078-2034021 [email protected]
Uit onderzoek van Axians blijkt dat er in de maakindustrie erg weinig gebruik gemaakt wordt van voorspellend onderhoud, ook wel predictive maintenance genoemd. De belangrijkste reden daarvoor blijkt gebrek aan kennis.

Voorspellend onderhoud tegen downtime

Voor het onderzoek zijn 211 leidinggevenden van Nederlandse industriële bedrijven bevraagd. Twee derde van hen noemt downtime van machines als een van de grootste bedreigingen voor hun bedrijf. Daarnaast vindt vier op de tien dat de gemiddelde downtime van machines in hun bedrijf te lang duurt. Men weet dat predictive maintenance hierbij een belangrijke rol zou kunnen spelen.

Tekst gaat verder onder de afbeelding.

industrie bouw bouwvakker werk

Wat is predictive maintenance?

Voordat we de andere resultaten van het onderzoek bespreken, doen we eerst een stapje achteruit. Wat is predictive maintenance ook alweer?

Het Internet of Things (IoT) legt continue gegevens van diverse sensoren vast. De echte waarde van het IoT zit in de inzichten die analyse van die data oplevert: ontdekte patronen, afgeleide betekenis, indicatoren voor beslissingen en het vermogen om met grotere intelligentie te reageren. Om de gegevens van het IoT te analyseren, maken we gebruik van Artificial Intelligence (AI). Met AI kunnen we bijvoorbeeld voorspellende analyses uitvoeren. Een van de meest bekende voorbeelden van deze voorspellende analyses met AI is voorspellend onderhoud. Wanneer we stilstanden beter kunnen voorspellen, dan kunnen we onderhoud plegen op het juiste moment. Dus net voor het moment dat er een stilstand ontstaat. Doordat we middels het IoT continue meetwaarden van diverse sensoren vastleggen en deze met AI analyseren, kunnen we trends herkennen, zoals een oplopende temperatuur.  Deze trends kunnen we in dit geval omzetten naar voorspellend onderhoud.

Weinig gebruik van voorspellend onderhoud

Het onderzoek van Axians laat zien dat bijna de helft van leidinggevenden in industriële bedrijven bekend is met predictive maintenance. Ook is er veel interesse in, zo ziet bijna twee derde van de bevraagden het wel zitten om de technologie toe te passen. Toch gebeurt dat in de praktijk dus maar weinig: slechts een derde vindt dat de eigen organisatie voldoende gebruikmaakt van voorspellend onderhoud.

Predictive maintenance blijkt lastig

Als belangrijkste verklaring voor het feit dat voorspellend onderhoud in de praktijk nog weinig wordt toegepast, noemt bijna twee derde van de respondenten een gebrek aan kennis binnen de eigen organisatie. Andere veelgenoemde redenen zijn onder meer: onvoldoende verzamelde data en hoge kosten. Dat gebrek aan data is o interessant: 37 procent van de ondervraagden geeft namelijk aan nog niet actief data te verzamelen uit machines. En zelfs als er wel data voorhanden is, vindt 40 procent het lastig om relevante inzichten te verzamelen. Wanneer dit wel lukt, geeft 36 procent van de respondenten aan dat er te weinig wordt gedaan met deze informatie.

Meer lezen over dit onderwerp?

Misschien vind je deze artikelen ook interessant:

Brandweer test slimme drone van Technische Universiteit Eindhoven
Slimme verkoopstalletjes met sensoren om diefstal tegen te gaan
Wat zijn de toepassingen van Computer Vision?

Share This