Condition-based maintenance: onderhoudsstrategie met toekomst
Datagestuurde aanpak waarbij werkelijke conditie van assets centraal staat
Condition-based maintenance (CBM) baseert onderhoudsbeslissingen op actuele conditiemetingen, veelal uitgevoerd door sensoren. De methodologie verschilt per industrietak, maar dataverzameling, data-analyse, besluitvorming en operationele uitvoering zijn de telkens terugkerende kerncomponenten. Via een datagestuurde aanpak opent CBM de weg naar proactief en predictief onderhoud. Hierdoor kunnen machines langer operationeel blijven, is het onderhoud planbaar en worden de productieprocessen toekomstbestendig.
Uniform procesmodel
Bij CBM wordt alleen dàn ingegrepen wanneer er een meetbare indicatie is dat een component of systeem achteruitgaat of dreigt te falen. Het wordt veelvuldig toegepast in diverse industriële sectoren, met name daar waar continuïteit cruciaal is. De methodologie verschilt per industrietak, maar het procesmodel is uniform: dataverzameling, data-analyse, besluitvorming en operationele uitvoering.
Dataverzameling
De dataverzameling vormt het hart van condition-based maintenance. De volgende bouwstenen dragen gezamenlijk zorg voor een nauwkeurige monitoring en analyse van de degradatiestatus.
Analyse kritische componenten
De eerste stap is analyse van de kritische componenten: welke assets zijn bedrijfskritisch, wat zijn de dominante faalmechanismen (slijtage, vermoeiing, corrosie, oververhitting ...) en welke meetbare parameters geven vroegtijdig inzicht in degradatie? Doorgaans wordt daartoe een FMECA uitgevoerd, waarmee vervolgens de Key Condition Indicators (KCI’s) (zie begrippenkader) worden vastgesteld, bijvoorbeeld trillingsniveau, temperatuur, druk en/of stroomverbruik.
Sensorkeuze
De sensoren worden gekozen aan de hand van de faalmechanismen. Dat kunnen trillings-, temperatuur-, druk- of ultrasone stroomsensoren zijn. De plaatsing is cruciaal: op vaste, reproduceerbare meetpunten en zo dicht mogelijk bij de bron van mogelijke degradatie, waarbij rekening wordt gehouden met de trillingsrichtingen (axiaal, radiaal). Slechte plaatsing kan leiden tot ruis of gemiste defecten.
Condition monitoring en voorbewerking
Voor het verzamelen van de gegevens bestaan er in principe twee mogelijkheden:
- continue monitoring: sensoren sturen realtime data naar een PLC, SCADA of IoT-platform;
- periodieke metingen: daarbij wordt tijdens inspectierondes gebruikgemaakt van handheld meetapparatuur.
De voorbewerking (preprocessing) kan bestaan uit ruisfiltering, omzetting naar het frequentiespectrum (FFT) en anomaliedetectie. Bij edge computing is er sprake van lokale verwerking van meetgegevens, waarna deze eventueel naar de cloud worden gestuurd.
Transmissie
Het transport van de gegevens vindt plaats over verschillende netwerken. Dat kan bekabeld (4–20 mA, industriële bussystemen als Profinet, Ethernet/IP en EtherCAT), draadloos (wifi, LoRaWAN, 5G) of via industriële IoT-platformen. Belangrijke aandachtspunten daarbij zijn dataveiligheid (encryptie), vertraging (latency) en de betrouwbaarheid van verbinding (reliability).
Opslag
De verzamelde data kunnen worden bewaard in historische databases, cloudomgevingen en assetmanagementsystemen zoals EAM of CMMS. Er is sprake van een gestructureerde registratie, inclusief tijdstempel, Asset-ID, Sensor-ID, meetwaarde en omgevingsparameters als belasting, toerental en omgevingstemperatuur. De datakwaliteit is in dat geval essentieel: foutieve of onvolledige data ondermijnen voorspellende analyses.
