Menu
Logo Ideo

In een van onze vorige blogs hebben we uitgelegd dat het bepalen van de juiste onderhoudsstrategie voor het in stand houden van onze machines een must is. Binnen de SAP Intelligent Asset Management (IAM) suite biedt Asset Strategy and Performance Management (ASPM) de oplossing om op een gestructureerde wijze via bijvoorbeeld een FMEA (Failure Mode and Effect Analysis) of RCM (Reliablity Centered Maintenance) analyse de juiste onderhoudsstrategie te bepalen.

Vandaag de dag worden steeds meer machines uitgerust met sensoren en zien we dat nieuwe technologieën zoals Machine Learning, Internet of Things en Artificial Intelligence gaan helpen bij het monitoren en onderhouden van onze machines. Deze nieuwe technologieën bieden ons de mogelijkheid om diverse soorten data (waaronder sensor data) om te zetten in business relevante data en op basis daarvan de juiste beslissingen te nemen.

Als we kijken naar enkele voorbeelden:
Voor een productie kritische machine is vanuit een RCM analyse gebleken dat voor een bepaalde faalwijze een predictieve onderhoudsstrategie van toepassing is. Op basis van de meetwaarde van diverse sensoren op deze machine wordt met behulp van machine learning modellen de faalwijze tijdig gedetecteerd (voorspeld) zodat de juiste onderhoudsacties uitgevoerd kunnen worden en ongewenste stilstand wordt voorkomen.

Een ander voorbeeld kan zijn het evalueren van onze onderhoudsstrategie. Tijdens een RCM analyse leggen we de mogelijke faalwijzen vast voor een machine en schatten we op basis van diverse statistische gegevens en ervaringen in hoe vaak deze faalwijzen zullen optreden, ook wel bekend als de Mean Time Between Failure (MTBF). Uiteraard willen we deze waarden monitoren aan de hand van de storingsmeldingen welke in ECC of S/4HANA geregistreerd worden om op deze manier de RCM analyse en de daaruit voortkomende onderhoudsacties te optimaliseren. Met behulp van de functie Failure Mode Analytics worden machine learning modellen ingezet om automatisch storingsmeldingen op basis van de omschrijving te ‘linken’ aan de gedefinieerde faalwijzen.

Deze functies worden mogelijk gemaakt in de SAP Predictive Maintenance and Service (PDMS) oplossing welke valt onder het kwadrant ‘SAP Asset Health Prediction and Optimization‘. SAP PDMS biedt verschillende functionaliteiten om op basis van diverse soorten data (bijvoorbeeld sensor data) faalwijzen te analyseren en te voorspellen. SAP PDMS maakt onderdeel uit van de Intelligent Asset Management (IAM) suite. Naast SAP PDMS bevat deze suite de volgende oplossingen die de integratie compleet maken. De Asset Central Foundation is de kern van de suite en bevat de master data (waaronder faalwijzen en instructies) van de technische installatie. SAP Asset Intelligence Network (AIN) zorgt voor de uitwisseling van deze data met andere partijen zoals bijvoorbeeld leveranciers, producenten en dienstverleners. SAP Asset Strategy and Performance Management (ASPM) biedt een geïntegreerde oplossing om de juiste onderhoudsstrategie te bepalen. De Asset Manager biedt een mobiele oplossing om de onderhoudstechnici te ondersteunen bij het uitvoeren van de onderhoudsactiviteiten.

Intelligent Asset Management - PdMS

SAP Intelligent Asset Management

SAP PDMS biedt verschillende functionaliteiten. Onderstaand een overzicht.

Failure Mode Analytics

Failure mode analytics maakt gebruik van machine learning om op basis van tekst uit de storingsmeldingen inzicht te geven in de opgetreden faalwijzen. De resultaten hiervan (zoals MTBF, MTTR en MTTF) worden op verschillende manieren gevisualiseerd (failure mode cards) in het systeem.

Indicator forecasting

Met indicator forecasting worden trends van sensor data berekend en gevisualiseerd om tijdig beslissingen op het gebied van onderhoud en betrouwbaarheid te nemen.

Fingerprint Management

Fingerprint management maakt het mogelijk om een snapshot te maken van een set van indicatoren om zo een bepaalde toestand op een bepaald moment vast te leggen. Dit kan bijvoorbeeld een bepaalde faalwijze zijn. Deze fingerprints kunnen later gebruikt worden om bepaalde patronen eerder te herkennen en ongewenste situaties te voorkomen.

Leading Indicator Analysis

Leading Indicator Analysis wordt gebruikt om de indicatoren te identificeren welke meest betrokken zijn bij storingen of specifieke faalwijzen. Vervolgens kunnen monitoring regels worden ingesteld voor deze indicatoren om deze faalwijzen sneller en tijdig te detecteren.

Advanced Rule-based Alert Creation

Met behulp van de Advanced Rule-based Alert Creation kunnen conditie regels worden gedefinieerd. Een alarm (alert) zal worden gelogd indien aan een bepaalde conditie voldaan wordt. Specifieke situaties kunnen op deze manier gecontroleerd worden.

Meer weten over Intelligent Asset Management?
Meld u aan voor de webinar op 25 juni.