Tijdig onderhoud plegen met data-analyse en Predictive Maintenance

Van reactief naar voorspellend

Traditioneel onderhoud kent drie vormen, elk met zijn eigen voor- en nadelen.

• Correctief onderhoud betekent pas repareren als het kapot is. Dit lijkt goedkoop omdat je geen preventief onderhoud doet, maar ongeplande stilstand kost gemiddeld vijf tot tien keer meer dan gepland onderhoud. Bovendien ontstaat er vaak vervolgschade wanneer een onderdeel kapot gaat en andere componenten mee beschadigt.
• Preventief onderhoud werkt met vaste intervallen. Elke 1000 draaiuren of elk jaar vervang je bepaalde onderdelen, ongeacht of dat nodig is. Dit voorkomt ongeplande uitval maar is inefficiënt: je vervangt onderdelen die nog maanden of jaren mee hadden gekund. Studies laten zien dat 30-40% van preventief onderhoud onnodig is.
• Predictive maintenance baseert onderhoud op de werkelijke conditie. Door sensoren te monitoren zie je wanneer slijtage begint en plan je onderhoud precies wanneer het nodig is. Dit combineert de betrouwbaarheid van preventief met de efficiency van alleen vervangen wat nodig is.

Hoe werkt predictive maintenance in de praktijk?

Predictive maintenance is geen eenmalig project, maar een continu verbeterproces. Meten, analyseren, voorspellen en plannen vormen de basis, maar de echte complexiteit zit in het valideren van afwijkingen.

Stap 1: Data verzamelen

Je verzamelt continu data op kritieke componenten via trillings-, temperatuur-, stroom- en geluidssensoren. Deze data wordt centraal opgeslagen en gecombineerd met procesinformatie uit bijvoorbeeld MES of ERP. Context, zoals belasting en omgevingstemperatuur, is noodzakelijk om afwijkingen goed te interpreteren.

Stap 2: Patronen en storingsgeschiedenis analyseren

Software vergelijkt actuele meetgegevens met historische data. Sensordata wordt gekoppeld aan storingsmeldingen, onderhoudsrapportages en vervangingsmomenten. Zo ontstaan patronen die daadwerkelijk tot falen hebben geleid. Machine learning helpt om deze verbanden te herkennen binnen jouw specifieke machines en productiecondities.

Stap 3: Afwijkingen valideren

Niet elke afwijking betekent een aankomend defect. Het kan ook gaan om tijdelijke overbelasting, veranderde productieomstandigheden of een meetfout. Daarom valideer je afwijkingen door:

• Vergelijking met eerdere faalpatronen
• Toetsing door onderhoud en engineering
• Eventueel gecontroleerde slijtagetests om echte faaldata te verzamelen

Juist deze stap bepaalt of je van afwijkingsdetectie naar betrouwbare faalvoorspelling gaat.

Stap 4: Resterende levensduur voorspellen

Na validatie berekent het systeem de verwachte resterende levensduur van een component. Je krijgt een concrete indicatie van het moment waarop ingrijpen nodig is. Dit maakt planbaar onderhoud mogelijk en voorkomt ongeplande stilstand.

Stap 5: Onderhoud gericht plannen

Je plant onderhoud op een logisch moment in de productieplanning, bestelt onderdelen tijdig en voert werkzaamheden efficiënt uit. Na uitvoering blijft het systeem meten en wordt het model verder verfijnd met nieuwe data. Zo versterkt elke onderhoudscyclus de voorspellende waarde van het systeem.

Welke onderdelen zijn geschikt voor predictive maintenance?

Niet alles hoef je of kunt je voorspellend onderhouden. Focus op componenten waar het meeste waarde te halen is.

