Een productielijn in een grote fabriek komt plotseling tot stilstand. Het is een cruciale pomp in het koelsysteem die zonder waarschuwing uitvalt. Terwijl de productielijn warmer wordt, zien de operators zich genoodzaakt het hele proces stil te leggen. Wat volgt is een kettingreactie, die begint met stilstand van het personeel en gemiste levertermijnen, en culmineert in spoedbestellingen van reserveonderdelen en toenemende druk.
Wist je dat dergelijke onvoorziene stilstand Amerikaanse fabrikanten tot wel $207 miljoen per week? En maar liefst 55% bedrijven krijgen eens per jaar met deze scenario’s te maken.
Wat als deze stilstandtijd gepland kan worden? Veel sectoren met veel vaste activa hebben geplande stilstandtijden al in hun strategieën opgenomen. Deze zijn meestal bedoeld voor gepland onderhoud wanneer de activa niet in gebruik zijn, of iets dergelijks. Organisaties kunnen echter ook ongeplande stilstandtijd voorkomen door de gevolgen van onverwachte gebeurtenissen te beperken. En dat is waar conditiebewaking een rol gaat spelen.
Als u zich afvraagt wat conditiebewaking precies inhoudt: het is het proces waarbij de toestand van machines of apparatuur continu of periodiek wordt gevolgd. Dit gebeurt met behulp van sensoren die gegevens registreren over de toestand van een installatie, zoals trillingen, olie, temperatuur en druk. Op basis van deze gegevens kunnen onderhoudsteams afwijkingen ten opzichte van het normale bedrijfsgedrag opsporen.
Hoe conditiegebaseerde monitoring de visie op onderhoud verandert
Apparatuur is nooit voorspelbaar, en toch waren de meeste traditionele strategieën juist gebaseerd op voorspelbaarheid. Teams vertrouwden op vaste schema’s die waren afgestemd op de voorspelbaarheid van storingen. Zo zou een machine die vaker storingen vertoont bijvoorbeeld twee keer per maand onderhoud krijgen. Een onderdeel als een lager daarentegen wordt om de zes maanden vervangen.
Hoewel deze aanpak structuur biedt, leidt ze ook tot inefficiënties. Wat als een onderdeel van een systeem eerder wordt vervangen dan de verwachte levensduur? Of wat als een onderdeel defect raakt omdat de toestand ervan nooit in realtime is beoordeeld?
Conditiebewaking brengt hierin een fundamentele verandering teweeg. Simpel gezegd: de nadruk verschuift volledig van de vraag wanneer onderhoud moet plaatsvinden naar de vraag waarom het moet plaatsvinden.
Deze verschuiving introduceert een referentienorm voor de verwachte prestaties van een machine of een bedrijfsmiddel. In de loop van de tijd helpen sensoren bij het opsporen van afwijkingen ten opzichte van die referentienorm, waardoor onderhoudsteams proactief kunnen handelen. In plaats van te wachten tot er een storing optreedt en dan pas te reageren, kan het onderhoud al beginnen zodra er problemen beginnen op te duiken.
Door deze verschuiving neemt de vraag naar conditiebewakingssystemen wereldwijd toe. Volgens Fortune Business Insights, bedroeg de marktwaarde in 2025 $3 miljard. Met een CAGR van 9,7% in de periode 2026-2034 zal de markt naar schatting meer dan verdubbelen en uitkomen op $6,8 miljard.
Deze verschuiving gaat niet alleen over de overgang van kalendergebonden naar conditiegebonden onderhoud. Het gaat ook over de overstap van achterblijvende naar voorlopende indicatoren en van reactief onderhoud naar proactieve planning.
De onderstaande tabel laat zien hoe conditiegebaseerde monitoring de gehele onderhoudsorganisatie verandert:
| Functie | Traditionele monitoring | Toestandgebaseerde monitoring |
|---|---|---|
| Primaire oorzaak | Deze monitoring is gebaseerd op vaste schema’s, dus een inspectie tijdens een van die cycli of een volledige storing vormt het startpunt | Triggers zijn gebaseerd op realtime drempelwaarden |
| Kennis van activa | Onderhoudsplannen worden opgesteld op basis van de algemene aanbevelingen van de fabrikant | De gegevens over de vitale functies van elk bedrijfsmiddel worden in realtime verzameld |
| Teamcultuur | Teams worden beloond als ze problemen snel oplossen | Hier gaat het niet om het repareren, maar om ervoor te zorgen dat alles blijft draaien |
| Voorraad | Voorraad op basis van historische aankooppatronen | De voorraad wordt op het juiste moment geoptimaliseerd op basis van de conditie van de activa en storingsvoorspellingen |
Een multiparameterbenadering van activabewaking
Hoewel apparatuur om één enkele reden defect kan raken, is dat meestal niet het geval. Mechanische, thermische en chemische veranderingen kunnen allemaal tegelijkertijd optreden. Daarom is het belangrijk om meerdere aspecten van de conditie van een installatie tegelijk in ogenschouw te nemen. Conditiebewaking van installaties maakt dit mogelijk door verschillende conditieparameters bij te houden.
Elk van deze parameters geeft een beeld van hoe een machine in realtime functioneert. De temperatuur wijst bijvoorbeeld op thermische belasting en energieverlies, en is een van de eerste tekenen van een storing. Het duidt op verhoogde wrijving in lagers, elektrische weerstand in motoren of een verminderde koelefficiëntie.
Druk biedt daarentegen inzicht in de vloeistofstroom. Zo duidt een drukdaling bijvoorbeeld op een lek ergens, terwijl een drukpiek kan wijzen op weerstand of een verstopping.
Oliekwaliteitsparameters dienen tevens als diagnostisch middel om directe informatie uit het binnenste van de machine te verkrijgen. De viscositeit beïnvloedt de smering, metaaldeeltjes duiden op slijtage en waterverontreiniging versnelt corrosie. Aangezien elke onbalans, verkeerde uitlijning, speling en lagedefect unieke frequentiepatronen genereert, vormen trillingen een andere factor die veel informatie bevat.
Al deze parameters kunnen in een vroeg stadium inzicht bieden in machine storingen. Het is echter het beste om deze signalen in hun onderlinge samenhang te interpreteren. Zo krijgt u een totaalbeeld van het probleem. Vanuit dit totaalbeeld kunt u samen met de onderhouds- en engineeringteams de problemen opsporen en de onderliggende oorzaken aanpakken.
Technieken voor conditiebewaking
Zoals in het vorige hoofdstuk is opgemerkt, zijn er verschillende parameters van de apparatuur die u in de gaten moet houden. Hiervoor worden verschillende technieken gebruikt, waarbij telkens een ander type sensor wordt ingezet om relevante informatie te verzamelen. Als u weet welke techniek het meest geschikt is om bepaalde afwijkingen op te sporen, wordt het hele proces van conditiegebaseerde monitoring een stuk eenvoudiger.
Trillingsmonitoring
Het analyseren van trillingen van roterende machines is een van de oudste en meest toegepaste technieken binnen de toestandgebaseerde monitoring. Volgens Toekomstige marktinzichten, het heeft een marktaandeel van ongeveer 30,61 TP3T in de totale markt voor conditiebewakingssystemen.
De sensoren die voor deze meetmethode worden gebruikt, worden versnellingsmeters genoemd. Ze registreren trillingsgegevens die je kunt verwerken met behulp van zowel frequentiespectrumanalyse als envelopdetectie.
Het belangrijkste doel van deze systemen is om onbalans, asafwijkingen en andere mechanische problemen in een vroeg stadium op te sporen.
Elektromagnetische monitoring
Bij elektromagnetische monitoring worden variaties in het magnetisch veld geregistreerd; daarom is deze methode alleen toepasbaar op elektrische apparatuur. De analyseresultaten van deze techniek houden verband met de stroomdoorvoer in een motor, of met de manier waarop de rotor en de stator op elkaar inwerken.
De sensoren die hier worden gebruikt, verzamelen gegevens over het fluxpatroon en de elektromagnetische straling van een draaiende machine. Deze signalen kunnen vervolgens worden geanalyseerd op asymmetrie of vervorming.