Data-analyse
De data-analysecomponent is te beschouwen als het brein van CBM. Doorgaans vindt een dergelijke analyse plaats aan de hand van statistische modellen of machine learning-algoritmen.
Statistische modellen
Deze modellen zijn het meest in gebruik bij CBM:
- lineaire regressie, aangezien deze methode goed toepasbaar is bij lineaire degradatiepatronen en de resultaten eenvoudig te interpreteren zijn;
- logistische regressie, omdat de methode bijzonder geschikt is voor onderhoudsbeslissingen, mede doordat er sprake is van directe kansvoorspelling;
- cox proportional hazards model, een standaardmodel in reliability engineering dat rekening houdt met censurering (survival time bekend, faalmoment onbekend) en het tijd- en conditie-informatie combineert.
Machine learning-algoritmen
Na opschoning van de gegevens worden deze doorgaans verdeeld in een trainings- en een testset. Gedurende de trainingsfase optimaliseert het algoritme zijn interne parameters om zo het aantal onjuiste voorspellingen te minimaliseren. In de testset wordt evaluerend het generaliseringsvermogen naar nieuwe, onbekende data getoetst. Eventuele bijstelling vindt plaats aan de hand van een aparte validatieset.
Vanwege de enorme datastroom wordt de eerstelijnsanalyse in toenemende mate uitgevoerd door AI, waarna een vakspecialist de resultaten verder interpreteert en beoordeelt.
Begrippenkader
- Failure Mode and Effects Analysis (FMEA): een systematische methode om potentiële fouten in een product of proces te identificeren en de gevolgen daarvan vooraf te kunnen beoordelen.
- Failure Modes, Effects and Criticality Analysis (FMECA): een stapsgewijze analysemethode om faalwijzen, gevolgen en kriticiteit te identificeren, analyseren en prioriteren.
- Key Condition Indicator (KCI): een kwantiatieve parameter die kritieke systeem- of procescondities bewaakt om prestaties, risico’s en stabiliteit tijdig te signaleren.
- Risk-Based Inspection (RBI): methodiek om onderhoud en inspecties te prioriteren op basis van faalrisico, zodat middelen efficiënt(er) kunnen worden ingezet.
- Remaining Useful Life (RUL): de geschatte periode waarin een machine of component nog betrouwbaar functioneert voordat onderhoud of vervanging nodig is.
Besluitvorming
De besluitvorming slaat de brug tussen technische bevindingen en concrete onderhoudsinterventies. De invulling verschilt uiteraard per industrietak, maar ook hier is er sprake van een karakteristieke fasering.
Interpretatie van analyseresultaten
De eerste stap is hier onderzoeken in welke mate de gemeten waarden afwijken van norm- of referentiewaarden en hoe snel de eventuele degradatie verloopt (trendanalyse). Daarbij worden de gemeten waarden vergeleken met historische gegevens en benchmarks. Daarnaast van belang is validatie van afwijkingen, dit om meetfouten of ruis uit te sluiten. Vaak wordt dan gewerkt met alarmdrempels en voorspellende modellen zoals Remaining Useful Life (RUL, zie begrippenkader).
Risico- en impactanalyse
Een afwijking maakt direct ingrijpen niet altijd noodzakelijk. Criteria daarvoor zijn:
- de kans op falen binnen een bepaalde tijd;
- de eventuele gevolgen ten aanzien van veiligheid, productie, milieuschade en/of kosten;
- systeemredundantie (de beschikbaarheid van extra componenten of back-ups);
- de storingsimpact (kritikaliteit).
De interventienoodzaak wordt veelal vastgesteld op basis van een risicomatrix (kans × impact). In kritieke sectoren kan dit worden ondersteund door FMEA- of RBI-methodieken (zie begrippenkader).
