Wat is voorspellend onderhoud?

In de wereld van industrie, productie en asset management is het voorkomen van stilstand een constante uitdaging. Traditioneel onderhoud volgt vaak een rigide schema: onderdelen worden vervangen of machines worden stilgelegd voor inspectie op vaste tijdstippen, ongeacht hun werkelijke staat. Deze aanpak is niet alleen inefficiënt, maar kan ook leiden tot onverwachte uitval of juist tot onnodige slijtage van nog perfect functionerende onderdelen. Er is een slimmere manier nodig.

Voorspellend onderhoud, of predictive maintenance, is die slimmere manier. Het is een proactieve onderhoudsstrategie die data en geavanceerde analyses gebruikt om het exacte tijdstip van toekomstig onderhoud te voorspellen. In plaats van te vertrouwen op kalenders of gemiddelde levensverwachtingen, monitort deze aanpak continu de werkelijke conditie van apparatuur. Het doel is glashelder: onderhoud alleen uitvoeren wanneer het daadwerkelijk nodig is.

De kern van dit proces wordt gevormd door sensoren die parameters zoals trillingen, temperatuur, geluid, druk en stroomverbruik meten. Deze gegevensstromen worden vervolgens, vaak in real-time, geanalyseerd met behulp van machine learning-algoritmen en kunstmatige intelligentie. Deze systemen leren normale bedrijfspatronen herkennen en kunnen de kleinste afwijkingen detecteren die wijzen op beginnende slijtage of een naderend defect. Zo transformeert voorspellend onderhoud ruis in inzicht en reactie in anticipatie.

Hoe sensoren en data storingen signaleren voordat ze optreden

De kern van voorspellend onderhoud ligt in het continu monitoren van de werkelijke toestand van apparatuur. Dit gebeurt via een netwerk van gespecialiseerde sensoren die kritieke parameters meten. Deze sensoren registreren niet alleen statische waarden, maar volgen trends en patronen in de tijd.

Trillingssensoren detecteren de minste afwijkingen in de rotatie van lagers of assen, vaak lang voordat een menselijk oor iets hoort. Thermografische camera's zien oververhitting in elektrische verbindingen of wrijvingspunten. Ultrasone sensoren pikken drukverlies of cavitatie op in leidingen en pompen. Andere meten oliekwaliteit, slijtage-deeltjes, druk, vochtigheid of stroomverbruik.

De gegenereerde datastroom wordt real-time naar een centraal platform gestuurd. Hier begint de analyse. Geavanceerde algoritmen en machine learning-modellen vergelijken de live data met historische gegevens, fabrieksspecificaties en faalmodellen. Ze zoeken niet naar een enkele overschrijding, maar naar subtiele afwijkingen in het gedrag.

Een geleidelijke toename van trillingen op een specifieke frequentie signaleert bijvoorbeeld slijtage van een lager. Een langzaam stijgende temperatuur in een motorwikkeling duidt op isolatiedegradatie. Deze afwijkingen vormen de voorspellende signalen. Het systeem kan zo de zogenaamde "remaining useful life" (RUL) schatten.

Wanneer een meetwaarde een vooraf gedefinieerde drempel of trend breekt, genereert het systeem automatisch een melding of werkorder. Dit geeft onderhoudsteams een concreet signaal met specifieke informatie over het verwachte probleem, het onderdeel en de urgentie. Onderhoud kan zo gepland worden op het meest optimale moment, vóór een kostbare storing plaatsvindt.

Stappenplan voor de invoering van een voorspellend onderhoudssysteem

De implementatie van een voorspellend onderhoudssysteem vereist een gestructureerde aanpak om succes te garanderen. Dit stappenplan biedt een leidraad voor een effectieve invoering.

Stap 1: Selectie van kritieke assets en definiëren van doelstellingen
Identificeer eerst de kritieke apparatuur waaruitval de grootste impact heeft op productie, veiligheid of kosten. Stel voor deze assets duidelijke, meetbare doelstellingen vast, zoals het reduceren van onverwachte stilstand met een bepaald percentage of het verlengen van de restlevensduur van componenten.