Elektromagnetische monitoring is het meest geschikt voor detectie:
- Gebroken rotorstaven
- Storingen in de statorwikkeling
- Excentriciteit van de luchtspleet
- Elektrische onbalans
Deze techniek is waardevol voor een volledig beeld, omdat hiermee interne motorstoringen kunnen worden opgespoord zonder dat de motor hoeft te worden stilgelegd of gedemonteerd.
Infraroodthermografie
Met deze techniek kunt u de temperatuurverdeling in beeld brengen, een belangrijke indicator voor de conditie van de machine. Wanneer een apparaat extra inspanningen moet leveren om de standaardoutput te halen, begint het warmer te worden. Het vroegtijdig opmerken van deze temperatuurstijging kan wijzen op mogelijke onderliggende problemen die tot storingen kunnen leiden als ze niet onmiddellijk worden aangepakt.
Naast sensoren worden ook camera’s ingezet om infraroodthermografische gegevens te verzamelen. Deze infraroodcamera’s maken warmtebeelden om vast te stellen waar de meeste warmte wordt gegenereerd. Als het warmteniveau een bepaalde drempel overschrijdt, kan de oplossing voor conditiebewaking een automatisch alarm naar het onderhoudsteam sturen.
Met behulp van deze techniek kun je verslechtering van de isolatie, oververhitting van lagers en een geblokkeerde luchtstroom of koelingsproblemen opsporen.
Laserinterferometrie
Zoals de naam al aangeeft, maakt deze techniek gebruik van laserstralen om afwijkingen in verschillende patronen op te sporen. Aangezien hierbij patronen met laserstralen worden gecreëerd en gemonitord, is het een van de meest nauwkeurige technieken voor conditiebewaking.
Je kunt veranderingen tot op micron- of nanometerschaal volgen. Daarom is deze techniek populair in sectoren waar precisie van invloed is op de productkwaliteit, zoals de halfgeleiderindustrie of de lucht- en ruimtevaart. Maar hoewel de techniek zeer effectief en nauwkeurig is, brengt de implementatie ervan ook enige kosten met zich mee.
Bij correcte installatie kan dit systeem asafwijkingen, microvibraties en structurele vervormingen onder belasting detecteren.
Olieanalyse
Als je wilt controleren hoe een machine van binnen functioneert, biedt olieanalyse een eenvoudige manier om dat te doen. Hierbij wordt het smeermiddel onderzocht terwijl het door het systeem stroomt. En juist daardoor bevat de olie ook alle sporen van slijtage en corrosie in de hele machine.
Voor de meeste andere technieken op deze lijst zijn sensoren nodig, maar dat geldt niet voor olieanalyse. Hierbij worden oliemonsters genomen en in laboratoria geanalyseerd. Er kunnen echter wel inline-sensoren aanwezig zijn die parameters zoals viscositeit en deeltjestelling meten.
Deze techniek is het meest geschikt voor het opsporen van:
- Slijtage van tandwielen en lagers
- Verontreiniging
- Overzicht van smeermiddelen
- Interne schade in een vroeg stadium
Akustische emissietests
Bij akoestiek draait alles om frequentie, en dat is precies wat akoestische emissietests detecteren. Elke machine produceert een bepaalde frequentie, of dat nu het gevolg is van wrijving, rotatie of materiaalvervorming. Ongeacht de oorzaak kan de gegenereerde frequentie worden gemonitord en vergeleken met referentiegegevens met behulp van sensoren die tijdelijke elastische golven detecteren.
Deze sensoren zijn het meest geschikt voor het detecteren van scheurvorming of oppervlaktewrijving. Daarnaast signaleren ze ook in een vroeg stadium defecten aan lagers en spanningsconcentraties in de constructie.
Ultrasone analyse
Bij ultrasone analyse ligt de nadruk op hoogfrequente geluidsgolven die voor mensen niet hoorbaar zijn. De sensoren die bij deze techniek worden gebruikt, kunnen zowel draagbaar als vast geïnstalleerd zijn. Ze vangen ultrasone golven op, die vervolgens worden omgezet in audio- of visuele formaten voor analyse.
Ultrasone analyse is vooral geschikt voor het opsporen van afwijkingen in zowel mechanische als elektrische systemen. Hiermee kunnen perslucht-, gas- en stoomlekken, evenals elektrische vonkvorming worden opgespoord.
Analyse van röntgenfoto's
Bij radiografie wordt gebruikgemaakt van röntgenstraling of gammastraling om eventuele problemen in een machine op te sporen zonder deze te demonteren. Net als bij medische beeldvorming worden beelden gegenereerd op basis van de manier waarop de straling door de apparatuur gaat. Hierdoor kunnen afwijkingen aan het licht worden gebracht door de uitkomst te vergelijken met de referentiegegevens.
Het beste in het opsporen van:
- Interne scheuren
- Holtes en insluitsels
- Lasfouten
- Constructieve onregelmatigheden
Deze techniek is zeer populair bij toepassingen met een hoog risico waarbij de interne integriteit van cruciaal belang is, zoals drukvaten en pijpleidingen.
Analyse van elektrische signaturen
Rotorstoringen, onbalans in de belasting, verstoringen in de stroomkwaliteit en andere defecten leiden tot afwijkende elektrische golfvormen. Door middel van analyse van elektrische signaturen kunnen al deze verschijnselen worden gemonitord om afwijkingen op te sporen. Met deze methode kunnen apparaten worden gemonitord zonder dat er extra mechanische sensoren hoeven te worden geïnstalleerd.
Naast de technieken die in deze lijst worden genoemd, zijn er nog andere technieken voor conditiebewaking die u kunt gebruiken. Zo is er bijvoorbeeld schokpulsbewaking om stootgolven te meten, slijtagedeeltjesanalyse op basis van de deeltjes die in smeermiddelen worden aangetroffen, en gedeeltelijke ontladingsbewaking voor kleine elektrische ontladingen binnen isolatiesystemen.
Hoe werkt conditiebewaking?
Conditiebewaking begint bij de fysieke koppeling tussen een sensor en het bedrijfsmiddel dat daarmee wordt bewaakt. Maar dat is niet het enige aspect. Nadat de sensoren zijn geïnstalleerd en de gegevens zijn verzameld, moeten MRO-teams die gegevens benutten, de signalen verwerken en deze invoeren in een EAM- of CMMS-systeem.
Dankzij dit proces kunnen managementteams de conditie van een bedrijfsmiddel in de gaten houden en die informatie gebruiken om de levensduur ervan te verlengen door automatisch werkorders aan te maken voor machines die niet optimaal functioneren.
Detectie en gegevensverzameling
Elk verkregen inzicht, elke geactiveerde werkopdracht en elke in een vroeg stadium opgespoorde storing vindt zijn oorsprong in deze laag. Zoals we in het vorige hoofdstuk hebben gezien, bestaan er verschillende soorten technieken voor conditiebewaking, en voor elk daarvan is een ander type sensor nodig.
Uw eerste belangrijke taak is dus het selecteren en installeren van de juiste sensoren op de objecten die u wilt volgen. Zo zullen de trillingssensoren bijvoorbeeld gegevens over verplaatsing, snelheid en versnelling verzamelen.
Verplaatsing levert de meeste informatie op bij grote machines, zoals papierfabrieken of graafmachines. Dit geldt met name bij lage frequenties, zoals onder de 10 Hz. Snelheid wordt daarentegen gebruikt voor frequenties in het middenbereik, dat wil zeggen tussen 10 Hz en 1 kHz, terwijl versnelling wordt gebruikt voor diagnostiek bij hogere frequenties dan dat.
