Procesindustrie loopt voorop met condition-based maintenance
Ervaring met geavanceerde meet- en regelsystemen betaalt zich uit
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 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?
Sensorkeuze
De sensoren worden gekozen aan de hand van de faalmechanismen. Ze worden geplaatst op vaste, reproduceerbare meetpunten, zo dicht mogelijk bij de bron van mogelijke degradatie. Slechte plaatsing kan leiden tot ruis of gemiste defecten.
Condition monitoring en voorbewerking
Dataverzameling gebeurt via continue monitoring (sensoren sturen realtime data naar een PLC, SCADA of IoT-platform) of via periodieke metingen (tijdens inspectierondes met behulp van handheld meetapparatuur). De voorbewerking kan bestaan uit ruisfiltering, omzetting naar het frequentiespectrum (FFT) en anomaliedetectie.
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
Verzamelde data kunnen worden bewaard in historische databases, cloudomgevingen en assetmanagementsystemen. Daarbij is sprake van een gestructureerde registratie, inclusief tijdstempel, Asset-ID, Sensor-ID, meetwaarde en omgevingsparameters. Foutieve of onvolledige data ondermijnen vanzelfsprekend 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: geschikt voor lineaire degradatiepatronen en eenvoudig te interpreteren;
- logistische regressie: dankzij de directe kansvoorspelling bijzonder geschikt voor onderhoudsbeslissingen;
- cox proportional hazards model: een standaardmodel in reliability engineering dat rekening houdt met censurering en tijd- en conditie-informatie combineert.
Machine learning-algoritmen
Na opschoning van de gegevens worden deze doorgaans verdeeld in een trainings- en een testset. Het algoritme leert tijdens de training patronen herkennen, waarna de testset het generaliseringsvermogen op nieuwe data beoordeelt. Door de grote datastroom voert AI steeds vaker de eerste analyse uit, waarna een vakspecialist de resultaten interpreteert en beoordeelt.
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. Om meetfouten of ruis te kunnen uitsluiten, is validatie van afwijkingen een vereiste.
Risico- en impactanalyse
Een afwijking maakt direct ingrijpen niet altijd noodzakelijk. Criteria daarvoor zijn onder meer de kans op falen binnen een bepaalde tijd, de eventuele gevolgen ten aanzien van veiligheid, productie, milieuschade en/of kosten en de storingsimpact (kritikaliteit).
De interventienoodzaak wordt veelal vastgesteld op basis van een risicomatrix (kans × impact).
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 worden afgezien van interventie, op basis van zaken als de productieplanning, downtime versus onderhoudskosten en contractuele verplichtingen.
Formele besluitvorming en prioritering
Is het besluit een keer genomen, dan wordt de gekozen interventie geprioriteerd binnen de onderhoudsplanning, vastgelegd in een onderhoudsbeheersysteem (CMMS/EAM) en gepland op een geschikt moment, bijvoorbeeld tijdens een shutdown. De besluitvorming is doorgaans multidisciplinair; bij verstrekkende gevolgen is in de regel goedkeuring van het management nodig.
Feedback en optimalisatie
Een essentieel onderdeel van besluitvorming is de terugkoppeling, met vragen als:
- 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 onderhoud te combineren met toch al 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 conform 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.
Condition-based maintenance in de procesindustrie
In de procesindustrie is CBM hoogwaardig, diepgaand en sterk gereguleerd. Hoogwaardig dankzij de inzet van geavanceerde technologie en data, diepgaand doordat de focus ligt op oorzaken en voorspellende modellen, en sterk gereguleerd vanwege de veelheid aan veiligheidseisen en de omvangrijke wet- en regelgeving.
Door de hoge complexiteit en kapitaalintensiteit van de installaties, de aanzienlijke veiligheids- en milieurisico’s en het belang van continue productie (24/7), volstaat periodiek onderhoud doorgaans niet. Daarnaast vereist wet- en regelgeving dat bedrijven aantoonbaar in control zijn over de integriteit en het functioneren van hun assets.
Voorsprong
Er zijn diverse redenen aan te voeren voor het feit dat CBM vooroploopt in de procesindustrie.
- De procesindustrie gebruikt al decennialang geavanceerde meet- en regelsystemen als DCS- en SCADA-platformen voor continue procesbewaking en -aansturing. Hierdoor beschikt de sector over veel data die relevant is voor CBM;
- Dankzij de datacultuur en ervaring met procesmodellering is de sector vertrouwd met processimulaties en first-principles-modellen. In combinatie met statistische procescontrole (SPC) en AI/ML ontstaat beter procesinzicht, wat de implementatie van voorspellend onderhoud vergemakkelijkt;
- De sector is ook vertrouwd met risk-based frameworks (RBI/RBM), waarbij inspecties en onderhoud op basis van risico worden geprioriteerd. Dit leidt tot efficiëntere, veiligere en kosteneffectievere onderhoudsstrategieën door gerichte preventie en optimale inzet van assets.
Sectorspecifiek
CBM opent de weg naar proactief en predictief onderhoud, met enkele specifieke ontwikkelingen voor de procesindustrie en -technologie.
Uitbreiding van sensortechnologie en IIoT
De procesindustrie draait op realtime data van pompen, compressoren, reactoren en andere apparatuur. IIoT-sensoren meten trillingen, druk, temperatuur, flow en chemische samenstellingen. Zonder deze data is CBM niet mogelijk.
Geavanceerde data-analyse en AI
Voor predictief onderhoud is AI essentieel om trends, afwijkingen en toekomstige faalmodi te (kunnen) voorspellen. In de procesindustrie kan dit downtime minimaliseren en veiligheidsrisico’s verminderen.
Gebruik van digital twins
Digital twins (virtuele kopieën van installaties) worden steeds vaker ingezet voor simulatie en scenario-analyse in complexe chemische en olieprocessen. Ze verbeteren het risicobeheer en optimaliseren het onderhoud.
Focus op veiligheid en compliance
Focus op veiligheid en compliance wordt cruciaal in de procesindustrie, waar normen zoals ATEX, IEC en ISO gelden, en CBM-systemen vroegtijdig storingen moeten kunnen voorspellen om veiligheidsrisico’s te voorkomen.
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 onderhoudskosten. Daarnaast vormt CBM de basis voor predictief onderhoud, waarmee storingen steeds beter voorspelbaar worden.