Doel

Het voorspellen van storingen aan de hand van trillingsdata in machines om reactief onderhoud te voorkomen.

Oplossing

Het bouwen van een Long Short Time Memory model om afwijkend gedrag in trillingsdata waar te nemen.

Resultaat

Door preventief de machine te onderhouden, worden storingen en dus duur reactief onderhoud voorkomen.

Reactief je machine repareren is veel kostbaarder voor je organisatie dan het uitvoeren van preventief onderhoud. Je productielijn ligt namelijk stil op een moment dat het niet uitkomt, je monteurs moeten beschikbaar zijn en je inventaris met reserveondedelen moet onnodig groot zijn. De ontwikkelde oplossing biedt inzichten in de staat van je machine en geeft tijdig aan wanneer je je machine van onderhoud moet voorzien.

In scenario’s voor preventief onderhoud worden gegevens in de loop van de tijd verzameld om de toestand van de apparatuur te monitoren. Het doel is om patronen te vinden die kunnen helpen bij het voorspellen en uiteindelijk voorkomen van storingen. Een bedrijf kan er ook voor kiezen om gepland onderhoud regelmatig uit te voeren, waardoor storingen ook worden voorkomen. Echter worden onderhoudskosten in dit scenario veelal te vroeg of te vaak gemaakt, omdat er onderhoud wordt gedaan voordat het daadwerkelijk nodig is.

In samenwerking met Vadex ontwikkelde Stactics een predictive maintenance oplossing. Waar Vadex de hardware verzorgt is Stactics ontwikkelaar van het voorspelmodel. Door gebruik te maken van een Long Short Term Memory model kunnen we afwijkend trillingen herkenen en zo een toekomstige storing vroegtijdig opmerken.

Het partnerschap tussen Vadex en Stactics focust zich initieel op metaalbewerkingsbedrijven en trillingssensor. In de toekomst willen we deze doelgroep en het aantal type sensoren verbreden om onze modellen te verbeteren en de klant van een nog betere voorspelling te voorzien.