In de onderstaande tabel staan verschillende soorten sensoren die worden gebruikt om diverse trillingsgegevens te registreren:
Type sensor | Frequentiebereik | Gevoeligheid | Ruisvloer | Beste toepassing |
|---|---|---|---|---|
Piëzo-elektrisch (IEPE) | 0,5 Hz – 20 kHz | 10–1000 mV/g | Zeer laag | Lagers of andere roterende machines |
MEMS (micro-elektromechanische systemen) capacitief | DC – 5 kHz | 100–1000 mV/g | Matig | Machines met een laag toerental |
Wervelstroom-naderingssensor | DC – 10 kHz | 7,87 V/mm | Laag | Dit is gunstig voor de asverplaatsing en de glijlagers |
Laservibrometer | DC – 1 MHz+ | Kan sterk variëren | Zeer laag | Hete of moeilijk bereikbare oppervlakken kunnen worden bewaakt |
Snelheidssensor (geofoon) | 1 Hz – 1 kHz | 20–80 V/(m/s) | Laag | Structurele monitoring bij lage frequenties |
Evenzo zijn er verschillende soorten sensoren voor het verzamelen van verschillende gegevens. Als u niet helemaal zeker bent, kunt u het ISO 17359:2018-kader volgen, dat richtlijnen biedt voor het opzetten van conditiebewakingsprogramma’s, inclusief de keuze van sensoren. In de eerste plaats bestaan de stappen uit het opstellen van een lijst met storingsmodi voor een installatie, het identificeren van meetbare parameters die veranderen naarmate elke storingsmodus zich ontwikkelt, en vervolgens het selecteren van de sensortechnologie die in staat is om die parameters te meten.
Connectiviteit en gegevensoverdracht
De volgende uitdaging is het overbrengen van de gegevens van sensoren naar een systeem dat deze kan analyseren. Ruwe sensorsignalen zijn simpelweg waarden die, in kapitaalintensieve sectoren, honderden keren per seconde kunnen veranderen. En het overbrengen van deze gegevens is ook veel uitdagender in een dergelijke omgeving met veel elektrische ruis en een fysiek verder verwijderde netwerkinfrastructuur dan bijvoorbeeld in een IT-bedrijf.
Deze overdracht kan nu via een bekabelde of draadloze infrastructuur worden ingeschakeld.
Bekabelde veldbus en analoge gegevensoverdracht
Het gebruik van kabels voor gegevensoverdracht is de oudste en nog steeds een van de meest betrouwbare methoden. Hierbij wordt gebruikgemaakt van een analoge 4-20 mA-stroomlus. Deze 4-20 mA is de analoge gelijkstroomlus waarin de zender de gemeten signalen omzet. Hier staat 4 mA voor de laagste waarde, oftewel 0%, van het meetbereik, en 20 mA voor de hoogste waarde, oftewel 100%. Door gegevens als gelijkstroom in plaats van als spanning over te dragen, is het signaal ongevoelig voor spanningsverlies over lange kabels.
Deze informatie wordt vervolgens doorgegeven en verwerkt via een systeem zoals het Highway Addressable Remote Transducer (HART)-systeem. HART voegt relevante informatie, zoals de status van de sensor, de tag-identificatie en andere secundaire variabelen, toe aan de signalen.
Draadloze industriële netwerken
De installatie van bedrade sensoren in een grote fabriek is duur. Daarom kiezen velen voor draadloze oplossingen, zoals WirelessHART of ISA100.11a.
Zoals de naam al aangeeft, is WirelessHART de draadloze uitbreiding van het HART-protocol. Het werkt in de 2,4 GHz ISM-band met behulp van IEEE 802.15.4-radio’s. Het maakt gebruik van een Time Division Multiple Access-mesh-netwerk. In dit netwerk fungeert elk apparaat tevens als router, wat zorgt voor een zelforganiserende, zelfherstellende netwerktopologie.
ISA100.11a is simpelweg een alternatief voor WirelessHART en vervult dezelfde functie.
Hieronder wordt uitgelegd hoe de verschillende protocollen voor diverse bekabelde en draadloze netwerken kunnen worden gekozen op basis van verschillende gebruikssituaties:
Protocol | Fysieke laag | Bandbreedte | Updatefrequentie | Gebruiksscenario |
|---|---|---|---|---|
4–20 mA | Het is een tweedraads koperen kabel | Eén variabele (analoog) | Continu | Eenvoudige procestransmitters |
HART | Volgt een 4-20 mA-lus | 1200 bps (digitale overlay) | Op aanvraag | Diagnostiek van bestaande 4-20 mA-apparaten |
PROFIBUS PA | Tweedraadbus | 31,25 kbps | 100-1000 ms | Veldbussen voor procesautomatisering |
EtherNet/IP | Voldoet aan de industriestandaard voor Ethernet | 100 Mbps – 1 Gbps | 1–100 ms | Hogesnelheids-I/O tussen controller en apparaat |
WirelessHART | 2,4 GHz 802.15.4-mesh | 250 kbps (gedeeld) | 1–60 s | Draadloze procestransmitters |
ISA 100.11a | 2,4 GHz 802.15.4-mesh | 250 kbps (gedeeld) | 1–60 s | Draadloze procestransmitters |
5G NR (privé) | Sub-6 GHz / mmWave | Tot 1 Gbps | < 1 ms | Grondige monitoring op golfvormniveau |
Zodra deze gegevens op het fabrieksnetwerk staan, moeten ze toegankelijk zijn voor hogere systemen, zoals EAM of CMMS. Om deze systemen toegang te geven tot de gegevens, moeten deze echter in een uniform formaat zijn opgesteld. En dat is waar dienstverleners zoals Verdantis van pas kunnen komen.
De OPC Unified Architecture, gepubliceerd als IEC 62541, is de norm geworden voor deze gegevensconsistentie. Deze architectuur ondersteunt de coderingsopties OPC-UA Binary en OPC-UA XML. De gecodeerde gegevens worden vervolgens overgedragen via een Internet of Things (IoT)-protocol, zoals Message Queuing Telemetry Transport (MQTT), dat is gestandaardiseerd als ISO/IEC 20922.
Ruwe signalen omzetten in diagnostische kenmerken
De gegevens waarover uw team op dit moment beschikt, zijn slechts ruwe fysieke grootheden. Ze geven een onderhoudsmonteur niet direct aan wat er mis is met de machine. Daarvoor moeten ze worden verwerkt tot meetwaarden die diagnostische betekenis hebben. Ze moeten bijvoorbeeld helpen vaststellen waar in de machine de verandering zijn oorsprong vindt en welk storingsmechanisme hiermee samenhangt.
Hieronder volgen enkele van de meest gebruikte analysemethoden om ruwe signalen om te zetten in diagnostische kenmerken:
Tijddomeinanalyse
De eenvoudigste manier om signalen te analyseren, met name als het om trillingen gaat, is door rechtstreeks met de tijdgolfvorm te werken. Bij deze analysemethode is het niet nodig om signalen om te zetten in frequenties om ze in een spectrum te bekijken. In plaats daarvan wordt gebruikgemaakt van elementaire statistische maatstaven die uit dit signaal kunnen worden berekend en die kunnen worden gebruikt om de toestand van de machine te bewaken.
- RMS (Root Mean Square) gaat over het meten van de totale energie van trillingen. Hogere waarden duiden erop dat er meer energie wordt overgedragen, wat kan wijzen op slijtage of schade. Deze methode is effectiever bij het opsporen van aanhoudende problemen en minder effectief bij het opsporen van beginnende storingen.
- Piekwaarde en piekfactor helpt bij het detecteren van korte schommelingen die de RMS-waarde over het hoofd ziet. De piekfactor is de verhouding tussen de piekwaarde en de RMS-waarde. Bij scherpe schommelingen stijgt de piekwaarde, terwijl de RMS-waarde laag blijft. Hierdoor neemt de piekfactor toe, wat een mogelijk probleem kan signaleren. Het is dus nuttig voor het vroegtijdig opsporen van lagerdefecten.
- Kurtosis meet de intensiteit van de pieken. Net als de crestfactor is deze maatstaf zeer geschikt voor vroegtijdige foutdetectie. De waarde neemt echter doorgaans af naarmate de schade zich verder uitbreidt.
