Stilstanden hebben vele oorzaken. Sommige problemen worden geleidelijk aan slechter en voor die problemen kan het haalbaar zijn te voorspellen wanneer ze gaan leiden tot stilstand, bijvoorbeeld aan de hand van trillingen. In dat geval is de term “predictief” of “voorspellend” onderhoud gepast.
Maar er zijn ook vele degradaties van productiemachines of procescontrole die zich niet voorspelbaar gedragen, maar waarvoor het toch waardevol is te detecteren dat er een probleem is of aan het ontstaan is vooraleer het daadwerkelijk tot een stilstand leidt. Die detectie kan vaak aan de hand van bestaande sensor data zoals energiemetingen, snelheidsmetingen, flowmetingen, temperatuurmetingen enz. Het is echter onmogelijk voor de mens om continu honderden of zelfs duizenden sensor metingen in de gaten te houden en in te schatten of ze nog normaal zijn. Ook is het economisch niet haalbaar en vaak ook niet voldoende om manueel alarmgrenzen in te stellen op al die metingen. Dat is precies waar artificiële intelligentie kan helpen: door ingenieurskennis te combineren met AI werden anomalie detectoren gecreëerd die aangeven waar in een machine of productieproces iets afwijkt van normaal en wat precies afwijkend is. Die informatie overzichtelijk voorgesteld in een interactief dashboard en/of rapport is een enorme hulp en extra informatiebron om te bepalen welke onderhoudstaken prioritair zijn.
In deze lezing gaan we in op de voor- en nadelen van “predictieve” condition monitoring versus anomalie detectie, en geven we aan waarom het verstandig is beide te combineren naargelang de omstandigheden in een “data gedreven” onderhoudsaanpak.