• Lagers zijn perfecte kandidaten. Ze slijten geleidelijk en geven duidelijke signalen via trillingen en geluid. Lageruitval is een veelvoorkomende oorzaak van machinestilstand en goed te voorspellen met trillingssensoren.
• Motoren en aandrijvingen kun je monitoren op temperatuur, stroomverbruik en trillingen. Veranderingen duiden op problemen met lagers, wikkelingen of mechanische belasting.
• Pompen en compressoren geven signalen via druk, temperatuur, trillingen en stroomverbruik. Slijtage van dichtingen, lagers of schoepen is goed te detecteren.
• Tandwielkasten kun je monitoren op slijtage van tandwielen en lagers via trillings- en geluidsanalyse.
• Hydraulische en pneumatische systemen vertonen drukveranderingen bij lekken of verstoppingen.
• Elektrische componenten zoals schakelaars, relais en kabels kun je monitoren op temperatuur om oververhitting en dreigende defecten te detecteren.

De vuistregel: componenten die slijten door beweging, wrijving of temperatuur zijn geschikt voor predictive maintenance. Componenten die plotseling falen zonder waarschuwing (elektronica, software) zijn lastiger te voorspellen. Maar kijk ook naar de gevolgen van stuk gaan. Als een onderdeel stuk gaat in een niet kritisch proces is het wellicht niet rendabel om daar te investeren in predictive maintenance.

De technologie achter predictive maintenance

Trillinganalyse is de meest gebruikte techniek. Elk draaiend onderdeel heeft een karakteristiek trillingspatroon. Een gezond lager produceert een ander patroon dan een lager met beginnende slijtage. Door frequentieanalyse (FFT – Fast Fourier Transform) herken je specifieke defecten: slijtage binnenring, buitenring, kogels of kooi.

Moderne trillingssensoren doen deze analyse zelf en sturen alleen alarmen wanneer afwijkingen gedetecteerd worden. Je hoeft geen trillingspecialist in dienst te hebben om dit te gebruiken.

Thermografie gebruikt temperatuurmetingen of infraroodcamera's om oververhitting te detecteren. Elektrische aansluitingen die warm worden, lagers die heter worden dan normaal, of isolatie die degradeert – allemaal zichtbaar via temperatuurveranderingen.

Olie-analyse onderzoekt smeerolie op metaaldeeltjes die duiden op slijtage. Dit wordt vaak gedaan in laboratoria maar er komen steeds meer online sensors die continu de oliekwaliteit monitoren.

Akoestische monitoring detecteert geluidsveranderingen die wijzen op problemen. Lekken in perslucht, slijtage van tandwielen, of losse onderdelen zijn hoorbaar voordat ze zichtbare problemen veroorzaken.

Stroomanalyse bij elektromotoren kan defecten aan wikkelingen, lagers of mechanische belasting detecteren. Het stroomverbruik verandert karakteristiek bij verschillende problemen.

Machine learning om slimmer te voorspellen

Traditionele predictive maintenance werkt met vaste drempelwaarden: als de trilling boven een bepaald niveau komt, geef dan alarm. Dit werkt maar is niet optimaal omdat elke machine uniek is en omstandigheden variëren.

Machine learning gaat verder. Het systeem leert wat normaal is voor jouw specifieke situatie. Een machine die 's nachts draait heeft andere omgevingstemperaturen dan overdag. Een machine die zware producten bewerkt heeft andere trillingen dan bij lichte producten.

Het algoritme leert deze variaties kennen en detecteert alleen echte afwijkingen. Dit vermindert valse alarmen en verhoogt de betrouwbaarheid van voorspellingen.

Moderne systemen kunnen ook faalpatronen herkennen die mensen niet zien. Door duizenden machines te analyseren leren ze welke combinaties van signalen leiden tot welke problemen. Deze kennis wordt beschikbaar voor jouw machines.

Voor MKB-bedrijven betekent dit dat je profiteert van kennis die is opgebouwd bij veel bedrijven, zonder zelf jarenlang data te moeten verzamelen.

Uitdagingen en realistische verwachtingen

Predictive maintenance is geen wondermiddel. Er zijn zaken om rekening mee te houden.