Hieronder volgt een tabel die het gebruik van tijddomeinanalyse weergeeft:
| Metrisch | Gezond bereik | Verhoogde drempel | Gevoeligheid voor storingen |
|---|---|---|---|
| Metrisch | Gezond bereik | Verhoogde drempel | Gevoeligheid voor storingen |
| RMS | Machinespecifiek | ISO-zonegrens | Algemene trillingsintensiteit |
| Crestfactor | 2.5 – 3.5 | > 6 | Vroegtijdige lagerdefecten |
| Kurtosis | ~3 | > 6 (waarschuwing), > 10 (alarm) | Zeer vroege lagerdefecten |
| Piek-tot-piek | Machinespecifiek | Volgens ISO/fabrikant | Asverplaatsing, speling |
De snelle Fourier-transformatie (FFT)
Zoals de naam al aangeeft, zorgt de Fast Fourier-transformatie voor een omzetting. Deze zet een tijdsafhankelijk signaal om in frequentiegebonden gegevens. In plaats van te zien hoe de trilling in de loop van de tijd verandert, zie je hoeveel energie er bij elke frequentie aanwezig is. Het voordeel hiervan is dat je storingen in machines gemakkelijk kunt opsporen, omdat veel problemen zich bij voorspelbare frequenties voordoen.
De nauwkeurigheid van FFT hangt af van de hoeveelheid verzamelde gegevens. Hiervoor geldt de volgende relatie:
Resolutie (Hz) = Aantal meetwaarden / Bemonsteringsfrequentie
Een langer signaal levert dus meer frequentiedetails op. Het nadeel is echter dat dit meer tijd kost en ongewenste variaties kan veroorzaken.
Enkele veelvoorkomende foutpatronen die u met behulp van deze analyse in de frequentie kunt herkennen, zijn:
- Harmonische trillingen in de as, die zich voordoen als veelvouden van het toerental
- Defecten aan lagers kunnen worden opgespoord, aangezien ze specifieke frequenties produceren die afhankelijk zijn van het ontwerp en het toerental. Hiertoe behoren de frequentie van de buitenring (BPFO), de frequentie van de binnenring (BPFI), de frequentie van de kogels (BSF) en de frequentie van de kooi (FTF).
- Tandwielstoringen treden op bij de tandwieloverbrengingsfrequentie (GMF), die wordt berekend op basis van het toerental van de as en het aantal tandwieltanden. Een grotere GMF-amplitude duidt hier op gelijkmatige slijtage, terwijl zijbanden rond de GMF wijzen op plaatselijke schade.
Envelopanalyse
Envelope-analyse staat ook bekend als de hoogfrequente resonantietechniek (HFRT). Deze analyse wordt voornamelijk gebruikt voor het opsporen van beginnende lagerdefecten. Een beschadigd lager produceert minuscule stootpulsen telkens wanneer een rolelement over de defectplaats rolt.
Omdat deze pulsen erg kort zijn, zijn ze niet waarneembaar bij de defectfrequentie. In plaats daarvan brengen ze defecten aan het licht in resonanties met een hogere frequentie (2-20 kHz).
Om echter een correcte envelopanalyse te verkrijgen, is het belangrijk om het juiste frequentiebereik te kiezen. Dat kan met behulp van spectrale kurtosis. Spectrale kurtosis scant het frequentiebereik om vast te stellen waar het signaal het meest impulsief is.
Wavelet- en tijd-frequentieanalyse
De FFT werkt goed voor machines die op een standaardtoerental draaien, omdat deze transformatie ervan uitgaat dat het signaal constant blijft. Maar wat als de installaties op verschillende toerentallen draaien of te maken krijgen met plotselinge storingen, uitschakelingen en opstartmomenten? In al deze scenario’s schiet de FFT tekort, en dan biedt de Short-Time Fourier-transformatie (STFT) uitkomst.
Bij STFT worden signalen opgedeeld in korte, elkaar overlappende segmenten. Het resulterende spectrogram laat zien hoe de frequentiesamenstelling in de loop van de tijd verandert. Er is echter een beperking: als de tijdsresolutie wordt verbeterd, neemt de frequentienauwkeurigheid af, en omgekeerd.
Wavelet-transformaties maken gebruik van flexibele functies die hun omvang aanpassen aan de frequentie, om die beperking te omzeilen. Wanneer hoogfrequente componenten worden geregistreerd met korte tijdvensters en laagfrequente componenten met langere vensters, kunnen wavelets kortstondige gebeurtenissen detecteren, zoals schokken of vroege storingssignalen.
Bestelanalyse voor machines met variabele snelheid
Veel installaties, zoals de aandrijflijn van een voertuig of een windturbine, kunnen op verschillende snelheden draaien. Daardoor kunnen de trillingen of andere signalen die hierdoor ontstaan ook variëren. Dit maakt frequentiegrafieken onoverzichtelijk en moeilijk te lezen, omdat de signalen over een groter bereik verspreid raken. Deze variatie duidt echter niet per se op een probleem met de installatie.
Ordeanalyse lost dit probleem op door signalen in het hoekdomein te volgen, bijvoorbeeld per omwenteling, in plaats van in het tijdsdomein. De signalen worden vervolgens gemeten met een tachometer, die de momentane asomwentelingssnelheid registreert.
Op deze manier worden de frequenties weergegeven als ordes in plaats van in Hz. Het gevolg is dat problemen die verband houden met de rotatie van de machine op dezelfde plaats in de grafiek blijven staan, zelfs als het toerental verandert. Dit maakt het voor onderhoudsmonteurs veel gemakkelijker om het uiteindelijke spectrum te lezen en te begrijpen.
Conditiegegevens op grote schaal opslaan en beheren
Stel dat een middelgrote productiefabriek 200 installatieonderdelen continu moet monitoren. Elk installatieonderdeel is uitgerust met twee trillingskanalen en twee temperatuurkanalen. Dit zou neerkomen op ongeveer 25.000 signalen per seconde en alleen al aan trillingsgegevens zou dit dagelijks zo’n 160 GB aan ruwe gegevens opleveren.
Stel je nu eens een grote raffinaderij voor met 2.000 bewaakte installaties, die elk zijn uitgerust met meerdere sensoren. De omvang van de gegenereerde en beheerde gegevens zal enorm zijn. Daarom is de infrastructuur voor gegevensopslag ten behoeve van conditiebewaking geen bijzaak, maar een centraal vraagstuk binnen de systeemtechniek. Deze bepaalt rechtstreeks welke analyses mogelijk zijn, hoe ver terug in de tijd het onderzoek naar de hoofdoorzaak kan reiken en hoeveel de exploitatie van het programma kost.
Vanwege de enorme hoeveelheid gegevens zijn relationele databases zoals PostgreSQL, Oracle en SQL Server niet geschikt. Deze databases zijn ontworpen voor transactiegegevens die worden vastgelegd volgens een vast schema en in een bescheiden omvang.
Tijdreeksdatabases zijn speciaal ontworpen voor dit soort toegangspatronen. Ze maken gebruik van compressie, schrijfoptimalisatie en optimalisatie van zoekopdrachten op tijdsbereik om conditiegegevens op grote schaal op te slaan en te beheren.
Contextualisering van gegevens is een ander aspect dat bijdraagt aan het beheer van gegevens. Het is het proces waarbij tijdreeksgegevens worden gekoppeld aan de stamgegevens van de apparatuur. De stamgegevens geven de fysieke kenmerken van het bedrijfsmiddel weer, zoals het type, de locatie, de ontwerpparameters, de geïnstalleerde componenten en de onderhoudsgeschiedenis. Dankzij deze koppeling kan een analysemodel de defectfrequenties berekenen.
Zo ziet de contextualisatieketen eruit:
| Laag | Systeem | Gegevensobject | Voorbeeld |
|---|---|---|---|
| Veldmeting | Sensor / DCS | Ruwe tagwaarde | 4,8 mm/s om 14:32:07 |
| Historicus | PI / InfluxDB | Tag met tijdstempel | PMP-223.BRG-DE.VEL.RMS = 4,8 |
| Asset-raamwerk | PI AF / CMMS | Koppeling tussen tag en asset | Het label hoort bij pomp 223, lagerpositie DE |
| Apparatuurlijst | SAP PM / EAM | Overzicht van apparatuur | Pomp 223 = Centrifugaalpomp, model XYZ-300, geïnstalleerd in 2017 |
| Componentstamgegevens | SAP / CMMS-stuklijst | Componentrecord | DE-lager = SKF 6312, contacthoek 15°, 8 rolelementen |
| Onderhoudsgeschiedenis | SAP PM / CMMS | Werkordergegevens | Laatste vervanging van het lager: 14 maart 2022, WO 4500123456 |
Hoewel er een speciaal team voor databasebeheer is, kan het opslaan en onderhouden van gegevens op deze schaal een uitdaging vormen. Bedrijfstakken met veel vaste activa kunnen een beroep doen op externe dienstverleners om stamgegevens op te schonen, nieuwe gegevens te standaardiseren en te structureren, en alles te centraliseren voor een naadloze gegevensstroom van de sensorniveau naar het EAM-systeem.
