Webinar | Condition monitoring, continuous condition monitoring or APM4.0?
•
0 likes•150 views
Slide form the webinar by Johan Ferket on the question which strategy to use: condition monitoring, continuous condition monitoring or APM4.0.
Recommended
More Related Content
What's hot
What's hot (20)
Similar to Webinar | Condition monitoring, continuous condition monitoring or APM4.0?
Similar to Webinar | Condition monitoring, continuous condition monitoring or APM4.0? (20)
More from Stork
More from Stork (20)
Recently uploaded
Recently uploaded (20)
Webinar | Condition monitoring, continuous condition monitoring or APM4.0?
- 1. CONDITION MONITORING, CONTINUOUS CONDITION MONITORING OR APM 4.0? That is the question!
- 2. ASSET MANAGEMENT AND 9 APRIL, 2020 2 ASSET PERFORMANCE MANAGEMENT Asset Management Governance Risk Management AM performances & Improvements Management Plans& Strategy Asset Service ProvidingAM Policy. AM Concepts AM Plans AM Analysis AM strategy (existing/new) AM objectives AM policy Criticality analyses Spare parts concept Engineering improvemen t concept Operating concept Maintenanc e concept Compliance & integrity concept Data & docum. concept Contingen cy concept LT Asset Plan MT Asset Plan Project Portfolio Asset Budget Asset utilization/ operation Asset care Asset acquire/ Creation Asset disposal Supportive processes Asset improvement Information publishing Management Review Failure, incid., & non conf. analyses Compliance analysis Improvement actions Audit Asset data & records Performance & condition monitoring AM organization AM people AM infrastructure MAINTENANCE STRATEGIES • Condition Based Maintenance • Condition monitoring • Predictive maintenance • Time Based Maintenance • Run to Failure Asset Management Processes
- 3. 9 APRIL, 2020 3 DIGITAL LINE OF SIGHT Data analytics, Machine Learning, Condition Monitoring Process flows, procedures, work instructions Design settings Manuals, P&ID’s and drawings CAD and Reality models Asset Health and Condition KPI’s
- 4. One-Column Format Paper # • Paper Title • Presenter Name SLIDE TITLE HERE
- 5. VALUE … 9 APRIL, 2020 5 2-6% Increased Availability 5-10% Inventory Cost Reduction 10-40% Reduction in Reactive Maintenance 3-35% Safety Incident Reduction 5-20% Workforce Productivity 10-15% Lifetime Extension
- 6. COMBINING NEW TECHNOLOGIES 9 APRIL, 2020 6 WITH ASSET KNOWLEDGE Digital devices Drone inspections Smart sensors
- 7. CURRENT RISK BASED APPROACH 9 APRIL, 2020 7 When the equipment to analyze has been selected, just like in RCM we ask: • What are its functions? • In what ways can it fail? • What causes it to fail? • What happens when it fails? • Does it matter that it fails? • Can anything be done to predict or prevent the failure? • What if we cannot predict or prevent the failure?
- 8. 9 APRIL, 2020 8 CURRENT RISK BASED APPROACH MAINTENANCE STRATEGIES • Condition Based Maintenance • Condition monitoring (offline – online) • Predictive maintenance (APM 4.0) • Time Based Maintenance • Run to Failure
- 9. PROACTIVE MAINTENANCE 9 APRIL, 2020 9 TIME BASED VERSUS CONDITION BASED MAINTENANCE The vast majority of failure patterns (89%) shows no evidence of wear out and cannot be covered effectively by time based maintenance strategies.
- 10. MANAGING THE P-F CURVE 9 APRIL, 2020 10 THE GOAL OF CONDITION BASED MAINTENANCE The goal of CBM is to detect potential failures in due time and take action before the actual failure happens. The time from the potential failure (P) to the functional failure (F) is called the P-F interval.
