Maakindustrie maakt weinig gebruik van predictive maintenance

Maar liefst 46 procent van de bedrijven in de maakindustrie maakt momenteel te weinig gebruik van predictive maintenance. Dit blijkt uit onderzoek van Axians onder 211 managers in de Nederlandse maakindustrie, uitgevoerd door Panelwizard. Als belangrijkste verklaring voor deze implementatie-achterstand noemt bijna twee derde van de ondervraagden een gebrek aan kennis en data binnen hun organisatie.

Andere redenen zijn onvoldoende verzamelde data (34 procent) en te hoge kosten (32 procent). Maar ook ontbreekt het volgens zeventien procent van de managers aan goede casevoorbeelden. Een vijfde van hen vindt het hierdoor lastig om de vertaalslag te maken van theorie naar de praktijk. “Tegenwoordig moeten productiebedrijven niet alleen snel kunnen leveren, het is ook noodzakelijk om de kwaliteit van de eindproducten continu aan te scherpen”, zegt Guido van Dinther, Business Unit Manager bij Axians Nederland. “Dit stelt zeer hoge eisen aan de beschikbare productiecapaciteit. Predictive maintenance zorgt ervoor dat je met status data en realtime inzichten proactief en voorspelbaar onderhoud kunt plegen, om zo de downtime van machines zoveel mogelijk te beperken.”

Downtime

Dat het voor de maakindustrie van cruciaal belang is om de uitval van machines zoveel mogelijk te beperken, blijkt ook uit het onderzoek. Zo noemt 66 procent van de managers de downtime van machines als een van de grootse bedreigingen voor hun organisatie. Desondanks heeft slechts 49 procent van hen voldoende kennis van hoe ze deze uitval zoveel mogelijk kunnen verkorten. Veertig procent zegt daarnaast geen duidelijke strategie voor het verbeteren van onderhoud te hebben. Van Dinther: “Voor een succesvolle bedrijfsvoering is het cruciaal dat een apparaat of machine ook daadwerkelijk werkt op de ingeplande momenten. Het belang van efficiënt, betrouwbaar en voorspelbaar onderhoud groeit hierdoor. Toch zien wij dat er in de praktijk steeds minder tijd is voor onderhoud en reparatie. Data speelt bij het vinden van de juiste balans een hoofdrol. Dit betreft niet alleen gegevens van het apparaat zelf, maar ook van de omgeving waarin het opereert.”

Data verzamelen

Ondanks dat het verzamelen van (relevante) data uit machines een van de belangrijkste voorwaarden is voor een succesvolle implementatie van predictive maintenance, zegt 37 procent van de ondervraagden dat hun organisatie dit momenteel niet doet. Van alle organisaties die wel actief data uit machines vergaren, vindt maar liefst veertig procent het lastig om hieruit relevante inzichten te halen. Wanneer dit wel lukt, geeft 36 procent van de respondenten aan dat er te weinig wordt gedaan met deze informatie. Van Dinther: “Data wordt vaak in verschillende bronnen verzameld. Helaas zegt losse data vaak erg weinig. Pas wanneer je ze vergelijkt met andere data en databronnen kun je correlaties en patronen vinden. Daarmee wordt data informatie en kun je beter bepalen wat er is gebeurd en hoe het beter kan. Als we die data inzetten om voorspellende algoritmes te voeden, is het ook mogelijk om vooruit kijken en zaken te voorkomen en/of bij te sturen.”

Over Axians

xians, het ICT-merk van VINCI Energies, is een sterk verbonden, internationaal netwerk van business units die soepel samenwerken. Dankzij deze aanpak kunnen medewerkers hun specialismes, expertise en talenten wisselend combineren en organisaties voorzien van waardevolle maatoplossingen. Als netwerk zet Axians specialisten in om innovatieve projecten te ontwerpen en diensten te leveren. Daarbij kan het gebruikmaken van de expertise van de andere merken van VINCI Energies. Axians is actief in 22 landen en telt meer dan 10.000 medewerkers.

Lees ook:

• Connectiviteitsoplossingen voor de procesindustrie
• Alternatief voor tandwielaandrijving ontwikkeld
• Drukmeting in de procesindustrie