Het vaststellen van statistische referentiewaarden aan de hand van analyse
Zodra de infrastructuur voor het omzetten en migreren van sensorgegevens naar het analysesysteem is opgezet, is het opslaan en opvragen van gegevens geregeld. Het moeilijkere probleem is echter het vaststellen van referentiewaarden of drempelwaarden. Referentiewaarden bepalen of een conditiebewakingsprogramma storingen voorkomt of juist een stortvloed aan alarmen veroorzaakt.
U kunt de referentiewaarden vaststellen op basis van ernstnormen. Zo bevat ISO 10816, dat inmiddels is samengevoegd tot ISO 20816, absolute ernstgrenzen voor de totale trillingssnelheid (RMS). Deze hebben echter welbekende beperkingen.
Ze zijn alleen van toepassing op de RMS-waarde van de breedbandsnelheid, maar zeggen niets over de frequentiesamenstelling van de trilling. Dit betekent dat ze geen onderscheid kunnen maken tussen onbalans, lagerdefecten en resonantie. En hoewel ze allemaal dezelfde totale RMS-waarde kunnen opleveren, vereisen ze toch verschillende onderhoudsmaatregelen.
Veel MRO-teams maken dan ook gebruik van dynamische referentiewaarden in plaats van het Statistical Process Control (SPC)-raamwerk. In plaats van vaste grenzen stelt SPC referentiewaarden vast op basis van de historische gegevens van de machine zelf. Het houdt voornamelijk twee belangrijke parameters bij:
- Gemiddelde (μ): Gemiddelde waarde
- Standaardafwijking (σ): Normale variatie
Op basis hiervan kunnen onderhoudsteams referentiewaarden berekenen met behulp van μ±3σ. Als de meetwaarden buiten dit bereik vallen, duidt dit op een storing. Op deze manier vermindert SPC het aantal valse alarmen met behulp van de volgende gangbare methoden:
- Shewhart-diagram: Het helpt bij het opsporen van plotselinge grote veranderingen
- CUSUM: Detecteert langzame, geleidelijke slijtage
- EWMA: Deze methode spoort kleine, continue veranderingen op
- Verplaatsingsbereik: Het bewegingsbereik wordt gebruikt om toenames in de variabiliteit vast te stellen
Om dynamische referentiewaarden vast te stellen, moeten technici gezondheidsparameters op basis van meerdere parameters bijhouden. Eén enkele parameter geeft geen volledig beeld van de oorzaak van de storing. Een holistisch beeld op basis van een analyse van meerdere parameters biedt daarentegen wel houvast een effectieve analyse van de onderliggende oorzaken uitvoeren om te voorkomen dat dezelfde fouten zich opnieuw voordoen.
EAM/CMMS-integratie om de cirkel rond te maken
De laatste stap in de workflow voor conditiebewaking is het sluiten van de kringloop die begon met het verzamelen van sensorgegevens. Als een medewerker elk alarm moet controleren en voor elk alarm een werkopdracht moet aanmaken, wordt het proces zeer arbeidsintensief. Dit leidt bovendien tot lekken die de efficiëntie van conditiegebaseerde conditiebewaking van bedrijfsmiddelen verminderen.
Het conditiebewakingsmodel moet worden geïntegreerd met het Enterprise Asset Management (EAM)-systeem. Zo is SAP PM (Plant Maintenance) het toonaangevende EAM-platform in sectoren met een groot aantal bedrijfsmiddelen. Met het conditiebewakingssysteem als bron, SAP PM kan worden geautomatiseerd voor een continue controlecyclus van de toestand van de activa.
Zodra er een gezondheidswaarschuwing wordt gegenereerd, kan het systeem deze via de REST-API en de SAP Integration Suite naar SAP PM verzenden. Hierdoor wordt een SAP PM-melding aangemaakt waarin alle details over het bedrijfsmiddel en het betreffende probleem worden vastgelegd. Het systeem maakt vervolgens automatisch een werkorder aan, zodat de onderhoudsteams de nodige maatregelen kunnen nemen.
| SAP PM-object | Doel van de integratie | Veroorzaakt door | Belangrijke velden |
|---|---|---|---|
| PM-melding (M2) | Waarschuwing over de toestand van het record | Gebeurtenis met betrekking tot conditiebewaking | Functionele locatie, foutbeschrijving, prioriteit |
| Besluit van de premier | Onderhoudswerkzaamheden plannen en goedkeuren | Beoordeling van de planner / automatische aanmaak | Werkcentrum, geplande taken, stuklijstcomponenten, data |
| Meetdocument | Sla de conditiemetingen op in SAP | Periodieke synchronisatie van statusgegevens | Meetpunt, meetwaarde, tijdstempel |
| Onderhoudspunt | Koppel de takenlijst aan de apparatuur voor terugkerende onderhoudstaken | Eerste configuratie | Uitrusting, takenlijst, teller |
| Overzicht van apparatuur | Apparaatoverzicht met technische gegevens | Eerste installatie / doorlopende synchronisatie | Apparatuurklasse, fabrikant, geïnstalleerde onderdelen |
MRO-teams kunnen hiervoor ook IBM Maximo of andere CMMS-systemen gebruiken.
Op deze manier draagt conditiebewaking ook bij aan het opstellen van een planning voor het onderhoud van reserveonderdelen. Stel dat een model voor de slijtage van een lager met redelijke zekerheid voorspelt dat er over 3 tot 6 weken een storing zal optreden. In dat geval kunnen de inkoop- en onderhoudsteams samenwerken om reserveonderdelen klaar te zetten nog voordat de werkopdracht is aangemaakt.
De integratieketen voor deze functionaliteit koppelt het platform voor conditiebewaking aan het MRO-voorraadbeheersysteem, zoals MRO360 van Verdantis.
Deze gesloten kringloop is de praktische uitwerking van preventief onderhoud. Hiermee wordt een technische conditiebeoordeling omgezet in een actie binnen de toeleveringsketen, zonder dat er bij elke stap handmatig ingegrepen hoeft te worden. Slechte stamgegevens van apparatuur, zoals verkeerde onderdeelnummers in de stuklijst of niet-onderhouden koppelingen tussen apparatuurrecords en materiaalstamgegevens, kunnen deze keten echter volledig doorbreken.
Geautomatiseerde conditiebewaking
Een conditiebewakingssysteem voert tal van taken uit om de toestand van bedrijfsmiddelen te beoordelen. Deze taken zijn echter alleen effectief als ze op een gecoördineerde en continue manier worden uitgevoerd. Op zichzelf zou geen van deze processen veel nut hebben.
Daarom maken moderne, op de toestand gebaseerde monitoringsystemen gebruik van automatisering op basis van kunstmatige intelligentie. Ze verzamelen sensorgegevens, analyseren deze, signaleren zich ontwikkelende storingen en zetten onderhoudsmaatregelen in gang, zonder dat een technicus elke dag handmatig elke gegevensstroom hoeft te controleren.
Er zijn verschillende manieren waarop kunstmatige intelligentie (AI) kan helpen om gegevens niet alleen vast te leggen en op te slaan, maar ook te analyseren om afwijkingen in patronen op te sporen.
Onbegeleide detectie van afwijkingen
Het onbegeleid opsporen van afwijkingen is een manier om dat te doen. Hierbij zijn de gegevens die worden gebruikt om het systeem voor conditiebewaking te trainen, niet gelabeld.
