Predictive maintenance met AI: van sensordata naar een onderbouwde onderhoudsbeslissing

Wat predictive maintenance met AI eigenlijk is

Predictive maintenance is een vorm van conditiegestuurd onderhoud: in plaats van onderhoud te plannen op vaste intervallen (preventief) of pas te reageren als iets stukgaat (correctief), wordt de actuele staat van een machine gevolgd via metingen zoals trillingen, temperatuur, stroomverbruik, druk of geluid. Machine learning wordt hierbij gebruikt om in die sensordata patronen te herkennen die samenhangen met slijtage of naderende storingen, vaak eerder of consistenter dan met vaste drempelwaarden alleen.

Het resultaat is geen garantie dat een machine niet meer uitvalt. Het is een inschatting van risico, gebaseerd op data, die een onderhoudsteam helpt om onderhoud te plannen op een moment dat past bij de operatie, in plaats van op het moment dat een machine toevallig stopt.

Wat het vraagt: data, sensoren en een baseline

Een model dat afwijkend gedrag herkent, moet eerst weten wat normaal gedrag is. Dat vraagt om een periode van betrouwbare, representatieve meetdata per machine of machineonderdeel, inclusief situaties waarin de machine goed functioneerde en, indien beschikbaar, historische storingen. Zonder die baseline en zonder voldoende storingsgeschiedenis blijft een model gissen.

• Sensoren die relevante grootheden meten (trilling, temperatuur, stroom, druk, geluid) met voldoende meetfrequentie en betrouwbaarheid
• Een periode van historische data, inclusief zo mogelijk eerdere storingen of onderhoudsincidenten, om patronen aan te leren
• Eenduidige koppeling tussen sensordata en het onderhoudslogboek, zodat gemeten afwijkingen te herleiden zijn naar wat er daadwerkelijk gebeurde
• Onderhoud aan de sensoren en meetketen zelf, want een defecte sensor levert misleidende signalen op
• Capaciteit om het model periodiek te herijken, omdat machines, ladingen en omstandigheden veranderen

Wat het realistisch oplevert

Het eerlijke antwoord is: minder verrassingen, geen garanties. Een goed werkend systeem verschuift de balans van reactief onderhoud (repareren nadat iets is uitgevallen) naar gepland onderhoud op basis van conditie. Dat maakt het makkelijker om onderhoudsmomenten af te stemmen op productieplanning, in plaats van dat een storing die planning doorkruist.

Concrete percentages over vermindering van stilstand of besparingen zijn per bedrijf, machine en databasis zo verschillend dat ze zonder eigen meting niet zinvol zijn te noemen. Een betrouwbare inschatting van wat predictive maintenance voor uw situatie oplevert, komt pas na een periode van eigen dataverzameling en evaluatie, niet uit een algemene claim.

Inpassen in bestaande kwaliteitssystemen

In food manufacturing staat onderhoud niet los van voedselveiligheid. Onderhoudsbeslissingen, ook wanneer ze mede op basis van een AI-signaal worden genomen, moeten passen binnen bestaande kaders zoals HACCP en FSSC 22000: wie beslist, op basis van welke informatie, en hoe wordt dat vastgelegd. Een predictive-maintenance-signaal is een extra bron van informatie voor die beslissing, geen vervanging van de bestaande verantwoordelijkheidsstructuur of documentatieplicht.

De mens beslist en tekent

Een AI-model geeft een risico-inschatting op basis van de data die het heeft gezien. Het kent de context van uw operatie niet volledig: een geplande grote order, de beschikbaarheid van een monteur, of een onderdeel dat toch al vervangen moest worden. Daarom adviseert het model, en beslist en tekent de verantwoordelijke technisch professional. Sinds 2 februari 2025 geldt bovendien de AI-geletterdheidsverplichting uit artikel 4 van de EU AI Act: wie met AI-systemen werkt of ze inzet, moet voldoende begrijpen hoe het systeem tot zijn signalen komt om er verantwoord mee te kunnen werken en de uiteindelijke beslissing te kunnen dragen.

Hoe u er praktisch mee begint

Begin niet met een organisatiebreed predictive-maintenance-programma, maar met één of enkele kritieke machines waarvoor stilstand het meest kost of het meeste risico oplevert. Breng in kaart welke sensordata al beschikbaar is, welke ontbreekt, en hoe volledig het historische onderhoudslogboek is. Op basis daarvan is pas te bepalen of, en met welk model, een zinvolle pilot mogelijk is.