Menu

Tegenwoordig zijn er meer en meer tools te vinden die predictief onderhoud mogelijk maken en daarmee storingen voorkomen. Tools met een unieke werking en logica, waardoor het lastig is om de juiste tool te vinden die geschikt is voor uw situatie. In deze blog lichten we een tool uit de intelligent Asset Management (iAM) suite van SAP toe die wordt gebruikt voor predictief onderhoud. Daarbij kijken we hoe de tool werkt en waarvoor het wordt gebruikt.

Failure Curve Analytics

Failure Curve Analytics is een tool dat onderdeel is van SAP Predictive Assets Insight (PAI), die de leeftijden van equipment controleert. Op basis daarvan maakt het een berekening van de kans dat een equipment defect kan raken binnen een leeftijdsbereik. Dit doet Failure Curve Analytics door gebruik te maken van machine learning. De failure curve geeft verschillende inzichten om zo potentiële storingsrisico’s vroegtijdig te detecteren om storingen te voorkomen.

De storing curve wordt per failure mode berekend voor een groep van equipment met vergelijkbare bedrijfsomstandigheden. Als de storing curve is berekend, kan men voor elk equipment binnen de groep de volgende inzichten bekijken:

  • De huidige leeftijd van het apparaat in kalenderdagen
  • Boven/onder betrouwbaarheidsinterval
  • De faalkans (PF) of voorwaardelijke faalkans voor de huidige leeftijd. De faalkans is de kans dat een equipment defect raakt, gebaseerd op de defecten die zich in het verleden hebben voorgedaan. De voorwaardelijke faalkans is de kans dat een equipment op een bepaalde toekomstige leeftijd defect zal gaan, gegeven het feit dat het equipment tot de huidige leeftijd niet defect is gegaan
  • De voorspelde faaldatum voor de huidige leeftijd van een equipment
  • De tijd tot storing in dagen (resterende nuttige levensduur) voor de huidige leeftijd van een equipment op basis van de voorspelde storingsdatum

Zoals eerder aangegeven wordt bij Failure Curve Analytics de kans op een defect berekend door een machine learning algoritme. Hieronder een schematisch weergeven van hoe de failure curve wordt berekend.

Storingen voorkomen met Failure Curve Analytics

Figuur 1 Hoe wordt de failure curve berekend?

Zoals u kunt zien, gebruikt het algoritme tijdens het trainen een aantal datasets (indien aanwezig). De volgende datasets worden gebruikt voor het trainen van de machine learning algoritme:

  • Equipment uit equipment (fleet) groep
  • Faalwijzen van equipment
  • Storingsmeldingen gerelateerd aan faalwijzen en equipment

Naast de datasets hierboven, dient men ook een aantal parameters te definiëren die worden gebruikt voor de training van het machine learning algoritme. De volgende parameters dienen te worden gedefinieerd:

  • Groep van equipment met gelijke bedrijfsomstandigheden (Fleet group)
  • Leeftijd voor de berekening van de voorwaardelijke kans op falen
  • Installatiedatum van equipment is bekend en betrouwbaar
  • Equipment is repareerbaar

De datasets hierboven worden samen met de parameters die gedefinieerd zijn, gebruikt om het machine learning algoritme te trainen. Op basis van de output van de training gaat het algoritme de failure curve berekenen.

Storingen voorkomen met Failure Curve Analytics

Figuur 2 Failure curve

Nieuwsgierig?

Bent u na het lezen van dit artikel nieuwsgierig geworden hoe deze nieuwe SAP Failure Curve Analytics uw onderhoudsprocessen beter kunnen ondersteunen? Neem dan gerust contact met ons op. Wij helpen u graag met het verkennen van de mogelijkheden en de implementatie van deze nieuwe tool.