In 2016 zal ook de maritieme-sector naar verwachting gebruik gaan maken van de mogelijkheden die big data biedt. Een van die mogelijkheden is machine learning, waarbij een informatiesysteem patronen ontdekt en voorspellingen doet die een menselijke analist nooit zou kunnen vinden, laat staan begrijpen. Met machine learning wordt data verzameld en automatisch geordend, waardoor nieuwe inzichten en voorspellende modellen te creëren zijn. Op die manier is bijvoorbeeld condition-based onderhoud – onderhoud op basis van de conditie van een bedrijfsmiddel – eenvoudiger te implementeren. Tegelijkertijd zullen productiebedrijven naar verwachting ook steeds meer overstappen op een services-based-businessmodel.
De eerste leveranciers in de maritieme-sector zijn al begonnen met het invoeren van machine learning-technologieën. Daarmee helpen zij klanten in deze branche meer waarde en efficiëntie te halen uit hun bedrijfsmiddelen. Zij bieden supportdiensten zoals datamonitoring, die klanten helpen het apparatuurgebruik en -onderhoud te optimaliseren. De data kan tevens door de leverancier worden gebruikt bij het ontwerpen van nieuwe producten, om zo de productiekosten te optimaliseren.
Dit markeert een omslagpunt in de zakelijke strategie van deze bedrijven in de maritieme-sector. Voorheen durfden zij, maar ook (offshore) olie- en gasbedrijven, vaak niet volledig te vertrouwen op hun leveranciers voor onderhoud, omdat ze bang waren te afhankelijk van hen te worden (vendor lock-in). Tegenwoordig zien ze echter ook de voordelen van het verzamelen van data over apparatuur door de leverancier. Daarom kijken steeds meer bedrijven naar manieren om deze data te gebruiken en technologieën in te zetten waarmee zij hun condition-based onderhoudsprogramma’s kunnen managen.
Dit jaar zullen naar verwachting steeds meer bedrijven stappen ondernemen om ook zelf big data te verzamelen en ervan te leren, zodat ze hun werkzaamheden slimmer uit kunnen voeren en kosten kunnen besparen. Succesvol zijn vooral die bedrijven die een strategie ontwikkelen om dit te ondersteunen. Om te profiteren van data moeten bedrijven immers begrijpen welke data zij verzamelen, hoe ze deze het best kunnen categoriseren, welke inzichten mogelijk zijn en hoe ze data omzetten in concrete voordelen, bijvoorbeeld kosten- en tijdbesparingen. Machine learning zal daarin een prominente rol spelen. Bij onderhoud gaat het dan om het volledig geautomatiseerd vastleggen en interpreteren van gedragspatronen van bedrijfsmiddelen. Het systeem geeft aan wanneer er aanleiding is om een bepaald bedrijfsmiddel te onderhouden, bijvoorbeeld omdat een onderdeel aan slijtage onderhevig is en binnen afzienbare tijd gaat zorgen voor een echte storing.
3D-printen
Een andere trend voor 2016 is 3D-printing. Een klein, maar groeiend aantal bedrijven maakt al gebruik van 3D-printtechnologieën en zet dit in op twee verschillende manieren.
- Ten eerste om modellen te creëren voor trainingsdoeleinden. Vanwege veiligheidsissues en nieuwe eisen aan technologie, willen bedrijven steeds minder gebruikmaken van onsite training met echte apparatuur. 3D-geprinte apparatuur is een goed alternatief voor het lesgeven in reparatie en onderhoud, met name in het geval van offshore- en subsea-apparatuur.
- Ten tweede gebruiken bedrijven 3D-geprinte tools en onderdelen om apparatuur in afgelegen gebieden te onderhouden. Dit soort technologische ontwikkelingen – die bedrijven in staat stellen kosten te besparen en prestaties te verbeteren – worden steeds vaker ingezet tijdens onderhoud.
Deze ontwikkeling zal in 2016 verder worden gestimuleerd door de daling van de marges. Eerder waren bedrijven geneigd om jarenlang dezelfde technologieën en technieken te gebruiken. Bedrijven worden nu meer en meer gedwongen manieren te vinden om kosten te stroomlijnen en rendementen te vergroten waar mogelijk. Ze zoeken naar slimme manieren om kosten te besparen, en met 3D-printen is dit mogelijk binnen de hele supply chain – van voorraad tot transport.