Nederland is al goed op weg, maar predictive maintenance zit wel nog in de zoekende fase

By Bart Brouwers

Waarom we over dit onderwerp schrijven:

Ontwikkelingen rond AI, data science en sensoring zorgen ervoor dat voorspellend onderhoud steeds dichterbij komt. Voor de high-tech maakindustrie is dat een uitkomst.

Voor veel bedrijven is het al een absolute must: een strategie waarmee je het juiste onderhoudsmoment van je machines en uitrusting kunt voorspellen. In plaats van wachten op het moment dat het misgaat, gebruik je sensoren, data-analyse en AI om nauwkeurig te bepalen wanneer onderhoud nodig is. Het is dé manier om je downtime laag te houden en de relatie met klanten en leveranciers te optimaliseren. 

Deze manier van werken staat bekend onder de term predictive maintenance – voorspellend onderhoud. Omdat het van cruciaal belang is voor de high-tech maakindustrie, besteedden Mikrocentrum en DSPE er afgelopen week een aparte aflevering van het Techcafé aan. Experts Marc Vissers (marketing en communicatiemanager bij Lenze), Willem Hofman (CEO van IXON), Arjen Ros (manager en consultant bij Copernicos) en Mark Stappers (docent en onderzoeker bij Fontys Hogeschool Engineering) schoven aan tafel bij Maarten Roos. Hun conclusie: Nederland steekt in positieve zin af bij de rest van de wereld, maar we zitten nog steeds in een tussenfase. “We zijn nog zoekende als het gaat om de inzet van AI, sensoren en data-analyses.”

Eerste Techcafé zet de spotlights op robotisering voor het mkb: ‘Gewoon mee beginnen’

De eerste editie van het Techcafé, met robotisering als focus, smaakte direct naar meer.

Waar gaat het om bij predictive maintenance? Marc Vissers antwoordt direct: “Ervoor zorgen dat je bij het ontwerp van de machine al weet wat er in de looptijd van dat apparaat kan gebeuren. En daar de processen en systemen op inrichten.” Doel daarbij is, aldus Vissers, data omzetten in meerwaarde op het gebied van duurzaamheid en van de business zelf. “Je wilt stilstand voorkomen”, vult Willem Hofman hem aan. “Daarbij is het van belang een verbinding te maken tussen de machinebouwer en de machinegebruiker.”

Scenario’s uit simulaties

Arjen Ros noemt een ander belangrijk aspect van predictive maintenance: “Je hoort vaak dat het niet lukt zonder gigantische hoevelheden data. Maar door modellen te bouwen die met simulaties scenario’s kunnen maken van een toekomstige situatie kom je ook al een heel eind. Natuurlijk, met data wordt het allemaal nog beter. Maar ga daar niet op wachten; je kunt als ondernemer al in een vroeg stadium aan de slag.” Dat geldt des te meer omdat er onbewust al veel bruikbare data aanwezig is. “Kijk bijvoorbeeld naar je energieverbruik. Neemt dat ineens onverklaarbaar toe, dan is dat een signaal om eens goed op onderzoek uit te gaan.”

Mark Stappers ziet ook veel heil in digital twinning. “In het toegepast onderzoek dat we met Fontys engineering vaak samen met het bedrijfsleven opzetten, maken we daar veel gebruik van.” Predictive Maintenance “hangt in de lucht”, zegt Stappers. “Het mkb is zoekende, net als de grote machinebouwers. Ze zijn zich bewust van het belang, maar zoeken nog naar manieren om het ook bedrijfsmatig sluitend te krijgen. Dat geldt ook voor het onderwijs trouwens. We zien het nu nog als een onderdeel van onze digital twinning activiteiten, maar op een gegeven moment zal dit ook een aparte module gaan opleveren. Tot die tijd gaan we samen met het mkb op zoek naar de juiste aanpak.”

Hofman ziet ook een toenemende erkenning in het bedrijfsleven. “Maar tegelijk is er twijfel over het hoe. We zitten nog steeds in die tussenfase: het is nog niet snel toepasbaar, andere prioriteiten staan soms in de weg, de echte urgentie ontbreekt nog. Maar ik weet zeker dat dat niet lang meer gaat duren.”

