Bedrijven verwachten veel van predictive maintenance op basis van big data. Maar hoe begin je eraan? PricewaterhouseCoopers (PwC) en Mainnovation adviseren om dit stapsgewijs aan te pakken en in samenwerking met anderen.

De aandacht voor predictive maintenance is groot, hoewel dit in feite niets nieuws is. Ook 15 jaar geleden probeerde men al storingen in (productie)processen te voorspellen op basis van o.a. visuele inspecties. Door de digitalisering, big data en de mogelijkheid om machines zelflerend te maken, krijgt dit een andere dimensie. Mainnovation en PwC zochten samen uit hoe ver het bedrijfsleven staat in deze ontwikkeling. Ze bevroegen 280 bedrijven in Nederland, Duitsland en België, waaronder een klein aantal service providers. Het merendeel zijn asset-intensieve bedrijven die netwerken beheren of over eigen fabrieken, vliegende, rollende of varende vloten beschikken.

Technische revolutie

Opvallend, maar voor de onderzoekers niet verrassend, is het feit dat slechts 11% van de bedrijven ‘niveau 4’ in predictive maintenance heeft bereikt. Op dit hoge niveau, ook ‘predictive maintenance 4.0’ genoemd, wordt effectief gebruik gemaakt van big data. Eén derde van de bedrijven verwacht over 5 jaar met de implementatie van niveau 4 te kunnen beginnen. “We staan nog maar aan het begin van een technologische revolutie”, interpreteert Mark Haarman van Mainnovation de resultaten. “Iedereen is aan het rondsnuffelen en verkennen. Iets soortgelijks hebben we zo’n 20 jaar geleden op ICT-gebied gezien. De markt was toen volop aan het uitzoeken welke meerwaarde ICT kon bieden en hoe men het moest implementeren. Wie heeft er vandaag geen ICT-infrastructuur?”

Uptime omhoog

Als voornaamste reden om de stap naar predictive maintenance 4.0. te maken, noemen bedrijven het verhogen van hun uptime. Dat vonden de onderzoekers verrassend. “Wij dachten dat het efficiëntie-redenen zouden zijn. Maar men wil dus in de eerste plaats het aantal storingen, en daarmee ook de downtime-kosten, terugdringen. Dit heeft er onder meer mee te maken dat de industrie in Europa vergrijst. Om concurrerend te blijven, moeten bedrijven meer rendement halen uit de assets die ze hebben. De digitalisering maakt dit mogelijk.”

Rendement onduidelijk

Vooral de beschikbaarheid van data en netwerken en technische beperkingen vormen voor bedrijven obstakels bij de implementatie van predictive maintenance 4.0. “In veel fabrieken staan verouderde machines. Hoe haal je daar de data uit? Sensortechnologie wordt weliswaar steeds goedkoper, maar ze moet ook ATEX-proof zijn om te kunnen worden ingezet in explosieve omgevingen. Daarnaast spelen budgettaire vraagstukken een rol. We zitten nog zo vroeg in de ontwikkeling dat bedrijven lastig kunnen inschatten wat het rendement is van investeringen in predictive maintenance 4.0.”

Digitale cultuur

Predictive maintenance op basis van data-analyse vraagt niet alleen om geschikte software en tools maar ook om de juiste competenties. Twee rollen worden volgens de onderzoekers steeds belangrijker: de reliability engineer en de data-analist. “Een reliability engineer weet hoe de assets werken en kunnen falen, maar hij kan storingen niet voorspellen. Een data-analist herkent patronen in data, maar ziet niet de relevantie ervan. Beiden moeten samenwerken. Dit lukt alleen binnen een digitale bedrijfscultuur waarin iedereen – van management tot werkvloer – doordrongen is van het belang van data-analyse.”

Stapsgewijs

Mainnovation en PwC hebben op basis van het onderzoek een model ontwikkeld om bedrijven te helpen predictive maintenance 4.0 te implementeren. Het advies: “Begin klein, per asset-type, en blijf leren. Zet een ecosysteem op rond predictive maintenance. Je kan het als bedrijf niet alleen maar alleen in samenwerking met de Siemensen van deze wereld, universiteiten, brancheverenigingen en zelf concullega’s.”

Krachten bundelen

Precies deze samenwerking ziet Haarman in de markt geleidelijk ontstaan: “Een aantal grote asset-intensieve bedrijven ontwikkelt al zelf een data-infrastructuur en slimme algoritmes voor predictive maintenance van hun assets. Anderzijds zijn ook de asset-fabrikanten hiermee bezig. Het lijkt me goed dat zowel eigenaren als leveranciers van assets hieraan werken. Het is geen of-of- maar een en-en-verhaal. Asset-owners kennen heel goed de concrete toepassing van hun assets. Leveranciers hebben veel technisch knowhow en zetten assets vaak op grote schaal, wereldwijd in de markt. Zij kunnen, door data van meerdere klanten te bundelen, de asset-owner helpen om buiten zijn eigen bedrijf te kijken. Op die manier maak je samen een versnelling bij de implementatie van predictive maintenance 4.0.”