Voorspellend onderhoud: machines die vertellen wanneer ze kapotgaan
Stel je voor: de motor van een vliegtuig stuurt voortdurend gegevens over trillingen, temperatuur en druk naar een computer op de grond. Die computer ziet dat één onderdeel langzaam anders begint te trillen dan normaal, nog lang voordat een monteur iets zou merken. Het systeem waarschuwt: over ongeveer drie weken moet dit onderdeel vervangen worden. Zo kan de luchtvaartmaatschappij het vliegtuig gewoon laten vliegen, en pas ingrijpen wanneer het uitkomt, vlak voordat er iets misgaat.
Dit heet voorspellend onderhoud, in het Engels predictive maintenance. Het is een manier om machines, voertuigen en installaties te onderhouden op basis van hun werkelijke conditie, in plaats van op basis van een vast schema of pas nadat iets is stukgegaan. Sensoren meten voortdurend hoe een machine functioneert, en slimme software herkent patronen die duiden op slijtage of een naderend defect. Het doel is simpel: minder onverwachte storingen, minder onnodig onderhoud, en langer meegaande apparatuur.
Wat is het precies?
Om voorspellend onderhoud te begrijpen, is het handig om het te vergelijken met twee oudere aanpakken. Bij correctief onderhoud repareer je iets pas als het kapot is: de bekende "het werkt, tot het niet meer werkt"-aanpak. Bij preventief onderhoud vervang je onderdelen op vaste momenten, bijvoorbeeld elke zes maanden, ongeacht of dat nodig is. Dat laatste is veiliger, maar ook verspillend: een onderdeel dat nog prima functioneert, wordt toch weggegooid.
Voorspellend onderhoud probeert het beste van twee werelden te combineren. Het proces verloopt in grote lijnen in vier stappen. Eerst worden sensoren op een machine geplaatst die continu meten: trillingen, temperatuur, geluid, stroomverbruik, olieslijtage of druk. Vervolgens worden deze gegevens via internet (vaak aangeduid als Internet of Things of IoT, het idee dat apparaten onderling en met servers communiceren) naar een centraal systeem gestuurd.
Daarna analyseert software deze datastroom en vergelijkt die met patronen uit het verleden: hoe zag het trillingssignaal eruit vlak voordat een vergelijkbaar onderdeel eerder faalde? Voor deze analyse wordt vaak machine learning gebruikt, een vorm van kunstmatige intelligentie waarbij een algoritme zelf patronen leert herkennen in grote hoeveelheden meetgegevens, in plaats van dat een programmeur van tevoren exacte regels vastlegt. Ten slotte geeft het systeem een voorspelling af, bijvoorbeeld een geschatte resterende levensduur of een waarschuwing dat onderhoud binnen een bepaalde termijn nodig is.
Een geavanceerdere variant hiervan is de digital twin, een digitale kopie van een fysieke machine die continu wordt bijgewerkt met live sensordata. Ingenieurs kunnen op die digitale kopie simulaties draaien om te zien hoe een onderdeel zich verder zal gedragen, zonder de echte machine stil te hoeven leggen.
Wat wil men ermee bereiken?
De belangrijkste belofte is minder ongeplande uitval. Een productielijn die onverwacht stilvalt, kost bedrijven vaak veel geld per uur; hetzelfde geldt voor een trein die uitvalt of een windturbine die stilstaat. Door problemen vroegtijdig te signaleren, kan onderhoud worden ingepland op een moment dat het minst hinderlijk is.
Daarnaast is er een economisch motief: onnodig vervangen van nog goed functionerende onderdelen kost geld en grondstoffen. Voorspellend onderhoud belooft dus ook duurzaamheidswinst, omdat onderdelen langer worden gebruikt en minder materiaal wordt verspild.
Veiligheid speelt eveneens een rol, vooral in sectoren als luchtvaart, energie en zware industrie, waar een onverwacht defect ernstige gevolgen kan hebben. Ten slotte zien veel fabrikanten van machines hierin een nieuw verdienmodel: in plaats van alleen een machine te verkopen, bieden zij een onderhoudscontract of zelfs "apparatuur als dienst" aan, waarbij zij verantwoordelijk blijven voor de prestaties gedurende de hele levensduur.
Voorbeelden uit de praktijk
Een van de bekendste toepassingen is te vinden in de luchtvaart. Rolls-Royce monitort al geruime tijd op afstand de conditie van straalmotoren via het zogeheten engine health monitoring-systeem, waarbij sensordata continu naar een controlecentrum in Derby (Verenigd Koninkrijk) wordt gestuurd. Dit hangt samen met het "power by the hour"-model, waarbij luchtvaartmaatschappijen betalen per gevlogen uur en Rolls-Royce zelf verantwoordelijk is voor onderhoud en beschikbaarheid van de motor.