Stap 2: Data-audit en sensorselectie
Breng de beschikbare data in kaart: bestaande historische onderhoudsdata, SCADA-informatie en operationele logs. Bepaal welke aanvullende data nodig is. Selecteer vervolgens de geschikte sensortechnologie (trilling, temperatuur, ultrasoon, etc.) om de gewenste conditieparameters van de geselecteerde assets continu te monitoren.

Stap 3: Keuze van technologieplatform en integratie
Kies een softwareplatform (een CMMS met PdM-mogelijkheden of een gespecialiseerde IIoT-oplossing) dat de data kan opnemen, analyseren en visualiseren. Het platform moet naadloos integreren met bestaande systemen zoals ERP of EAM. De keuze tussen cloud- en on-premise oplossingen is hierin cruciaal.

Stap 4: Pilotproject op beperkte schaal
Implementeer het systeem niet direct op grote schaal. Start een pilot met een of twee kritieke assets. Dit laat toe om de technologie, workflows en data-analyses te testen, valideren en optimaliseren met minimale risico's en kosten. Train het betrokken onderhoudspersoonlijk gedurende deze fase.

Stap 5: Data-analyse en ontwikkeling van voorspellende modellen
Verzamel tijdens de pilot voldoende data om een betrouwbare basislijn voor normale werking vast te stellen. Gebruik analytische technieken (van trendanalyse tot machine learning) om afwijkende patronen te herkennen en voorspellende modellen of alarmdrempels te definiëren die een naderende storing signaleren.

Stap 6: Opschaling en aanpassing van onderhoudsprocessen
Na een succesvolle pilot wordt het systeem uitgebreid naar andere assets. Pas formeel het onderhoudsproces aan: herschrijf werkorders op basis van conditiemetingen in plaats van vaste intervallen, definieer duidelijke rollen en verantwoordelijkheden voor het monitoren en reageren op alarms.

Stap 7: Continue verbetering en kennisopbouw
Voorspellend onderhoud is een continu verbeterproces. Evalueer regelmatig de nauwkeurigheid van voorspellingen en pas modellen aan. Documenteer bevindingen en opgedane kennis systematisch. Investeer in de voortdurende training van technici om hun vaardigheden in data-interpretatie en foutdiagnose te vergroten.

Veelgestelde vragen:

Wat is het praktische verschil tussen preventief en voorspellend onderhoud?

Preventief onderhoud voer je uit volgens een vast schema, bijvoorbeeld elke maand of na een bepaald aantal bedrijfsuren. Een machine wordt dan geïnspecteerd of onderdelen worden vervangen, ongeacht hun werkelijke staat. Voorspellend onderhoud is anders. Hierbij monitoren sensoren continu de werkelijke conditie van apparatuur. Denk aan trillingen, temperatuur of geluidsniveaus. De data wordt geanalyseerd om een onderhoudsbeurt precies te plannen vóórdat een defect optreedt. Het voordeel is dat onderdelen maximaal worden gebruikt en onnodige onderhoudsbeurten worden vermeden. Waar preventief onderhoud gebaseerd is op tijd, is voorspellend onderhoud gebaseerd op de feitelijke conditie.

Welke soorten data zijn nodig voor een voorspellend onderhoudsysteem?

Een goed systeem combineert verschillende datastromen. De kern vormen operationele data van sensoren op de machines zelf. Dit omvat metingen van trillingen, temperatuur, druk, stroomverbruik en akoestische signalen. Daarnaast is historische onderhoudsdata onmisbaar: logs van eerdere reparaties, vervangingen en storingen. Ook contextdata speelt een rol, zoals bedrijfsuren, productievolumes en omgevingsomstandigheden (bv. vochtigheid). Deze gegevens worden samengebracht en met algoritmen geanalyseerd om afwijkingen van het normale patroon te detecteren. Zo kan een kleine toename in trillingen, in combinatie met een langzame temperatuurstijging, duiden op slijtage van een lagering. De kracht zit in de combinatie van real-time metingen en historische patronen.