Auto-encoders zijn architecturen van neurale netwerken die bestaan uit een encoder en een decoder. Nadat deze netwerken zijn getraind op basis van gegevens over normale en storingssituaties, kunnen ze patronen in realtime sensorsignalen herkennen. Als de signalen een bepaalde drempelwaarde overschrijden, gebruiken auto-encoders deze om een automatisch alarm te activeren.
Daarnaast is er het ‘isolation forest’-algoritme, dat gebruikmaakt van op bomen gebaseerde anomaliedetectie en een One-Class Support Vector Machine (OCSVM). Dit zijn allemaal onbegeleide AI-modellen die kunnen worden ingezet bij geautomatiseerde conditiebewaking.
| Model | Benodigde trainingsgegevens | Interpreteerbaarheid | Schaalbaarheid | Afstemming van de gevoeligheid |
|---|---|---|---|---|
| Auto-encoder | Alleen gegevens over medische apparatuur | Laag (binnen de latente ruimte) | Matig | Drempelwaarde voor reconstructiefouten |
| Convolutionele auto-encoder | Alleen gegevens over medische apparatuur | Laag | Matig | Drempelwaarde voor reconstructiefouten |
| Afgelegen bos | De gegevens hier kunnen afkomstig zijn van medische apparatuur of een combinatie daarvan | Matig | Hoog | Verontreinigingsparameter |
| OCSVM | Alleen gegevens over medische apparatuur | Laag tot matig | Laag (O(n²)) | ν-parameter |
| op PCA gebaseerd | Alleen gegevens over medische apparatuur | Hoog | Zeer hoog | SPE / T²-drempelwaarde |
| LSTM-auto-encoder | Alleen gegevens over medische apparatuur | Laag | Matig | Fout bij de reconstructie van de sequentie |
Foutclassificatie onder toezicht
Geclassificeerde foutclassificatie vindt plaats aan de hand van gelabelde trainingsgegevens. Dit kan nauwkeuriger zijn als er specifieke gelabelde gegevens beschikbaar zijn voor zowel goede als slechte bedrijfsomstandigheden. Dat is ook de reden waarom gestructureerde onderhoudsstamgegevens essentieel zijn om dit soort AI-modellen te laten functioneren in geautomatiseerde conditiebewakingssystemen.
Er zijn drie belangrijke modellen met toezicht beschikbaar die in diverse sectoren worden toegepast:
- Random Forest: Een Random Forest traint een ensemble van beslissingsbomen op willekeurige deelverzamelingen van trainingsgegevens en de kenmerkruimte. Vervolgens worden de voorspellingen van deze bomen samengevoegd door middel van een stemming. Op basis van deze training kan Random Forest belangrijkheidsscores genereren. Deze scores zijn de indicatoren met de hoogste voorspellende waarde voor elk type storing.
- Support Vector Machines (SVM’s): SVM’s presteren bijzonder goed bij kleinere datasets met labelinformatie. Dit geldt met name wanneer het aantal kenmerken groot is in verhouding tot het aantal trainingsvoorbeelden, wat vaak het geval is bij conditiebewaking.
- Convolutionele neurale netwerken (CNN’s): Deze neurale netwerken worden gebruikt om beelden te genereren op basis van sensorsignalen. Ze kunnen deze beelden ook vergelijken met referentiegegevens om afwijkingen te identificeren. Een studie in ScienceDirect beschrijft een raamwerk voor conditiebewaking dat realtime trillingsgegevens integreert met CNN’s om geautomatiseerde foutdetectie en voorspellend onderhoud mogelijk te maken. Het getrainde systeem detecteert en classificeert fouten in het fysieke systeem nauwkeurig. Dit getuigt van een hoge betrouwbaarheid en generaliseerbaarheid.
Voorspelling van de resterende gebruiksduur (RUL)
AI kan voorspellen hoe lang een asset bruikbaar blijft voordat er sprake is van een tijdelijke storing of een volledige uitval. Voor het voorspellen van de RUL moet een verslechteringstraject worden gemodelleerd vanaf de huidige conditie tot aan de uitval. Dit traject kan zeer onzeker zijn, omdat het van machine tot machine kan verschillen.
Met behulp van de Weibull-overlevingsanalyse, proportionele-risicomodellen en Long Short-Term Memory (LSTM)-netwerken kan AI helpen om dit verloop nauwkeurig in kaart te brengen.
Conditiebewaking en IIoT
Naast kunstmatige intelligentie is het Industrial Internet of Things (IIoT) een essentiële technologie voor geautomatiseerde, op de toestand gebaseerde monitoring. In feite maken alle sensoren die worden gebruikt om gegevens over apparatuur te verzamelen en te delen, al deel uit van het IoT.
Door beide in combinatie te gebruiken, wordt een naadloze gegevensoverdracht tussen geïntegreerde systemen mogelijk gemaakt. Met IIoT kunnen alle bedrijfsmiddelen slim en onderling verbonden worden. Ze kunnen via cloudgebaseerde platforms gegevens met elkaar delen, waardoor MRO-teams een centraal en volledig overzicht krijgen.
Bovendien maakt IIoT het ook mogelijk om machines op afstand te bedienen. Als een machine dus op het punt staat snel defect te raken, moeten onderhoudsteams deze op afstand uitschakelen om veiligheidsproblemen en een volledige uitval van de machine te voorkomen.
Hoe stel je een programma voor conditiebewaking op?
Een programma voor conditiebewaking begint met het vaststellen welke bedrijfsmiddelen moeten worden gemonitord. Op een gegeven moment zul je zoveel mogelijk machines willen meenemen. Het is echter beter om klein te beginnen en op een efficiënte manier op te schalen, in plaats van meteen groot te willen beginnen en vervolgens te mislukken.
Zodra u weet welke apparatuur u moet monitoren, kunt u als volgt te werk gaan:
Installeer de sensoren
Zodra u weet welke activa u wilt monitoren, bepaalt u ook welke vitale parameters u wilt bijhouden. Op basis daarvan moet u eerst sensoren selecteren die de vereiste parameters kunnen meten. Naast de selectie moet u ook aandacht besteden aan de plaatsing van de sensoren, zodat de signalen nauwkeurig worden geregistreerd.
Gegevens verzamelen
De volgende stap is het verzamelen van gegevens. Je eerste taak is het verzamelen van gegevens over machines die in optimale staat verkeren. Dit helpt bij het vaststellen van referentiewaarden of benchmarks waarmee je tijdens conditiegebaseerde monitoring vergelijkingen kunt maken.
Zodra u over de basisgegevens beschikt, stelt u het systeem zo in dat er continu of met regelmatige tussenpozen gegevens worden verzameld. Het is belangrijk om hierbij voor consistentie te zorgen, aangezien hiaten in de gegevens de nauwkeurigheid van de analyse kunnen verminderen.
| Proces | Wat gebeurt er? | Waarom dit belangrijk is |
|---|---|---|
| Gegevensverzameling | Sensoren die op machines zijn bevestigd en in conditiebewakingssystemen zijn geïntegreerd, zullen ruwe signalen verzenden | Dit is belangrijk om een continu beeld te krijgen van de staat van het bedrijfsmiddel |
| Tijdsynchronisatie | Het systeem stemt gegevens van meerdere sensoren en apparaten op elkaar af | Maakt analyse op basis van meerdere parameters mogelijk om een totaalbeeld te krijgen |
| Gegevensvalidatie | Filtert ruis en foutieve meetwaarden weg | Helpt valse alarmen te voorkomen die tijd en middelen kunnen verspillen |
| Opslag | Slaat realtime gegevens op in de backend voor analyse en toekomstig gebruik | Ondersteunt feedbacklussen, trendanalyses op basis van historische gegevens en modellering |
Een P-F-curve maken
Het tijdsinterval tussen het moment van functioneel falen (F) en het moment waarop een dreigend falen detecteerbaar wordt (P) wordt weergegeven door de P-F-curve. Omdat deze curve aangeeft hoe vroeg een defect kan worden gedetecteerd en hoeveel tijd er beschikbaar is om maatregelen te nemen, vormt zij een fundamenteel concept binnen conditiegebaseerde monitoring.
Dit concept werd in de jaren zeventig ontwikkeld voor United Airlines en het Amerikaanse Ministerie van Defensie. Om effectief te zijn, moet op de toestand gebaseerde monitoring plaatsvinden in de periode tussen een mogelijke en een voorspelde storing.
