Menu

Een assetstrategie vaststellen en invoeren is een goede start, maar daarmee ben je er nog niet: met continu verbeteren kun je nog betere resultaten halen. Het juiste onderhoud op het juiste moment bepalen, is een iteratief en convergerend proces. Met andere woorden: hoe sluiten we nu de befaamde plan-do-check-act cirkel (PDCA) binnen asset management?

In eerdere blogs zijn verschillende methodieken (RCM, FMEA en RBI) besproken die onderdeel uitmaken van de SAP intelligent Asset Management suite (iAM). Onderhoudsaanbevelingen worden bepaald en geïmplementeerd vanuit deze methodieken. Maar hebben deze aanbevelingen nu ook het beoogde effect? Hoe weet de reliability- of onderhoudsmanager waar hij of zij eventueel moet bijsturen? Hij of zij moet kunnen monitoren en checken of de uitgevoerde assetstrategie zijn doel bereikt. Dat kan met de Failure Mode Analytics (FMA).

Failure Mode Analytics (FMA) is functionaliteit binnen de Predictive Maintenance and Service (PdMS) module van SAP iAM. Er wordt gebruik gemaakt van de meest voorkomende KPI’s binnen onderhoud zoals MTBF, MTTR en MTTF.

Definities

  • Mean Time Between Failure (MTBF). De gemiddelde tijdsduur tussen twee defecten.
  • Mean Time To Repair (MTTR): de totale tijd dat een equipment niet beschikbaar is gedurende ongepland onderhoud, gedeeld door het aantal storingen gedurende een bepaalde periode.
  • Mean Time To Failure (MTTF): de totale tijd dat een equipment productief is, gedeeld door het aantal storingen gedurende een bepaalde periode.

De 360° view van een equipment in SAP

Indicatoren zoals MTBF, MTTR en MTTF zijn zichtbaar in de 360° view van een equipment (technisch asset). De kengetallen worden getoond op zogenaamde faalwijzekaarten (failure mode cards).

Hoe worden de kengetallen bepaald?

In SAP werkordermanagement worden storingsmeldingen vastgelegd voor een bepaalde technische asset. De uitdaging is om deze verschillende storingen per asset aan de juiste faalwijze te koppelen. Uiteindelijk willen we per faalwijze een KPI (MTTR, MTBF of MTTR) bepalen en analyseren of deze zich gedraagt conform de gegevens uit onze RCM-analyse. Meldingen worden gekoppeld aan een faalwijze door het gebruik van codes. In de meldingen zijn daarvoor diverse catalogi beschikbaar zoals bijvoorbeeld objectcodes, oorzaakcodes en probleemcodes.

Nadeel van deze codes is dat deze niet altijd correct of helemaal niet worden bepaald. Vaak zien we dat de keuzelijsten te beperkt zijn of juist te veel keuzes hebben. Daarbij is vaak diegene die de melding registreert niet altijd de juiste persoon om deze waarden te kunnen bepalen. En tenslotte worden meldingen vaak niet meer bijgewerkt na het verhelpen van de storing.

Betere code-bepaling met kunstmatige intelligentie

Hoe lost Failure Mode Analytics (FMA) het probleem van foutieve of ontbrekende codes op? Dit wordt opgelost door middel van kunstmatige intelligentie! FMA maakt gebruik van machine learning technieken om aan de hand van de omschrijving van een storing deze aan de gedefinieerde faalwijze te koppelen.

Een voorwaarde voor het uitvoeren van FMA is het bestaan van een equipment model. Een equipment model representeert een asset type, bijvoorbeeld pompen, transformatoren of ketels. In een equipment model staan de mogelijke faalwijzen vermeld. Dit equipment model wordt gebruikt en met machine learning getraind om FMA modellen te leren.

Als eerste stap gaan we het systeem trainen door per equipment model een ‘unsupervised learning’ FMA-model te configureren en te trainen. Vervolgens configureren, trainen en scoren we een ‘supervised learning’ FMA-model.  Unsupervised learning betekent ongecontroleerd leren. Er is geen data beschikbaar om een voorspelling te valideren, waarmee je de betrouwbaarheid van voorspellingen kunt meten. Dit in tegenstelling tot supervised learning, waarbij je tijdens het trainen van een algoritme altijd de betrouwbaarheid kunt meten.

Het unsupervised model is de basis voor het supervised model. Het unsupervised model identificeert de kenmerken van de meldingtekst en koppelt deze aan de kenmerken van de  faalwijzen. Na het trainen van het model stelt deze de meest geschikte faalwijze per melding voor. Het supervised model leert van deze suggesties en past deze toe op nieuwe meldingen om op deze manier de juiste faalwijze aan deze meldingen toe te wijzen. Dit noemen we het scoren van een model en kan zowel handmatig als gepland (met bepaalde regelmaat) worden uitgevoerd.

Kortom met Failure Mode Analytics (FMA) in SAP intelligent Asset Management wordt de feedback-loop gesloten en is continu verbeteren mogelijk. Op basis van kengetallen zoals MTBF, MTTR en MTTF kan de maintenance engineer het effect van de onderhoudsplannen monitoren en waar nodig ingrijpen.

 

Ontdek hoe Intelligent Asset Management uw bedrijf verder helpt?

Download whitepaper – iAM Predicting results