• Er is historische data nodig: Het systeem moet eerst leren wat normaal is. Dit vraagt enkele weken tot maanden data voordat betrouwbare voorspellingen mogelijk zijn. Bij nieuwe machines duurt het langer omdat er nog geen faalgeschiedenis bekend is.
• Niet alles is te voorspellen: Sommige defecten ontstaan plotseling zonder waarschuwing. Predictive maintenance vermindert ongeplande stilstand maar elimineert het niet volledig.
• Investeren in sensoren: Elke machine die je wilt monitoren heeft sensoren nodig. Voor bedrijven met veel machines is dit een substantiële investering. Focus daarom op de meest kritieke machines.
• Er is expertise nodig: Ondanks slimme software heb je mensen nodig die alarmen interpreteren en onderhoud plannen en uitvoeren. Investeer in training van je onderhoudsteam.
• Valse alarmen: Vooral in het begin geeft het systeem soms onnodige alarmen. Naarmate het beter leert, worden voorspellingen betrouwbaarder. Heb geduld en blijf data verzamelen.

Integratie met onderhoudsplanning

Predictive maintenance werkt het best als het geïntegreerd is met je onderhoudsplanningssysteem (CMMS – Computerized Maintenance Management System). Het systeem genereert onderhoudsopdrachten op basis van voorspellingen, technische details worden automatisch beschikbaar gesteld, en onderdelen worden besteld voor de geplande interventie.

Voor MKB-bedrijven zonder CMMS zijn er lichtere oplossingen die basale planning ondersteunen binnen het predictive maintenance platform zelf.

ROI berekenen: wat levert het op?

De return on investment hangt af van je huidige situatie. Bedrijven met veel ongeplande stilstand zien snelle terugverdientijd. Bedrijven die al goed preventief onderhouden zien vooral besparing op onnodige onderhoudsacties.

Bereken je ROI aan de hand van:

• Kosten ongeplande stilstand: Hoeveel uur productiestilstand per jaar? Wat zijn de kosten per uur (omzet plus extra kosten zoals spoedleveringen, overwerk)?
• Kosten preventief onderhoud: Hoeveel geef je uit aan onderhoud volgens schema? Hoeveel hiervan is waarschijnlijk niet nodig geweest?
• Verlengde levensduur: Onderdelen die op het juiste moment vervangen worden, veroorzaken minder vervolgschade en machines gaan langer mee.
• Efficiëntere inzet technici: Minder brandjes blussen betekent meer tijd voor planbare verbeteringen.

Typische besparingen liggen tussen 20% en 40% op totale onderhoudskosten en 50% tot 80% reductie in ongeplande stilstand.

Een stappenplan om te Starten met predictive maintenance

Stap 1: Identificeer kritieke machines waar uitval het meest pijnlijk is. Begin hier in plaats van proberen alles tegelijk te doen.

Stap 2: Installeer sensoren op de juiste componenten. Laat dit doen door specialisten om goede datakwaliteit te garanderen.

Stap 3: Verzamel data gedurende enkele weken. Documenteer ondertussen wanneer onderhoud plaatsvindt en noteer afwijkingen.

Stap 4: Stel alarmen in op basis van eerste analyses. Begin conservatief met ruime marges.

Stap 5: Reageer op eerste voorspellingen en documenteer wat je vindt. Valideer of de voorspelling klopte.

Stap 6: Verfijn het systeem op basis van ervaringen. Pas drempelwaarden aan, voeg sensoren toe waar nodig.

Stap 7: Breid uit naar andere machines wanneer je succeservaringen hebt met de pilotmachines.

Maak je productie slimmer en toegankelijker

Predictive maintenance wordt steeds toegankelijker voor MKB. Sensoren worden goedkoper, algoritmes slimmer, en platforms gebruiksvriendelijker. Je hoeft geen data scientist te zijn om ervan te profiteren.

Nieuwe ontwikkelingen zoals edge AI (kunstmatige intelligentie direct op de sensor) maken systemen sneller en betrouwbaarder. Samenwerking tussen machineleveranciers en onderhoudsspecialisten zorgt voor betere integratie.

Begin klein, leer van de ervaringen, en bouw verder. Elke voorkomen machinestilstand rechtvaardigt de investering.