Voorspellend onderhoud op een innovatief platform

De afgelopen jaren is de prijs voor data communicatie en digitale rekenkracht dramatisch gekelderd op de cloud. Dit reflecteert sterk in de industrie, met veel buzzwoorden omtrent Industrie 4.0, waarbij automatisering en digitalisering een centrale rol spelen.

Voorspellend onderhoud is een van de vaak genoemde potentiële voordelen. Immers, als u beschikt over de informatie wanneer uw machines falen, kunt u uw onderhoud van te voren plannen en heeft u geen last meer van drukke agenda’s van monteurs of lange levertijden van benodigde onderdelen. Dit is uitermate prettig voor uw klanten, die nooit meer onverwachte stil komen te staan. U maakt optimaal gebruik van de levensduur van elke individuele asset terwijl u ze niet regelmatig hoeft te inspecteren. 

Dit gebeurt volledig automatisch. Denk aan voorspellend onderhoud als een computer die continu uw data in de gaten houdt en herkent wanneer er iets fout gaat. Ook speelt dit direct in op de operationele veiligheid van uw machines. Elke machine wordt continu in de gaten gehouden en kan automatisch uitgezet worden wanneer onregelmatigheden worden waargenomen of fouten worden voorspeld.

Het is de missie van Amplo om deze technologie toegankelijk te maken. Dat is geen gemakkelijke taak, zoals Tiedo Tinga hier al heeft genoemd. Echter hebben wij een unieke aanpak voor deze uitdaging;

  • Wij focussen op opmaat gemaakte Machine Learning. Voor elke klant ontwikkelen we specifieke modellen. Hierin maken we uitgebreid gebruik van data analyse en uw vakkennis om het voorspellend vermogen zo groot mogelijk te maken.
  • Onze modellen maken gebruik van zelflerende algoritmen. Dit zorgt ervoor dat ze ook in de toekomst continu van uw data leren en zodoende robuust zijn tegen veranderingen in de omgeving van uw asset.  
  • Dit alles komt samen in het cloud-gebaseerde Computerized Maintenance Management System. Hierdoor is ons platform zowel op telefoon als browser toegankelijk en biedt het geavanceerde, intuïtieve en opmaat gemaakte KPI’s aan in een aanpasbare setting. Degradatie curves, klant portalen of asset state of health zijn daardoor binnen handbereik.

Het merendeel van onze modellen vallen in drie categorieën; Anomaly Detection, Fault Prediction & Digital Twins.
Anomaly Detection is veruit de simpelste en vereist enkel data van normaal functioneren. Anomaly Detection vergelijkt het huidige werkpunt van een machine met alle data punten die eerder voorbij zijn gekomen. Gezien we met een grote dataset beginnen, is een onherkenbaar werkpunt vaak een teken voor een storing.
Fault Prediction focust op relatief veel voorkomende of degradatie gerelateerde defecten. Data van meerdere defecte assets maken het mogelijk om toekomstige storingen nauwkeurig te voorspellen. Defecten worden voorspelt door het huidige werkpunt te vergelijken met verzamelde data van eerder opgetreden storingen.
Als derde stap kunnen we Digital Twins ontwerpen. Van input/output data is mogelijk om een digitale kopie van uw systeem te extraheren. Dit kunt u gebruiken voor scenario simulaties of als maatstaf van operationele kwaliteit.

Mocht dit alles uw interesse hebben getrokken en bent u benieuwd naar de eerste stappen richting Voorspellend Onderhoud, kom vooral langs op stand S4 tijdens Maintenance Gorinchem op 1, 2 & 3 december 2020.

Deel dit bericht:

Share on facebook
Facebook
Share on google
Google+
Share on twitter
Twitter
Share on linkedin
LinkedIn
Scroll naar top