Joanne Tigelaar, 22 mei 2017

SAP Predictive Maintenance and Service: Voorkomen is beter dan genezen

De toekomst voorspellen, wie wil dat nou niet? De term predictive klinkt ook wel hip en pretentieus. Als ik deze term in Google typ levert dit mij ongeveer 46.900.000 resultaten op. Toen ik mijzelf inschreef voor de cursus SAP Predictive Maintenance and Service (PdMS) ging de gedachte door mij heen dat ik jaren geleden al op zelflerende dynamica afgestudeerd ben. In deze blog leg ik uit hoe deze oplossing helpt onderhoudsprocessen te verbeteren. 

Waarom SAP Predictive Maintenance & Service?

SAP Predictive Maintenance & Service (PdMS) is een oplossing binnen het SAP Leonardo portfolio die inzicht geeft in de conditie van assets, zodat proactief onderhoud kan worden toegepast. SAP PdMS brengt verschillende soorten data samen om inzicht te krijgen in de oorzaken van het falen van machines. Denk hierbij aan sensordata zoals temperatuur, trillingsmetingen en elektrische geleiding. Maar ook gegevens die vanuit een ander IT systeem komen, zoals data inzake de locatie, fabrikant en bouwjaar, kunnen worden gebruikt. Deze informatie wordt benut om toekomstig falen te voorspellen en daarmee te voorkomen.

De toepassing van SAP Predictive Maintenance & Service helpt organisaties bij het verhogen van de efficiëntie van onderhoud en het verlagen van ongeplande downtime als gevolg van reparaties en onderhoud. Hierdoor kunnen onderhoudskosten aanzienlijk worden verlaagd.  

Tot enkele jaren geleden was het voor organisaties erg kostbaar om aan de slag te gaan met predictive onderhoud op basis van sensordata. De prijs van sensoren, microprocessoren en draadloze technologie is de afgelopen 4 jaar met 80% afgenomen. Daarnaast maakt in-memory database technologie de verwerking van grote hoeveelheden (sensor)data voor meer organisaties beschikbaar. De verwachting is dat deze ontwikkelingen ervoor zorgen dat Internet of Things-toepassingen de komende 2 tot 5 jaar mainstream worden.

SAP levert PdMS in twee versies: de On Premise editie en de Cloud editie. Omdat de edities in de praktijk veel van elkaar verschilllen, zal in deze blog alleen de On Premise editie worden besproken.

Wil jij meer weten over de Cloud editie van SAP Predictive Maintenance en Service (PdMS)? Neem dan contact op.

Hoe helpt SAP PdMS mijn onderhoudsproces te verbeteren?

Bij SAP PdMS draait het om vijf niveaus: Sensoren Data Inzicht Actie Resultaat.

Sensoren genereren data. Deze data wordt verwerkt en begrijpelijk (visueel) gerepresenteerd. Op basis hiervan kan de benodigde onderhoudsactiviteit (meldingen of werkorders) worden aangemaakt. Deze acties kunnen direct in SAP worden opgevolgd, waardoor de geleverde bijdrage aan het bedrijfsresultaat gerapporteerd kan worden.

De belangrijkste tool binnen SAP PdMS On Premise is de zogenoemde Asset Health Control Center. Binnen dit Control Center wordt gebruik gemaakt van Insight Providers. Hiermee wordt de data tot informatie verwerkt en gevisualiseerd.

Van data naar informatie en visualisatie

SAP levert voor de On Premise editie onder andere de volgende standaard Insight Providers (IPro’s): Derived Signals, Key Figure en de Asset Explorer. Het is ook mogelijk om een custom Insight Provider te maken, als blijkt dat een klant- of business specifiek inzicht niet met de standaard Insight Providers kan worden verkregen.

In een Derived Signal kun je meerdere gegevens combineren en filteren. Hiervoor wordt het SAP HANA rules framework of klantspecifieke data science services gebruikt. De gegevens – zowel “ruwe” data als Derived Signals – kunnen als een Key Figure worden weergegeven. Op deze manier krijg je in één oogopslag de status van een bepaalde asset of groep van assets. De Asset Explorer gebruik je als je van een specifiek asset gegevens wilt bekijken, bijvoorbeeld naar aanleiding van een in een Key Figure getoonde waarde.