- 11. DIFFERENCES CONDITION MONITORING 9 APRIL, 2020 11 AND APM RELATED TO LEAD TIME OF FAILURES Failure Signature Process Data (across many sensors) Maintenance Data Alarm @ trips Using Data Analytics Software Making Prediction Models (Machine Learning) HUMANS CANNOT DO THIS Very early detection: Long Lead time Asset Performance Management 4.0 F Periodical on site monitoring Short Lead Time Offline Condition Monitoring Failure of Asset HealthcareDiagnoses Preventing previous incidents Much earlier detection of Potential Failure Extra Lead Time Online Condition Monitoring Trends analysis Wireless hardware Analysed at Stork monitoring software P
- 12. OFFLINE CONDITION 9 APRIL, 2020 12 MONITORING Vibration monitoring Visual camera inspections Oil analyses METHODS Periodic One-off Low costs High flexibility High precision Vibration monitoring SERVICES
- 13. ONLINE CONDITION MONITORING 9 APRIL, 2020 13 CONTINUOUS & REMOTE Continuous monitoring and control Full machine historical data available Remote monitoring
- 14. APM 4.0 9 APRIL, 2020 14 HIGH LEVEL STEPS Connect Monitor Predict Action Shared Learning (Tribal Learning)Cloud Storage Data analytics Machine Learning (Helps Identify Normal & Failure Patterns)Data threatment Enrichment Cleaning Role editing Client Workorders & Notifications Additional sensor data Maintenance Data Plant History Operational Data Process and Asset data (revolutions, torque, temperature, flow …) Additional sensor data Vibrations Acoustic Leak detection Visualization of Performance Prescriptive Responses (Retain and share knowledge) Continual Learning (Improvement Loop)
- 15. SUMMARY 9 APRIL, 2020 15 CONDITION BASED MAINTENANCE Maintenance Strategy Criteria: • Impact on business goals • Production loss • Maintenance cost • Damage • Reputation • Quality product • Process inefficiency • Data availability and quality • Process • Maintenance • Complexity (influence factors) • Human (use, operating) • Asset (technical) • External (weather, other assets, logistics) 1: Offline 2: Online 3: APM 4.0 Remote trend analysis Remote troubleshooting Periodic on site monitoring Trend analysis & troubleshooting Monitoring solutions Solution Selection Questionnaire Predictive models, Recommendation Rotating Electrical Instrumentation Static Automation Discipline Typical Pump Blower Turbine Gears Field Equipment
- 16. ASSET OBJECTIVES 9 APRIL, 2020 16 DIGITAL LINE OF SIGHT AIM Asset type Equipment type Failure mode Strategy Health indicators Pump Blower Turbine Gears Bearing Wear • Fatigue … Mechanical Seal • Leaks • … • Run to failure • Time Based Maintenance • Condition Monitoring (offline) • Condition Monitoring (online) • Data analytics • Machine Learning Manual data Sensor data: • Temperature • Pressure • Leaks • Flow • Vibration • Sound (Acoustic) Algorithm Anomaly
- 17. APM PROGRAM EXPERIENCES STORK SAMPLE CASES Offline monitoring (Drones, specific sensors, robotics, diagnostic test units) Online monitoring (Drones, AMS suite, IBM Watson IoT) APM 4.0 (Aspentech Mtell, IBM Watson) Filter, HP pumps Pumps Gearboxes Bridges, CAT engines, gearboxes Blowers, pumps , E-motor, Turbo-compressors, offshore structures, flare stacks, tanks Piping, pipelines, CUI, heat exchanger Valves BC Turbo machinery Valves Furnaces cleaning Blowers, pumps, turbo-compressors, gearboxes, turbines, E-motors Blowers, Fans Min. Requirements tool field equipment for I 4.0, Dryer Centrifuge Engines Trams/Metro Overhead wires Switches
- 18. DATA DRIVEN 9 APRIL, 2020 18 ASSET MANAGEMENT Realizing Asset Performance Management ensures a digital “line of sight” between the defined Asset Management Strategy & Objectives and your physical assets. Asset Performance Management is the key enabler to create “one” version of the truth about the health and condition of your assets. Are you ready to embrace Industry 4.0?
