Hoofdstuk 2

Waarom aarzelen bedrijven bij het starten met smart maintenance?

Veel organisaties zien het potentieel en zijn waarschijnlijk al van plan om te beginnen met smart maintenance. Maar toch aarzelen bedrijven om daadwerkelijk te starten. Vaak worstelen ze met dezelfde vragen. Herkenbaar?

  • Hoe maak je de verschuiving van preventief naar voorspellend onderhoud?
  • Hoe bepaal je de waarde van je data?
  • Is de organisatie klaar voor nieuwe manieren van denken, voor nieuwe businessmodellen?
  • Zijn onze klanten er klaar voor?
  • Hoe sluiten we onze assets aan op het IoT?
  • Moeten we investeren in een nieuw IT-platform?
  • Welke data moeten we vergaren voor toekomstig gebruik?
  • Hoe ontwikkelen we een goede businesscase?

Wil je voorbij de ideeën en Proof of Concept-fase komen, dan is het bepalen van de juiste use cases essentieel: toepassingen van smart maintenance die direct waarde opleveren.

Verder komen dan de ideeën en Proof of Concept-fase? Ons antwoord: houd het klein, maar denk groot.

Manufacturing line with machinery.

Een aantal tips:

Begin met use cases die concreet benoemd en pragmatisch benaderd kunnen worden:

  • Start met een ‘brede’ verkenning en opschoning van data;
  • Tegelijkertijd: ga aan de slag met de data die je hebt en wacht niet tot alles ‘compleet’ is;
  • Betrek experts uit je organisatie en de juiste stakeholders;
  • Pas een agile manier van werken toe.

Focus niet op die ene, fatale fout…

We zien dat veel aanbieders van smart maintenance-technologie focussen op het voorkomen van die ene fatale fout. Deze fouten zijn in de praktijk echter zeer zeldzaam. De meeste bedrijven voor wie uptime cruciaal is, hebben hun productieketen al enorm geoptimaliseerd. Het voorkomen van die ene storing, die zich misschien eens in de tien jaar voordoet, zal daarom je investering in predictive of smart maintenance niet snel terugverdienen.

In plaats daarvan kun je beter verder kijken naar de indirecte, misschien ‘kleinere’ effecten, die wel een hoog rendement op de investering opleveren. Vergelijk dit met bijvoorbeeld de bandenspanning van een auto. In plaats van er alles aan te doen om een klapband te voorkomen die je misschien één keer in je leven overkomt, kun je er beter voor zorgen dat je altijd met een optimale bandenspanning rijdt. Dat is veiliger en je bespaart ook nog eens een hoop brandstof, en dus geld.

Klantverhaal

Stolt Tankers zet waardevolle stap in machine learning

Met machine learning de status en storingen van motoren voorspellen: predictive maintenance.

“We vermoedden dat het mogelijk zou zijn om voorspellingen te doen over mogelijke storingen in de motoren van onze tankers. Met ons eigen team lukte het niet om deze verwachting te onderbouwen met een werkend algoritme. De benadering van HSO leidde wél naar een concreet, voorspellend model.”

Berend Vree Stolt Tankers

Alles over Manufacturing