Wat is predictive maintenance?

Predictive maintenance is voorspellend onderhoud: op basis van data over gebruik, metingen en storingshistorie voorspel je wanneer een machine of onderdeel onderhoud nodig heeft. Je grijpt in voordat er iets kapotgaat, maar niet eerder dan nodig. Zo voorkom je onverwachte stilstand zonder onderdelen te vervangen die nog prima zijn.

Drie manieren van onderhoud

Om predictive maintenance te begrijpen, helpt het om het te vergelijken met de twee andere vormen van onderhoud.

• Correctief onderhoud. Je repareert pas als er iets kapot is. Dat is eenvoudig, maar een storing komt altijd op een slecht moment. Er valt productie stil, een monteur moet met spoed komen en een onderdeel is misschien niet direct leverbaar.
• Preventief onderhoud. Je doet onderhoud volgens een vast schema, bijvoorbeeld elk kwartaal of na een vast aantal draaiuren. Dat voorkomt veel storingen, maar je vervangt soms onderdelen die nog lang mee hadden gekund, en een machine die zwaarder wordt gebruikt dan gemiddeld kan alsnog eerder uitvallen.
• Voorspellend onderhoud. Je kijkt naar de werkelijke toestand en het werkelijke gebruik. Onderhoud volgt de data, niet de kalender.

In de praktijk gebruik je vaak een combinatie. Voorspellend onderhoud voor de machines waar stilstand veel kost, en een eenvoudig schema of correctief onderhoud voor de rest.

Hoe werkt predictive maintenance?

De data

Voorspellen kan alleen met data. De belangrijkste bronnen zijn:

• Sensoren. Metingen zoals trillingen, temperatuur, druk, stroomverbruik of geluid. Veel slijtage kondigt zich aan in zulke metingen, lang voordat een machine echt uitvalt. Via het Internet of Things (IoT) komen die metingen automatisch binnen.
• Gebruik. Draaiuren, aantal cycli, aantal keren uitgeleend, belasting. Een machine die dubbel zo vaak draait, slijt ook sneller.
• Storingshistorie. Welke storingen er eerder waren, wanneer en wat er toen vervangen is. Die historie staat vaak verspreid in werkbonnen, mails en een onderhoudssysteem.

Het voorspellen

Met eenvoudige regels kom je al een eind: geef een melding als de temperatuur van een lager een week lang stijgt. Voor complexere patronen gebruik je machine learning. Een model leert uit de historie welke combinatie van metingen en gebruik vooraf ging aan een storing, en herkent die combinatie bij nieuwe data.

Daarvoor heb je wel genoeg voorbeelden nodig. Een machine die in tien jaar twee keer kapot is gegaan, geeft weinig om van te leren. Dan zijn duidelijke grenswaarden en gebruiksgegevens vaak bruikbaarder dan een voorspellend model.

Van voorspelling naar actie

Een voorspelling levert pas iets op als er iets mee gebeurt. Koppel de uitkomst aan je planning of onderhoudssysteem, zodat er automatisch een werkorder klaarstaat of een onderdeel tijdig besteld kan worden.

De rol van RFID en registratie

Voor machines die vast op hun plek staan, is duidelijk welke machine het is. Voor verplaatsbare assets ligt dat anders. Denk aan gereedschap, meetapparatuur, hoogwerkers, verhuurmateriaal of medische apparatuur. Daar is de eerste vraag vaak: waar is het, en hoe vaak wordt het eigenlijk gebruikt?

Met RFID registreer je dat automatisch. Elk asset krijgt een label, en readers bij een uitgiftepunt, een poort of een werkplek leggen vast wanneer het vertrekt en terugkomt. Zo bouw je per asset een betrouwbare gebruikshistorie op, zonder dat iemand iets hoeft in te vullen. Die historie is de basis om onderhoud en keuringen te plannen op het werkelijke gebruik, in plaats van op een schatting.

Voorbeelden in een bedrijf

• Productie: trillingsmetingen aan motoren en pompen geven vroeg een signaal bij slijtage van een lager, zodat je het vervangt tijdens gepland onderhoud.
• Logistiek: heftrucks en transportbanden krijgen onderhoud op basis van draaiuren en belasting, in plaats van een vaste datum.
• Service: een servicebedrijf ziet bij welke klantinstallaties storingen zich opstapelen en plant een bezoek voordat de klant belt.
• Verhuur en gereedschap: materiaal dat vaak wordt uitgegeven, gaat eerder naar onderhoud of keuring dan materiaal dat weinig gebruikt wordt.
• Zorg: medische apparatuur wordt gecontroleerd op basis van gebruik, met een vast overzicht van waar elk apparaat is.

Waar let je op?

1. Begin bij de machines waar stilstand het meeste kost. Daar levert voorspellen het meeste op.
2. Zorg eerst voor goede registratie. Een volledige storingshistorie en betrouwbare gebruiksgegevens zijn belangrijker dan een slim model.
3. Begin eenvoudig. Grenswaarden en trends zijn vaak al waardevol. Machine learning voeg je toe als er genoeg data is.
4. Betrek de monteurs. Zij weten welke signalen er aan een storing voorafgaan. Die kennis helpt bij het kiezen van de juiste metingen.
5. Meet het resultaat. Vergelijk stilstand en onderhoudskosten voor en na, zodat je weet of het werkt.

Praktisch beginnen

Predictive maintenance begint niet bij AI, maar bij goede data: weten welk asset waar is, hoe vaak het gebruikt wordt en wat er eerder misging. Daarna kun je stap voor stap van vaste schema’s naar onderhoud op basis van de werkelijke toestand. SQUARE Concepts levert RFID-oplossingen met labels, readers en eigen software, en bouwt software in Laravel die koppelt met ERP-systemen zoals SAP, Business Central en Odoo. Lees meer over AI-automatisering voor je bedrijf.