Activa bijhouden
Zodra het systeem is geïmplementeerd, kunt u beginnen met het uitvoeren van op de toestand gebaseerde monitoring. Op basis van de verzamelde gegevens kunnen benchmarks als triggers fungeren. En op basis van deze triggers kan het systeem de betreffende teams op de hoogte brengen en werkorders aanmaken.
De zakelijke impact van conditiebewaking
Conditiebewaking heeft een directe invloed op het nettoresultaat van een bedrijf.
- Minder stilstand: Stilstand behoort tot de duurste gevolgen van storingen aan apparatuur. Door toestandbewaking wordt de kans hierop tot een minimum beperkt, doordat mogelijke problemen in machines in een vroeg stadium worden opgespoord.
- Betere resultaten bij de onderhoudsplanning: In plaats van op aannames worden werkopdrachten geactiveerd door benchmarkgegevens die afwijkingen ten opzichte van de optimale werkomstandigheden aan het licht brengen.
- Langere levensduur van de activa: Doordat MRO-teams zich richten op de conditie van de apparatuur in plaats van op vaste schema’s, neemt de levensduur van de machine toe.
- Verhoogde veiligheid: A Artikel in de Deccan Herald meldt dat vijf personen brandwonden hebben opgelopen door stoom in de staalfabriek van SAIL in Bokaro. Er doen zich veel van dit soort incidenten voor waarbij een storing in een machine of systeem tot letsel leidt, en conditiebewaking kan dit voorkomen.
- Kostenminimalisatie: Productieverliezen, spoedreparaties, versnelde levering van reserveonderdelen, schadevergoedingen aan werknemers bij letsel, enzovoort, zijn allemaal verschillende kosten die tot een minimum kunnen worden beperkt.
Hoewel conditiebewaking al deze voordelen kan bieden, hangen de resultaten af van de manier waarop bedrijven machinegegevens verzamelen en opslaan. Als u over onvoldoende interne expertise beschikt, kunt u samenwerken met externe dienstverleners op het gebied van gegevensbeheer.
A groot houtproductiebedrijf Het bedrijf, dat actief is in 25 fabrieken, heeft hiervoor de hulp van Verdantis ingeroepen. Met een omzet van $7 miljard en wereldwijd meer dan 13.000 medewerkers zocht het bedrijf ondersteuning op het gebied van gegevensopschoning en -beheer.
Verdantis heeft geholpen bij het standaardiseren en beheren van meer dan 300.000 SKU’s. Daarnaast heeft het bedrijf Verdantis Harmony geïmplementeerd voor geautomatiseerd gegevensbeheer in de toekomst.
Een overzicht van conditiegebaseerde monitoring in de praktijk
Met behulp van de sensoren en basiscriteria kunnen geautomatiseerde systemen waarschuwingen activeren. Maar wat op een dashboard als een eenvoudige waarschuwing verschijnt, is het resultaat van meerdere lagen van data-engineering, signaalverwerking en beslissingslogica die op de achtergrond samenwerken.
Simpel gezegd werken op condities gebaseerde monitoringsystemen volgens een gesloten kringloop. Gegevens worden verzameld, verwerkt en geanalyseerd, en vervolgens ingevoerd in onderhoudsworkflows. De prestaties hangen dus af van hoe goed deze lagen zijn geconfigureerd en geïntegreerd.
Neem bijvoorbeeld een hogesnelheidsverpakkingslijn in een fabriek met meerdere motoren, transportbanden en tandwielkasten. Een van de meest cruciale onderdelen hier is het aandrijfsysteem van de transportband. Dit systeem wordt aangedreven door een elektromotor die is gekoppeld aan een tandwielkast en een riemoverbrenging. Zelfs een kleine storing hier kan de hele lijn tot stilstand brengen.
In een traditionele opzet hanteert het onderhoudsteam vaste schema’s voor het inspecteren van de gehele riem en de tandwielkast. Maar tussen deze inspecties door draait het systeem zonder controle. Als een lager in de tandwielkast dus direct na een inspectie verslijt, blijft dit onopgemerkt tot de volgende inspectie of totdat er een storing optreedt.
Stel daarentegen dat er trillingssensoren op de motor en de versnellingsbak zijn gemonteerd. Daarnaast zijn er temperatuursensoren op de lagers, sensoren voor de oliekwaliteit in het smeersysteem van de versnellingsbak en elektriciteitssensoren die de belasting van de motor bewaken. In dit geval worden de gegevens continu naar de bewakingssystemen gestuurd. Het onderhoudsteam krijgt dan inzicht in de ernstgraad, het waarschijnlijke type storing en de aanbevolen maatregel.
| Podium | Wat gebeurt er? | Voorbeeld uit het transportbandsysteem |
|---|---|---|
| Gegevensvastlegging | Sensoren zullen realtime signalen verzamelen | De trillingsamplitude neemt in de versnellingsbak licht toe |
| Signaalverwerking | Hier zal het systeem de ruis wegfilteren en de signalen stabiliseren | De achtergrondruis uit het trillingssignaal wordt verwijderd om het signaal beter te kunnen interpreteren |
| Kenmerkextractie | De belangrijkste indicatoren worden berekend | De RMS-trilling zou kunnen worden verhoogd |
| Vergelijking van de uitgangswaarden | Vergelijking tussen realtime gegevens die door sensoren zijn verzameld en het normale profiel | Er is een afwijking vastgesteld ten opzichte van het standaard trillingspatroon van de versnellingsbak |
| Correlatie | Meerdere parameters worden gezamenlijk beoordeeld | Een voorbeeld hiervan is een lichte temperatuurstijging in combinatie met toegenomen trillingen |
| Detectie van afwijkingen | Het systeem signaleert elk afwijkend gedrag dat op dit moment wordt gedetecteerd | De analyse kan wijzen op slijtage aan de lagers in een vroeg stadium |
| Genereren van waarschuwingen | De meeste moderne tools beschikken over een automatische waarschuwingsfunctie die een melding naar het onderhoudsteam stuurt | Er wordt een waarschuwing weergegeven in het dashboard |
| Aanmaken van een werkorder | Het onderhoudsteam zal een werkopdracht aanmaken voor de reparatie of inspectie | Inspectie gepland op basis van ernst en urgentie |
Voor wie is conditiebewaking bedoeld?
Conditiebewaking levert de beste resultaten op in sectoren met veel vaste activa, zoals:
Zware industrie
Bedrijven in de zware industrie maken gebruik van grote, onderling gekoppelde machines, zoals freesmachines, transportbanden en roterende apparatuur. Zelfs kleine fabrieken zijn inmiddels zo ver dat ze bepaalde machines inzetten om handmatig werk volledig te automatiseren of te ondersteunen. Daarom zijn bedrijfsmiddelen in de productiesector van essentieel belang voor een ononderbroken productie.
Bij conditiebewaking worden trillingen, olie, temperatuur en andere parameters in al deze systemen gemonitord. Dit draagt bij aan het vroegtijdig opsporen van problemen die later tot storingen en productiestilstand zouden kunnen leiden.
Eten en drinken
In tegenstelling tot andere sectoren hangt de betrouwbaarheid van apparatuur in de voedingsmiddelen- en drankenindustrie ook samen met de productkwaliteit en de naleving van de voorschriften. Mixers, pompen, koelinstallaties en verpakkingssystemen moeten aan strenge hygiënenormen voldoen en tegelijkertijd optimaal functioneren. Een manier om dit te waarborgen is door te controleren of de apparatuur binnen vastgestelde parameters werkt, en conditiebewaking kan daarbij helpen.
Olie en gas
Apparatuur in de olie- en gasindustrie loopt het grootste risico op storingen als gevolg van de bedrijfsomstandigheden. Compressoren, turbines, pijpleidingen en boormachines worden ingezet onder afgelegen en gevaarlijke omstandigheden. Het is voor onderhoudsteams zelfs onmogelijk om deze apparatuur regelmatig te inspecteren terwijl ze in bedrijf zijn.
