Menu

Predictief onderhoud. U hoort het steeds vaker. Maar wat is het precies? Predictief onderhoud is de nieuwe manier om machineonderhoud uit te voeren, door gebruik te maken van diverse nieuwe technieken, zoals Machine Learning, Artificial Intelligence en het Internet of Things. Deze technieken spelen een steeds belangrijkere rol en maken het mogelijk om een voorspellende (predictieve) onderhoudsstrategie te hanteren.

Op dit moment wordt preventief onderhoud het meest gebruikt in de onderhoudsstrategieën van bedrijven. Maar we zien dat hier verandering in komt; predictief onderhoud gaat namelijk een steeds grotere rol spelen. Daarnaast beschikken bedrijven over steeds meer machinedata en helpen trends in IoT (Internet of Things) en Machine Learning om predictief onderhoud te kunnen implementeren en uit te voeren.

Figuur 1 Verdeling onderhoudsstrategieën

SAP biedt de Predictive Asset Insights (PAI) oplossing aan die onderdeel uitmaakt van de Intelligent Asset Management (iAM) suite. SAP PAI maakt predictief onderhoud mogelijk door gebruik te maken van diverse Machine Learning technieken die SAP PAI rijk is. Samen met SAP ASPM (Asset Strategy and Performance Management) biedt SAP hiermee een Asset Performance Management (APM) oplossing.

Machine Learning

Machine Learning is een onderdeel van kunstmatige intelligentie. Het is een computer (software) met het vermogen om te kunnen leren zonder daar geprogrammeerd voor te zijn. Net als mensen. Maar er is een belangrijk verschil tussen hoe een mens leert en hoe een Machine Learning algoritme leert. Een Machine Learning algoritme leert op basis van data; wij mensen doen dit op basis van ervaring. 

Trainen & scoren           

Voordat een algoritme kan worden gebruikt, dient deze eerst getraind te worden. Tijdens het trainen leert het algoritme wat de verwachte output is, of zoekt naar statistische trends/afwijkingen. Dit is afhankelijk van de categorie waar het algoritme onder valt. De Machine Learning algoritmes die SAP PAI aanbiedt, zijn namelijk onder te verdelen in twee verschillende categorieën: supervised & unsupervised algoritmes. Nadat een algoritme binnen SAP getraind is, dient het algoritme gescoord te worden. Tijdens het scoren worden de resultaten tijdens het trainen toegepast op (nieuwe) data.

Supervised

Supervised algoritmes wordt ingezet om de gezondheidstoestand (health) van een asset te bepalen. Een voorbeeld is het Logistic Regression algoritme. Tijdens het trainen van dit model wordt aangegeven of de staat van de asset op dat moment gezond of ongezond is. Op basis van die kennis, bepaalt het algoritme of toekomstige waardes gezond of juist ongezond zijn en of predictieve onderhoudsacties benodigd zijn.

Unsupervised

Algoritmes die tot de unsupervised categorie behoren wordt ingezet om afwijkingen te constateren. Een voorbeeld van een unsupervised algoritme is Multivariate Auto Regression (MAR). Dit algoritme doet na training een voorspelling van waardes die het algoritme in de toekomst verwacht. De mate van afwijking wordt uitgedrukt in de zogenaamde “anomaly score”. Hoe hoger deze score is, des te groter de afwijking is – wat dus duidt op het abnormaal functioneren van een asset.

Praktijkvoorbeeld

Voor een praktijkvoorbeeld gebruiken we een unsupervised algoritme genaamd Interquartile Range Test. Het algoritme gaat op zoek naar waardes die afwijken van de norm.

Resultaten IQR SAP PAI

Figuur 2 Resultaat IQR in SAP PAI

Zoals men ziet heeft het algoritme op basis van de temperatuur de afwijkingen in kaart gebracht. Men ziet dat bij een lagere temperatuur tussen (12 pm & 06 pm) de anomaly indicator (afwijking) naar boven uitschiet. Als men verder de grafiek bekijkt, valt op dat de anomaly indicator ook omhoogschiet bij een te hoge temperatuur. Aangezien in beide gevallen de temperatuur afwijkt van de norm, geeft het algoritme aan dat er een afwijking aanwezig is. Op basis van eerder falen van een asset weet het algoritme wanneer een asset afwijkt en de asset dus niet naar behoren werkt. Voor de eenvoud van dit voorbeeld hebben we hier gewerkt met één sensor (de temperatuur). De kracht van de Machine Learning algoritmen komt natuurlijk pas echt naar voren op het moment dat complexere datasets (meerdere sensoren) worden gebruikt voor de voorspelling van de faalwijzen.

Nieuwsgierig?

Bent u benieuwd hoe deze nieuwe SAP PAI ontwikkelingen 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.