Predictive maintenance: kosten, implementatie en wat het oplevert

Kernpunten: Predictive maintenance voorspelt storingen voordat ze optreden en verlaagt zo ongeplande stilstand met doorgaans 30-50% en onderhoudskosten met 10-25%. De grootste waarde ontstaat in kapitaalintensieve omgevingen waar stilstand duur is. Het succes hangt af van de beschikbaarheid en kwaliteit van sensordata en van de integratie met de onderhoudsprocessen, niet van het model alleen. Deze gids behandelt de data, de implementatie, de kosten en waar de ROI vandaan komt.

Van reactief en preventief naar voorspellend

Onderhoud kent drie modi. Reactief onderhoud repareert na een storing: goedkoop in opzet, maar duur in de gevolgen door ongeplande stilstand. Preventief onderhoud vervangt onderdelen op een vast schema: voorspelbaar, maar verspillend, omdat er vaak nog goede onderdelen worden vervangen of het juist te laat is. Predictive maintenance zit ertussenin: het voorspelt op basis van de werkelijke conditie van een asset wanneer onderhoud nodig is.

Dat verschuift onderhoud van een kalender naar de feitelijke toestand. Het onderhoudsteam grijpt in vlak voordat een storing optreedt, niet te vroeg en niet te laat. Voor organisaties met dure, kritische assets is dat het verschil tussen geplande, korte interventies en kostbare ongeplande uitval.

Welke data ervoor nodig is

De basis is sensordata van de assets over tijd: trillingen, temperatuur, druk, stroomverbruik, afhankelijk van het type machine. Idealiter is er ook historie van storingsgevallen, zodat een model kan leren welke patronen aan een storing voorafgaan.

In de praktijk is er vaak meer data dan gedacht. Veel installaties hebben al SCADA- of besturingssystemen die signalen loggen; die data is een waardevol startpunt. Waar storingen zeldzaam zijn, wat juist bij goed onderhouden assets het geval is, gebruiken we anomaliedetectie: het model leert het normale gedrag van een asset en signaleert afwijkingen, zonder dat er veel storingsvoorbeelden nodig zijn.

Hoe een implementatie verloopt

Een traject begint met het beoordelen van de beschikbare data en het selecteren van de meest kritische assets, waar stilstand het duurst is. Voor die assets komt een eerste model dat de conditie bewaakt en vroege signalen geeft. Vervolgens komt de bepalende stap: het koppelen van die signalen aan het onderhoudsproces. Een voorspelling die niet leidt tot een geplande actie, verandert niets.

Net als bij andere ML-toepassingen ligt het breekpunt zelden bij het model en vaak bij de overgang naar productie en beheer. Een model dat een half jaar geleden goed werkte, kan achteruitgaan als de bedrijfsomstandigheden of de assets veranderen. Continue monitoring en periodieke hertraining horen daarom bij het traject.

Wat het kost

De kosten bestaan uit drie delen: sensoren en dataverzameling (voor zover die er nog niet is), modelontwikkeling en de integratie met onderhoudsprocessen. Waar al SCADA- of IoT-data beschikbaar is, vervalt een groot deel van de eerste post en dalen de kosten aanzienlijk.

Een proof-of-concept op een set kritische assets ligt in de orde van tienduizenden euro's en toetst of de beschikbare data betrouwbare voorspellingen toelaat. Een bredere uitrol over meer assets valt hoger uit, maar de kosten per asset dalen naarmate de aanpak gestandaardiseerd is. Een overzicht van de gangbare uitkomsten staat in onze machine learning ROI-benchmark.

Waar de ROI vandaan komt

De ROI is goed te kwantificeren en bestaat uit drie posten:

Minder ongeplande stilstand. De grootste post. Waar een uur stilstand van een kritische lijn in de duizenden tot tienduizenden euro's loopt, betaalt het voorkomen van enkele uitvallen per jaar zich al terug. De gangbare bandbreedte is 30-50% minder ongeplande stilstand.

Lagere onderhoudskosten. Onderhoud op conditie in plaats van op een vast schema vervangt onderdelen op het juiste moment, niet te vroeg (verspilling) en niet te laat (storing). Gangbaar is een daling van 10-25%.

Langere levensduur van assets. Tijdig ingrijpen voorkomt vervolgschade waarbij een klein defect een groot onderdeel beschadigt.

De pragmatische route

Begin bij de assets waar stilstand het duurst is en waar al data beschikbaar is: daar is de business case het sterkst en de drempel het laagst. Bewijs op die set dat de voorspellingen betrouwbaar genoeg zijn om op te handelen, en schaal daarna uit. Bouw de business case op de werkelijke kosten van stilstand in de eigen situatie, niet op een algemeen percentage.

Weten of predictive maintenance haalbaar is met de eigen assets en data? Neem contact op: we beoordelen de sensordata en de kritische assets waar de waarde zit.

Veelgestelde vragen

Wat levert predictive maintenance op?

Predictive maintenance verlaagt ongeplande stilstand doorgaans met 30-50% en onderhoudskosten met 10-25%, door storingen te voorspellen voordat ze optreden. De grootste absolute waarde ontstaat in kapitaalintensieve omgevingen waar een uur stilstand van een kritische lijn in de duizenden tot tienduizenden euro's loopt. De werkelijke ROI hangt af van de kosten van stilstand en de kwaliteit van de beschikbare sensordata.

Welke data is nodig voor predictive maintenance?

De basis is sensordata van de assets (trillingen, temperatuur, druk, stroomverbruik) over tijd, idealiter met historische storingsgevallen om het model op te trainen. Aanvullend helpen onderhoudslogs en bedrijfsomstandigheden. Waar storingen zeldzaam zijn, gebruiken we anomaliedetectie die afwijkend gedrag signaleert in plaats van specifieke storingen te voorspellen.

Wat kost een predictive maintenance-implementatie?

De kosten bestaan uit sensoren en dataverzameling (als die er nog niet is), modelontwikkeling en integratie met onderhoudsprocessen. Een proof-of-concept op een set kritische assets ligt in de orde van tienduizenden euro's; een bredere uitrol valt hoger uit, afhankelijk van het aantal assets en de bestaande sensorinfrastructuur. Waar al SCADA- of IoT-data beschikbaar is, dalen de kosten aanzienlijk.

Werkt predictive maintenance als we nog weinig sensordata hebben?

Dan begint het met het beschikbaar maken van data. Soms is er al meer data dan gedacht in SCADA- of besturingssystemen. Waar weinig historische storingen zijn, is anomaliedetectie een goed startpunt: die leert het normale gedrag van een asset en signaleert afwijkingen, zonder dat er veel storingsvoorbeelden nodig zijn.