Afweging van interventie-opties
Op grond van de risico- en de technische beoordeling wordt er actie ondernomen. Dat kan direct correctief onderhoud zijn, acceleratie van gepland onderhoud, intensivering van de monitoring of het hanteren van de run-to-failure-strategie. Bij een verwaarloosbaar risico kan er worden afgezien van interventie. Beschikbaarheid van personeel en onderdelen, de productieplanning, afweging tussen downtime- en onderhoudskosten en contractuele verplichtingen zijn van belang bij een dergelijke afweging.
Formele besluitvorming en prioritering
Eenmaal het besluit genomen is, wordt de gekozen interventie geprioriteerd binnen de onderhoudsplanning, vastgelegd in een onderhoudsbeheersysteem (CMMS/EAM) en gepland op een geschikt moment; bijvoorbeeld tijdens een shutdown. In meer geavanceerde CBM-omgevingen gebeurt dit deels geautomatiseerd via decision support-systemen die aanbevelingen genereren op basis van vooraf ingestelde beslisregels. De besluitvorming is doorgaans multidisciplinair; bij verstrekkende gevolgen is in de regel goedkeuring van het management nodig.
De feedbackloop zorgt voor continue verbetering van het onderhoudsbeleid en verhoogt bovendien de betrouwbaarheid van toekomstige beslissingen
Feedback en optimalisatie
Een essentieel onderdeel van besluitvorming is de terugkoppeling. Vragen die daarbij in ieder geval aan de orde (moeten) komen zijn:
- is de genomen beslissing effectief gebleken?
- waren de voorspellingen accuraat?
- dienen alarmdrempels of modellen te worden aangepast?
Deze feedbackloop zorgt voor continue verbetering van het onderhoudsbeleid en verhoogt bovendien de betrouwbaarheid van toekomstige beslissingen.
Operationele uitvoering
Tijdens deze laatste fase van het proces worden de beslissingen omgezet in concrete acties. Doel hiervan: op het juiste moment proactief onderhoud uitvoeren, met minimale impact op de productie en een maximale effectiviteit van de interventie.
Planning en coördinatie van onderhoud
Onderhoudsactiviteiten worden ingepland op basis van prioriteit, middelenbeschikbaarheid en minimale onderbreking van de productie. Dit laatste kan onder meer door het onderhoud te combineren met reeds geplande stilstandsperioden (scheduled downtime).
Toewijzing van middelen
Onder de term 'middelen' vallen materiaal, gereedschap en personeel. Bij complexe interventies − het vervangen van kritische componenten of het uitvoeren van geavanceerde reparaties – kan het nodig zijn specifieke expertise in te schakelen.
Onderhoudswerkzaamheden
Onderhoudspersoneel voert de interventies uit conform de besluitvorming. Deze werkzaamheden worden strikt uitgevoerd op basis van vastgestelde procedures en veiligheidsvoorschriften, waarbij nauwlettend wordt gelet op de integriteit van zowel personeel, apparatuur als werkomgeving.
Monitoring van interventies
Tijdens de uitvoering worden sensorgegevens en voortgangsindicatoren bijgehouden, om te kunnen beoordelen of de interventie het gewenste effect heeft. Door eventuele afwijkingen direct te registreren, is snelle bijsturing mogelijk.
Registratie en terugkoppeling
Alle acties, resultaten en eventuele observaties worden gedocumenteerd in het onderhoudsbeheersysteem. Deze gegevens vormen een waardevolle input voor toekomstige dataverzameling en besluitvorming, waardoor het CBM-proces cyclisch verbetert.
Conclusie
De toekomst van CBM is veelbelovend. Waar traditionele tijd- of intervalgebaseerde onderhoudsmethoden kunnen leiden tot onnodige interventies of onverwachte stilstanden, biedt CBM een datagestuurde aanpak, waarbij de werkelijke conditie van assets centraal staat. Dit verhoogt de betrouwbaarheid en optimaliseert de onderhoudskosten. Daarnaast vormt CBM de basis voor predictief onderhoud, waarmee storingen steeds beter voorspelbaar worden.
Met medewerking van Istec, Nidec, Nord Aandrijvingen België en SKF