De laatste Insight Provider die ik wil bespreken is de Work Activity. Deze Insight Provider betreft de integratie tussen Inzicht en Actie. Hier zie je de integratie tussen het PdMS systeem en een SAP Enterprise Asset Management systeem. Deze Insight Provider toont meldingen en werkorders met bijbehorende gegevens uit het SAP Enterprise Asset Management systeem. Ook kan er hier vanuit PdMS een melding of werkorder worden aangemaakt waarbij gegevens uit PdMS worden meegegeven.

Hoe werkt het ‘Predictive’ in SAP Predictive Maintenance and Service?

In de vorige paragraaf is uitgelegd op welke manier men de gegevens in kan zien, zodat actie kan worden ondernomen. Op deze manier kan een effectief onderhoudsproces worden ingericht. In deze paragraaf leg ik uit welke algoritmen PdMS gebruikt om tot de voorspelling van het falen te komen.

De architectuur van SAP Predictive Maintenance & Service bestaat uit 6 lagen:

  1. Internet of Things Connectivity;
  2. OT Data Management (sensordata);
  3. IT Data Management (data uit het SAP systeem);
  4. Data Fusion;
  5. Data Science (predictive models);
  6. Application & Insight Providers.

Laag 5 is de Data Science. Hier vindt de modelvorming en berekening van de voorspelling plaats. De uitkomst van deze voorspelling wordt weergegeven in laag 6, in de Insight Providers, zoals de Asset Explorer en Key Figure. Vanuit de Work Activity kan direct een melding of werkorder worden aangemaakt als de uitkomst van de voorspelling dit vereist.

SAP PdMS On Premise bevat de volgende standard Data Science algoritmen:

  • Distance Based Failure Analysis
  • Anomaly Detection
  • Remaining Useful Life Prediction

Daarnaast is het mogelijk gebruik te maken van eigen algoritmen.

De modellen van de eerste twee algoritmen zijn gebaseerd op sensordata (statistisch). Op basis van historische data van een grote set gelijksoortige assets wordt het systeem getraind. Op basis van de door training verkregen modellen wordt de nieuwe sensordata getoetst. Het resultaat wordt in de Asset Explorer als Health status en Anomaly Score weergegeven. Het Remaining Useful Life Prediction algoritme is gebaseerd op historische onderhoudsgegevens, zoals mean time between repairs, uptime en downtime. Dit resulteert in de Remaining Life Score in de Asset Explorer.

Dit ziet er bijvoorbeeld zo uit:

SAP PdMS_900px.jpg

Lessons learned

SAP biedt met PdMS On Premise standaard algoritmen die voor een beperkt aantal toepassingen bruikbaar zijn. Veel klanten zullen eigen of branchespecifieke algoritmen wil (laten) implementeren. De gelaagde architectuur maakt het mogelijk eigen algoritmen in te brengen en daarnaast gebruik te maken van de standaard Application & Insight Providers functionaliteit.

De Asset Health Control Center van SAP PdMS is in de eerste plaats een analyse-tool en geen real-time monitoring tool. De integratie met SAP Enterprise Asset Management (SAP EAM) is daarom ook niet volledig automatisch. De achterliggende filosofie is dat afwijkingen eerst moeten worden geanalyseerd en niet altijd tot een onderhoudsactiviteit leiden. Wel kun je in PdMS bij de onderhoudsactiviteiten de historische data van een asset raadplegen. SAP PdMS vormt dus een goede aanvulling op SAP EAM. 

Tot slot de belangrijkste lesson learned: Predictive Maintenance and Service is een proces, niet slechts een tool of algoritme. De implementatie van PdMS vereist dan ook verschillende disciplines, van Data Manager, Domain Expert, Data Scientist tot Business User.

Tip! Lees ook deze gerelateerde artikelen: 

Download whitepaper SAP Intelligent Asset Management