- 19. Questions? Via Q&A Or contact us! Johan Ferket Johan.ferket@stork.com +32 473 86 40 83 Subject Matter Expert: CONDITION MONITORING, CONTINUOUS CONDITION MONITORING OF APM 4.0? – THAT IS THE QUESTION! 9 APRIL, 2020 19
Editor's Notes
- Vraag die veel van onze klanten en mezelf ook bezighoudt! Veel publiciteit en aandacht aan Machine learning, Predictive analytics, anomaly detection, Prescriptive maintenance, ..,…het lijkt er wel op dat data gedreven onderhoud nog de enige bruikbare onderhoudsstrategie is. Alhoewel de trend inderdaad is om meer naar conditie gebaseerd onderhoud te gaan ontwikkelen vele bedrijven een hybride preventief actie plan dat zowel tijdsgebaseerde als conditiegebaseerd onderhoud bevat zelfs run to failure. De ideale risico gebaseerde onderhoudsstrategie is niet een one size fits all aanpak. Om de grootste impact te hebben moet je alle assets analyseren binnen je eigen operationele context/industrie. Wat voor een nucleaire power plant van toepassing is, geldt niet automatisch voor de process industrie. In sommige gevallen is het goedkoper en sneller om een asset te vervangen dan er een sensor er op te plaatsen. Alle strategiën zijn goed als ze maar onderbouwd zijn
- 1 van de valkuilen die wij op dit ogenblik zien bij de implementatie van APM is het onvoldoende vertalen naar “waarde”, zijnde in AM, de Asset Management doelen. We gaan van POC naar POC, van Pilot naar Pilot waarbij de business case onvoldoende aantoont dat er waarde wordt gecreëerd en dat het niet ondersteunt wordt door het senior management van het bedrijf. Positioneren van APM op het juiste niveau binnen een bedrijf, het vertalen naar de asset objectives zijn key. Zo hebben wij de link gelegd tussen ons AM model en onze APM aanpak, waarbij duidelijk een link is gelegd tussen onderhoudsconcepten, het uitvoeren van onderhoud en performance en conditie meting.
- Met de digital line of sight verbinden wij de bijdrage tot het creëeren van waarde tussen de verschillende niveau’s binnen een onderneming. De gewenste waarde wordt vertaald naar Asset objectives waar de organisatie moet toe bijdrage en dankzij het digitaliseren van de asset management processen kan dit ook gerealiseerd worden. De maintenance technician in the field heeft te allen tijde toegang tot de juiste en up-to-date informatie (as design, as build, as maintained), hij kan gebruik maken van digitale technologie om de werkelijke, actuele toestand/gezondheid van de assets te verifiëren, tegelijkertijd heeft de reliability engineer toegang tot dezelfde technologie om te bepalen wanneer een onderhoudstaak optimaal kan uitgevoerd worden en zo de maintenance technician kan aansturen. Nieuwe KPI’s vinden ook hun ingang bijvoorbeeld success rate van hoe vaak hebben wij iets hersteld voor het echt zou gefaald hebben.
- Eliminate organizational silo’s; enhance cooperation between operations, maintenance and engineering, asset performance is influenced by maintenance 61 % and operations by more then 50%...therefore implement an Asset Management Policy & Strategy
- Workforce productivity is een absolute noodzaak omdat minder mensen beschikbaar zullen zijn voor de uitvoering
- The ideal risk based maintenance strategy is not a one size fits all approach Risk Based Maintenance is carried out by integrating analysis, measurement and periodic test activities to standardize maintenance work. The asset information is viewed in the context of the environmental, operational and process condition of the equipment. The asset condition and risk are evaluated to define the appropriate AM plans. The goal is to decide whether a proactive maintenance action is feasible and effective. If not, the item may run to failure and only reactive maintenance is performed. Corrective action can be taken immediately (unplanned) or performed later (planned). Our starting point is the FMEA
- Conditie gebaseerd onderhoud : Condition monitoring en APM 4.0 detecteren de symptomen van potentieel fallen Our starting point is the FMEA
- Het doel van proactief onderhoud is het om het falen van assets te voorkomen, het begin van het falen te detecteren en om verborgen failures te vinden. Waar sommige ervan uitgingen dat faalpatronen eerder leeftijdsgerelateerd zijn, blijkt dit maar in 11 % van de gevallen de realiteit te zijn. Vele bedrijven hebben in het recente verleden een tijdsgebaseerd preventief onderhoudsprogramma opgezet waarbij onderhoudsinterventies werden uitgevoerd aan perfect werkende assets, ook op basis van de mening van interne SME’s rond de kans/waarschijnlijkheid van falen. Desondanks dit tijdsgebaseerd preventief onderhoud blijven de assets falen. Terwijl 89 % van de faalpatronen random zijn en enkel kunnen gedetecteerd worden via conditie gebaseerde technieken om de waarschijnlijkheid/kans van falen beter te voorspellen. Een bewijs dus Hier heeft conditiegebaseerd onderhoud duidelijk zijn toegevoegde waarde.