Conditiebewaking biedt continu inzicht in de toestand van bedrijfsmiddelen, zonder dat er voortdurend fysieke inspecties nodig zijn. Aangezien veel bedrijfsmiddelen onder extreme omstandigheden worden gebruikt, is vroegtijdige detectie in deze sector van cruciaal belang.
Elektriciteitsopwekking
Tot de belangrijkste activa van de energieopwekkingssector behoren turbines, generatoren, transformatoren en koelsystemen. Met trillingsanalyse worden storingen in turbines en generatoren opgespoord, terwijl thermische monitoring oververhitting van elektrische componenten aan het licht brengt. Door continue monitoring worden zelfs kleine afwijkingen in een vroeg stadium opgemerkt.
Rendement op investering (ROI) van de implementatie van conditiebewaking
Bij het berekenen van de ROI van het invoeren van conditiebewaking gaat het niet alleen om een afweging tussen kosten en besparingen. Het zou meer moeten gaan om de waarde die het proces oplevert. De meeste bedrijven slagen er niet in de werkelijke ROI te berekenen, omdat ze zich te veel richten op besparingen op onderhoudskosten. Daarnaast moet u ook rekening houden met het verminderen van stilstand, het verbeteren van de conditie van bedrijfsmiddelen, het vergroten van de productiecapaciteit en nog veel meer.
Je kunt het beste beginnen met een basismodel waarin de kosten van stilstand, de storingsfrequentie, onderhoudskosten en kwaliteitsproblemen zijn meegenomen. Vervolgens kun je technische indicatoren omzetten in financiële resultaten.
Zo ziet de contextualisatieketen eruit:
| Technische maatstaf | Financiële vertalingen |
|---|---|
| Minder storingen | Dit zal de bedrijfstijd en de productiecapaciteit vergroten |
| Vroegtijdige foutdetectie | Vroegtijdige opsporing voorkomt ernstige storingen en de daaruit voortvloeiende reparatie- of vervangingskosten |
| Betere onderhoudsplanning | Verlaagt de kosten voor overuren en noodonderhoud |
| Verbeterde conditie van de activa | Dit levert een kostenbesparing op doordat de levensduur van de activa wordt verlengd |
Een ander belangrijk punt om hier rekening mee te houden, is dat het rendement op de investering (ROI) toeneemt naarmate de schaalgrootte en de mate van volwassenheid toenemen. Na verloop van tijd kan de conditiebewaking een ROI van 5:1 of 10:1 opleveren, die binnen drie tot vijf jaar kan oplopen tot 25:1. Hoewel dit een ruwe schatting is, kan de daadwerkelijke ROI afwijken, afhankelijk van hoe efficiënt u de conditiebewaking implementeert en benut.
Het probleem van de gegevensbasis en de oplossing daarvoor
Het louter aanbrengen van sensoren op bedrijfsmiddelen en het verzamelen van realtimegegevens levert niet de beste resultaten op voor conditiebewaking. Hoewel de meeste planning plaatsvindt op basis van realtimegegevens, is het ook noodzakelijk om deze gegevens te structureren en te standaardiseren met het oog op opslag en toekomstig gebruik.
Stel bijvoorbeeld dat een op de toestand gebaseerde monitoringoplossing een trillingsafwijking heeft gedetecteerd. Het systeem kan echter niet vaststellen welk lager de waarschuwing heeft geactiveerd, omdat in de stuklijst (BOM) van de apparatuur het verkeerde onderdeelnummer staat vermeld. Dit leidt alleen maar tot extra redundantie, in plaats van dat het helpt om storingen aan de apparatuur te voorkomen.
De sensortechnologie, de algoritmen voor signaalverwerking, de ML-modellen en de OPC-UA-pijplijnen zijn allemaal onmisbaar, maar ze zijn gebaseerd op een nauwkeurige gegevensbasis.
Een van de meest voorkomende problemen is dat de stamgegevens van apparatuur onvolledig zijn. In de praktijk kunnen stamgegevens van apparatuur in SAP PM en vergelijkbare EAM-systemen onvolledige attribuutvelden bevatten. Ook dubbele vermeldingen van MRO-reserveonderdelen, onnauwkeurigheden in stuklijsten en inconsistenties in gegevens tussen verschillende locaties kunnen de gegevenskwaliteit aantasten en de resultaten van conditiegebaseerde monitoring beïnvloeden.
Verdantis kan helpen deze uitdagingen op te lossen met oplossingen die zijn gebaseerd op jarenlange expertise en uitmuntendheid. Verdantis Harmonize kan bijvoorbeeld het probleem van het opschonen van historische gegevens aanpakken.
Het cloudgebaseerde platform importeert bestaande stamgegevensrecords uit SAP, Oracle, IBM Maximo en andere ERP-/EAM-systemen. Vervolgens past het een combinatie van AI-gestuurde verwerking en beoordeling door menselijke experts toe om die records te standaardiseren, aan te vullen, te ontdubbelen en in te delen volgens een vooraf gedefinieerde taxonomie.
Terwijl Verdantis Harmonize het probleem met historische gegevens oplost, biedt Verdantis Integrity een oplossing voor de doorlopende governancekwestie. Integrity functioneert als een aanvullende governance-laag die is geïntegreerd met uw ERP- en EAM-systemen. Wanneer er op het punt staat een nieuw materiaalrecord in SAP te worden aangemaakt, onderschept het systeem het aanmaakverzoek en past het een validatieworkflow toe voordat het record naar het ERP-systeem wordt geschreven.
Dit alles komt samen in ons MRO360-platform. De MDM Suite van dit platform omvat zowel Harmonize als Integrity, voor schone en nauwkeurige gegevens. Hierdoor kunnen MRO-teams gebruikmaken van een schone gegevensbasis voor conditiegebaseerde monitoring, wat leidt tot weloverwogen operationele beslissingen.
Conclusie
Conditiebewaking is een van de technisch meest veeleisende disciplines binnen de industriële sector. Hoewel deze discipline veel voordelen biedt, vereist ze ook vaardigheden op het gebied van fysische meetkunde, hoogfrequente signaalverwerking, statistische modellering, machine learning, industriële netwerken, data-infrastructuur en de integratie van bedrijfssystemen.
Er zijn maar heel weinig organisaties die al deze mogelijkheden op één plek hebben samengebracht. En er zijn er nog minder die deze mogelijkheden hebben gebouwd op een gegevensbasis die zo schoon is dat optimale prestaties mogelijk zijn.
Dat is het infrastructuurprobleem dat Verdantis al twee decennia lang oplost voor organisaties met een groot aantal activa. Programma’s voor conditiebewaking die zijn gebaseerd op schone, goed beheerde en verrijkte stamgegevens presteren consequent beter dan programma’s die dat niet zijn.
Neem contact op met onze experts om te ontdekken hoe Verdantis u kan helpen bij het opzetten van een solide gegevensbasis voor de implementatie van oplossingen voor conditiebewaking.
Veelgestelde vragen (FAQ's)
Wat zijn de 5 elementen van conditiebewaking?
De vijf kernelementen van conditiebewaking zijn gegevensverzameling, gegevensanalyse, het genereren van waarschuwingen, onderhoudsplanning en voortdurende verbetering. Samen maken deze elementen een proactieve aanpak mogelijk om de conditie van een machine voortdurend te bewaken en zo een optimale werking te garanderen.
Wat is het verschil tussen PdM en CBM?
Zowel voorspellend onderhoud (PdM) als conditiegebaseerde monitoring (CDM) zijn proactieve onderhoudsbenaderingen. Ze verschillen echter qua timing en technologie. Bij PdM worden sensorgegevens verzameld en wordt op basis van de analyse daarvan een storing voorspeld. CDM daarentegen richt zich op het vergelijken van realtime gegevens met een vastgestelde drempelwaarde om te detecteren wanneer een machine of apparaat niet meer in optimale staat verkeert.
Wat zijn de 5 soorten monitoring?
Op het gebied van onderhoud, reparatie en exploitatie behoren trillings-, temperatuur-, druk-, olie- en ultrasone monitoring tot de gangbare monitoringtechnieken. Er zijn echter nog tal van andere aspecten van een installatie die MRO-teams kunnen monitoren.
