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
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