensieve sectoren zoals de olie- en mijnbouwsector, de nutssector en de verwerkende industrie kan een machinebreuk leiden tot een gevaarlijke werkomgeving. Zo kan defecte apparatuur bijvoorbeeld op iemand vallen en dodelijk letsel veroorzaken.
RCA draagt bij aan de veiligheid en naleving door:
● Het in kaart brengen van storingsmechanismen die tot onveilige situaties kunnen leiden
● Het voorkomen van herhaling van incidenten door middel van corrigerende maatregelen
● Vereiste ondersteunende documentatie voor audits en toezichtcontroles
● De naleving van onderhoudsprotocollen verbeteren
Conclusie
De meeste organisaties beschouwen een oorzaakanalyse louter als een hulpmiddel voor het oplossen van problemen. Het is echter veel meer dan dat, aangezien het niet alleen van invloed kan zijn op storingspercentages, maar ook op onderhoudskosten, uptime, de beschikbaarheid van bedrijfsmiddelen, de toeleveringsketen en nog veel meer. U kunt het bijvoorbeeld integreren met CMMS-gegevens om een gesloten systeem te realiseren waarin elke storing kan worden benut om onderhoudsstrategieën, de keuze van onderdelen en beter onderbouwde operationele beslissingen te optimaliseren.
De inzet van AI versterkt deze mogelijkheid nog verder door gegevens te analyseren. Het hangt echter allemaal af van de kwaliteit en consistentie van de onderliggende gegevens die je voor RCA gebruikt.
Dankzij de focus van Verdantis op materiaalbeheer en standaardisatie van MRO-gegevens kunt u schone, gestructureerde en betrouwbare datasets samenstellen voor zowel onderhouds- als toeleveringsketensystemen. Hierdoor kunt u storingen nauwkeuriger analyseren en diepgaandere inzichten verkrijgen, zowel via traditionele als via AI-gestuurde RCA-benaderingen.
Meld je vandaag nog aan om een demo te krijgen waarin wordt getoond hoe Verdantis kan helpen de efficiëntie van uw oorzaakanalyse te verbeteren.
Veelgestelde vragen (FAQ's)
Waarin verschilt een analyse van de onderliggende oorzaak van probleemoplossing?
Bij het oplossen van storingen ligt de nadruk vooral op het zo snel mogelijk herstellen van de functionaliteit. Simpel gezegd: hierbij wordt de directe oorzaak van een storing aangepakt. Bij RCA daarentegen worden de onderliggende factoren onderzocht die tot de storing hebben geleid. Door systeemgebonden problemen in kaart te brengen, wordt herhaling voorkomen.
