In het achtste deel van deze blogserie bespreekt Carlo Van Der Steen van Spacewell hoe sensorgegevens de effectiviteit van het onderhoud van gebouwen kunnen verbeteren.

Reactieve, preventieve en predictieve onderhoudsmethoden

Welke aanpak kiezen voor het onderhoud van uw installaties? Niet-kritieke elementen in een gebouw kunnen uitvallen zonder grote problemen te veroorzaken. Deze zijn meestal ook snel te vervangen zonder veel kosten (gloeilampen, bijvoorbeeld). In het geval van kritieke onderdelen zullen de uitgaven voor preventief onderhoud bijna altijd lager uitvallen dan de kosten die u hebt door defecten, ongeplande stilstand en correctieve reparaties. Voor onderdelen van gebouwen die niet gevoelig zijn voor plotselinge, onvoorziene storingen, is preventief, gepland onderhoud, een adequate strategie. Preventieve onderhoudsintervallen zijn gebaseerd op tijd of gebruik, en de optimale onderhoudsfrequentie wordt bepaald aan de hand van standaarden, praktijkervaringen en instructies van apparatuurfabrikanten. Planmatig onderhoud tracht een evenwicht te vinden tussen te veel (buitensporige kosten) en te weinig onderhoudsbeurten (stilstand, slechte SLA) op basis van ‘gemiddelde’ prestaties.

Voorspellend onderhoud gaat een stap verder en voorspelt nauwkeurig wanneer apparatuur waarschijnlijk defect zal raken en stemt onderhoudstaken op elkaar af om te worden uitgevoerd voordat de storing zich voordoet. Een dergelijke strategie is ontworpen om storingen te voorspellen voordat ze zich ontwikkelen en zo tijd vrij te maken voor corrigerende maatregelen zonder de normale workflow te verstoren en tegelijkertijd de levenscyclus van de apparatuur te verlengen.

Elke aanpak heeft echter zijn voordelen en beperkingen. Het opzetten van voorspellend onderhoud vereist bijvoorbeeld gespecialiseerde kennis – die niet altijd de moeite waard is. Daarom wordt aan organisaties geadviseerd verschillende onderhoudsstrategieën te volgen, afhankelijk van hun activiteiten (b.v. kantoorgebouwen, magazijnen, gezondheidszorgfaciliteiten, transportinfrastructuur, elektriciteitscentrales), het type activa, en de mate waarin deze van kritiek belang zijn voor hun bedrijf.

Nu klimaatverandering een steeds nijpender probleem wordt, moeten onderhoud van gebouwen en vervanging van apparatuur ook worden gezien als een kans om het milieu duurzamer te maken en de energietransitie te versnellen.

Probleemdetectie en waarschuwingen

Het concept van ‘management by walking around’ klinkt misschien sympathiek, maar voor gebouwenbeheer is deze aanpak minder geschikt, zeker als uw portfolio meerdere gebouwen of sites omvat. In dat geval worden continue opvolging en sensorgegevens bijna onmisbaar om het FM-team snel te waarschuwen voor anomalieën en storingen te voorkomen of te minimaliseren. Aangesloten sensoren die verschillende parameters monitoren (temperatuur, vochtigheid, CO₂, VOC’s, luchtdruk, energieverbruik, trillingen door bewegende onderdelen, enz.) geven aanwijzingen voor slecht functionerende systemen, zoals verstopte luchtfilters in HVAC-systemen, een defecte circulatiepomp, of lekkages.

Geautomatiseerde follow-up door workflow-gebaseerde software

Probleemdetectie is de eerste stap, de vervolgstap is immers om binnenkomende meldingen actiegericht te maken. Met workflow-gebaseerde software kunt u automatische processen opzetten via een ‘als dit dan dat’ logica, waarbij meldingen worden omgezet in werkorders en worden toegewezen aan het interne FM-team of externe onderhoudspartijen. Als bijvoorbeeld een ingestelde temperatuurdrempel in de serverruimte wordt overschreden, wordt een werkorder verstuurd om de HVAC te controleren. Of wanneer sensoren een storing detecteren aan de poort van een laad- en losperon in een magazijn, wordt een werkorder verzonden om het probleem op te lossen. Dit proces kan in hoge mate worden geautomatiseerd, zodat onderhoudsleveranciers een overzicht krijgen van de uit te voeren werkzaamheden – vaak nog voordat gebruikers van een potentieel probleem kennisnemen.

Voorspellend onderhoud van slimme gebouwen

Voorspellend onderhoud is gebaseerd op de toestand. Het is niet gebaseerd op vaste tijdsintervallen of gebruiksfrequentie om te bepalen wanneer onderhoud nodig is. Voorspellend onderhoud voor slimme gebouwen maakt gebruik van permanente monitoring, foutdetectie, en ‘machine learning’ om de kans op storingen in de apparatuur te bepalen. Wanneer zich een defect ontwikkelt, wordt dit door sensoren opgevangen. Zo wordt het onderhoud alleen uitgevoerd wanneer dat nodig is en kunnen onnodige kosten worden bespaard. Met deze aanpak kan waarschijnlijk ook (onherstelbare) schade aan een installatie worden voorkomen.

Het leerproces is gebaseerd op foutopsporingsmodellen (van derde partijen). Hierin wordt het normale gedrag van een asset bepaald en weergegeven. Als de binnenkomende data aangeven dat er een afwijking is van dit normale patroon, volgt er een foutdetectie. De Machine Learning Engine zal de modellen interpreteren en ervoor zorgen dat er actie wordt ondernomen (bijv. de asset wordt intensiever gebruikt dan verwacht, dus het onderhoud moet eerder worden ingepland). Door het beïnvloeden van de instelpunten wordt het preventieve plan een voorspellend onderhoudsplan, met tijdige interventies en een slimme planning. De basis hiervoor is uw CMMS/FMIS-software die uw assets, ruimtes, processen, personeel en onderhoudsplanning integreert.

Deel 1 van de blogserie ‘Van sensor tot inzicht’ leest u hier.

Deel 2 van de blogserie ‘Van sensor tot inzicht’ leest u hier.

Deel 3 van de blogserie ‘Van sensor tot inzicht’ leest u hier.

Deel 4 van de blogserie ‘Van sensor tot inzicht’ leest u hier.

Deel 5 van de blogserie 'Van sensor tot inzicht leest u hier.

Deel 6 van de blogserie 'Van sensor tot inzicht leest u hier.

Deel 7 van de blogserie 'Van sensor tot inzicht leest u hier.

donderdag 18 augustus 2022permalink