- De tijd tussen de kans van falen en het effectief falen wordt de P-F interval genoemd. De P-F curve is een grafiek waarbij het verslechteren van de staat van de asset wordt uitgezet in de tijd. Tijdens deze periode is er vaak ook al een verlies in functie of bijvoorbeeld zien wij een verschil in energieverbruik. In de PF curve van een kogellager kan men al een verandering in trilling detecteren 1 tot 9 maand voor het effectief falen, metaaldeeltjes kunnen mits olie analyse al gedetecteerd worden 1 tot 6 maanden voor het effectief falen,…afhankelijk van de gewenste lead time kan 1 of meerdere conditie gebaseerde technieken worden gebruikt of het potentieel falen te detecteren en om op tijd actie te ondernemen.
- We zien hier de verschillende de technieken samengevat in 1 grafiek met hun desbetreffende kenmerken van een korte lead time tot een heel lange lead time. APM 4.0 en Condition monitoring zijn vergelijkbaar in de mate dat zij technologische observatie methodes gebruiken om data te verzamelen rond de conditie van assets. Het verschil is eerder minimaal en vaak complementair, de meeste van onze klanten gebruiken beide technieken. Soms wordt er een onsite meting gedaan ter ondersteuning van APM 4.0 Vaak zien we bij onze klanten een leercurve van het beheren van onderhoud naar monitoring en visualiseren van equipment naar het evalueren van de gezondheid naar het voorspellen van failures…
- Video camera inspectie, olie analyse en trillingsmetingen die door een technician van Stork kan uitgevoerd worden, de voornaamste kenmerk is dat dit periodiek en onsite wordt uitgevoerd. Het voordeel is de hoge mate van precisie, flexibiliteit en kostprijs. Het nadeel buiten dat het periodiek is dat soms rapportage niet onmiddellijk wordt geanalyseerd door werkvoorbereiders en actie hierin wordt genomen.
- Het grote voordeel is dat op afstand gebeurd, permanent 24/24 7 d/7, vaak gebruik makend van embedded systemen en sensoren
- Correlation of multiple sensor signals and self-learning models provide algorithms to extend failure warning time from hours and days to weeks and months. This warning time allows planning and preparation of maintenance actions well before failures occurs. Failure behaviour modelling and algorithms is based on several data sources: Configuration data from design Streaming data from devices Process data Historical data Human data
- Beïnvloedingsfactoren : MENS (bediening, onderhoud), ASSET (complexiteit, modulair, elektronisch, afhankelijkheden, gebruiksvriendelijkheid), EXTERN (invloed andere Assets of andere afhankelijkheden, besturing, wisselend gebruik/belasting, weersinvloeden etc) Om goed te kunnen bepalen welke conditiegebaseerde onderhoudsstrategie de beste is hebben wij een vragenlijst ontwikkeld waar we met onze klant doorheen gaan, we kijken dus naar de impact op de bedrijfsdoelstellingen, de beschikbaarheid van data en de kwaliteit ervan en de complexiteit (technisch, proces,…) Om een voorbeeld te geven waar de chemische industrie een ideale kandidaat lijkt voor APM 4.0 door het hoge niveau aan automatisering, instrumentatie en stabiele operationele condities hebben we gemerkt dat het potentieel van APM4.0 niet altijd bewezen en realiseerbaar is. Soms hebben we te weinig data door het klein aantal grote events (dus afwezigheid van faaldata om model op te trainen, te weinig tijd : proces kan niet onmiddellijk worden stilgelegd en sommige interventies nemen veel tijd in beslag qua voorbereiding en spare, te weinig impact door redundantie en savings business case : soms meer baat bij het optimaliseren van geplande stilstanden dan ongeplande stilstanden. We hebben gezien dat in sommige gevallen dat het mitigeren van de impact van het falen een betere business case was dan het voorkomen en dat er meer baat was bij condition monitoring en het optimaliseren van de interventie
- Als afsluiter dit overzicht, bepaal je doel, bekijk de operationele context, het type asset en de faalmodes en bepaal je strategie