Nieuw of refurbished

Vissers ziet daarbij een verschil tussen de toepassing bij nieuwe machines en de refurbished modellen: “Bij nieuw zie ik het al helemaal goed gaan, maar voor refurbished is de merk- en productoriëntatie sterker dan de meer conceptuele vragen. Dat is trouwens helemaal niet vreemd, want bij nieuw heb je de kans om het echt vanuit de ontwerpfase te gaan inbouwen.”

De systems engineer: allesweter, overzichthouder, teambuilder en administrator in één persoon

Zet tien engineers bij elkaar en je krijgt tien verschillende definities van het begrip systems engineering. Dat is verklaarbaar maar niet altijd even handig.

En dan is er nog het probleem dat veel eindgebruikers een machinepark hebben dat van soms wel tientallen verschillende leveranciers afkomstig is. Zelfs als al die machines zijn voorbereid op predictive maintenance, dan moeten die systemen ook nog maar eens aan elkaar gekoppeld kunnen worden. Open Source oplossingen zouden het antwoord kunnen vormen waar de eindgebruikers enorm mee geholpen zijn, maar zijn alle machinebouwers daar wel klaar voor? “In Europa, en vooral in Nederland, misschien wel”, zegt iemand vanuit het publiek. “Maar daarbuiten nog totaal niet. In Japan is dit bijvoorbeeld ondenkbaar.” Vissers erkent dat dit in deze fase voorlopig nog wel een uitdaging zal blijven. “Maar misschien zou een machinebouwer het als verkoopargument kunnen gebruiken.” 

Valkuilen

Valkuilen rond predictive maintenance zijn er ook genoeg, zo constateren de gesprekspartners gezamenlijk. “Niet alle data is even nuttig”, zegt Stappers. “Soms wil je informatie uit je machine halen die er niet is, maar vaak ook zie je dat bedrijven alles maar gaan verzamelen en opslaan, terwijl ze er eigenlijk maar weinig mee kunnen.” En kijk niet alleen naar de machine zelf maar ook naar de omgeving, zo vult Ros aan. “Een solar systeem in de woestijn opereert anders dan een marineschip op de oceaan.” Ook de bereikbaarheid speelt daarbij een rol: als er dagelijks mensen rondlopen en gebruik maken van de machines is dat een belangrijke bron van informatie. “Maar dat geldt niet voor die solar systemen in de woestijn”, zegt Hofman. “Gelukkig kunnen we op afstand monitoren of de accu’s nog werken en de panelen niet te vuil zijn geworden. Daar stemmen we dan het onderhoud op af.”

Ook Ros ziet nog drempels. “Predictive maintenance vergt mensen die de impact van AI begrijpen; als je dat niet snapt, dan heb je een probleem. Daarnaast: in een wereld die zo snel verandert, moet je ook erkennen dat niet alles voorspelbaar is, zelfs met de beste AI. En misschien wel het allerbelangrijkste: AI is geen vervanging van de mens. Dus wie de kennis in de hoofden van de mensen het beste weet te combineren met kunstmatige intelligentie, die is op de goede weg. Luister altijd naar je vakmensen!”

“Het wordt echt heel mooi”

Willem Hofman

Nederland mag dan op de goede weg zijn, er is ook nog een hoop ruimte voor verbetering, zo wordt vastgesteld. “Maar waar staan we dan over pakweg vijf jaar”, wil Maarten Roos nog weten. Ros ziet het vooral in de stap van de afzonderlijke componenten naar de complete systemen, in onderlinge verbondenheid. Stappers hoopt op een aparte opleiding, met linkjes naar toegepaste wiskunde, ict en andere studies. Voor Vissers is dat het moment dat de machinebouwers allemaal betrokken zijn en ze dankzij de input van een breed scala aan nieuwe specialismen hun eindgebruikers nog meer van dienst kunnen zijn. Hofman krijgt een brede glimlach op zijn gezicht als hij zich een voorstelling probeert te maken van de wereld over vijf jaar. “Iedereen is er dan mee bezig want allemaal zien we de waarde van predictive maintenance. Het wordt echt héél mooi!”