In de industrie geldt de Zweedse lagerfabrikant SKF al decennialang als pionier op het gebied van trillingsanalyse: door de trillingen van kogellagers te meten, kan slijtage worden opgespoord ruim voordat een lager daadwerkelijk vastloopt.
General Electric bracht in 2015 het platform Predix uit, bedoeld om industriële machines zoals turbines, vliegtuigmotoren en medische apparatuur te koppelen aan clouddiensten voor data-analyse en voorspellend onderhoud. Het platform illustreerde de brede ambitie van de "industriële IoT"-beweging, al is het sindsdien ook herzien en deels afgebouwd, wat laat zien dat dit veld nog volop in ontwikkeling is.
In de windenergiesector is conditiebewaking inmiddels gangbaar: grote fabrikanten van windturbines, waaronder Vestas en Siemens Gamesa, monitoren doorlopend trillingen en temperaturen in de tandwielkasten en generators van turbines, vaak in moeilijk bereikbare offshore-parken, waar een fysieke inspectie duur en tijdrovend is.
Ook in Nederland wordt hiermee geëxperimenteerd: NedTrain, het onderhoudsbedrijf van de Nederlandse Spoorwegen, gebruikt sensordata en data-analyse om slijtage aan treinonderdelen zoals wielen en deuren te voorspellen, met als doel treinen minder vaak onverwacht uit dienst te hoeven nemen.
Hoe ver is de techniek?
Voorspellend onderhoud is geen nieuw idee: trillingsanalyse en conditiebewaking bestaan al sinds de tweede helft van de twintigste eeuw, vooral in de luchtvaart en zware industrie. Wat de afgelopen tien tot vijftien jaar veranderde, is de combinatie van goedkopere sensoren, snellere dataverbindingen, goedkope cloudopslag en krachtigere algoritmes voor machine learning, waardoor de techniek betaalbaar en schaalbaar werd voor veel meer sectoren dan voorheen.
Toch is de techniek allesbehalve uitontwikkeld. Een belangrijk obstakel is databeschikbaarheid: goede voorspellingen vereisen jarenlange historische gegevens over hoe machines falen, en dergelijke data zijn niet altijd voorhanden of worden niet gedeeld tussen bedrijven. Een tweede obstakel is betrouwbaarheid: een systeem dat te vaak onterecht alarm slaat (een zogeheten vals-positief), verliest snel het vertrouwen van monteurs, terwijl een gemist defect (een vals-negatief) juist het risico kan verhogen dat men probeert te vermijden.
Ook de uitlegbaarheid van AI-modellen is een punt van zorg: als een algoritme voorspelt dat een onderdeel binnen twee weken faalt, willen ingenieurs vaak weten waarom, iets wat complexere modellen niet altijd goed kunnen laten zien. Ten slotte blijft integratie met oudere, bestaande machines lastig: veel apparatuur in fabrieken is decennia oud en niet standaard voorzien van sensoren of digitale aansluitingen, wat naderhand aanpassen kostbaar maakt.
Wie werken eraan?
Grote industriële concerns lopen voorop, waaronder Siemens, General Electric, ABB, Bosch, Schneider Electric en IBM, die elk platforms aanbieden voor het verzamelen en analyseren van sensordata uit fabrieken en installaties. Softwarebedrijven zoals SAP en PTC bieden aanvullende systemen voor onderhoudsplanning op basis van dergelijke voorspellingen.
In specifieke sectoren zijn spelers als Rolls-Royce en Pratt & Whitney toonaangevend in de luchtvaart, en SKF in lagertechnologie. Op het gebied van windenergie investeren fabrikanten als Vestas en Siemens Gamesa fors in conditiebewakingssystemen voor hun turbines.
Op onderzoeksgebied houdt de Prognostics and Health Management Society (PHM Society), een internationale vakvereniging van ingenieurs en onderzoekers, zich specifiek bezig met de wetenschappelijke kant van dit veld. Daarnaast zijn er internationale normen ontwikkeld, zoals ISO 13374 en ISO 17359, die richtlijnen geven voor het opzetten van conditiebewakingssystemen. Landen met een sterke industriële traditie, zoals Duitsland (onder de vlag van "Industrie 4.0"), de Verenigde Staten en Nederland, met bedrijven als ASML, NedTrain en onderzoek aan onder meer de TU Delft, behoren tot de actievere spelers in dit veld.