Over Predictive Maintenance
In productie, food and beverage, nutsbedrijven, transport en wagenpark, zorg, life sciences, luchtvaart, mijnbouw en openbare werken verouderen de assetbestanden, terwijl het onderhoudspersoneel met pensioen gaat. Preventief onderhoud dat is gebouwd op kalenderintervallen, geeft sommige assets te veel onderhoud en mist storingen bij andere. Reactief onderhoud kost meer op elke dimensie die ertoe doet.
Voorspellend onderhoud is het operationele antwoord. PdM gebruikt conditiedata en analytics om asset-uitval te voorspellen voordat deze plaatsvindt. De data komen van sensoren op roterende apparatuur, pompen, motoren, compressoren, tandwielkasten, hydraulische systemen, transformatoren, HVAC, wagenparkvoertuigen, medische apparatuur en nutsinfrastructuur. De analyticslaag zet die data om in een voorspelling: welke asset zal uitvallen, wanneer, en met welke mate van zekerheid. De zakelijke doelen zijn uptime op kritische assets, lagere totale onderhoudskosten, minder onnodige preventieve interventies en scherpere duidelijkheid over repareren of vervangen.
Hoe werkt predictive maintenance?
Een PdM-programma draait over drie met elkaar verbonden lagen: gegevensverzameling, analytics en uitvoering.
Verzameling van sensordata
Trillingssensoren volgen lagerslijtage, onbalans en uitlijningsfouten op roterende apparatuur. Olieanalyse meet slijtagedeeltjes, verontreiniging en degradatie van de viscositeit. Infrarood thermografie detecteert elektrische hotspots en wrijving. Ultrasoon onderzoek identificeert lekkages, boogvorming en lagerproblemen. Analyse van de stroomsignatuur van motoren evalueert rotor- en statorstoringen. Continue data van IoT- en OT-sensoren, SCADA en procesdatahistorie maken het beeld compleet.
Conditiebewaking en signaalverwerking
De laag voor conditiebewaking stelt basislijnen vast, past drempelwaarden toe en volgt trends in metingen over de tijd, waarbij ruwe signalen worden omgezet in gestructureerde indicatoren van de assettoestand waarop verderop gelegen modellen kunnen handelen.
Voorspelling van uitval en modellering van de resterende levensduur (RUL)
Regressiemodellen schatten de tijd tot uitval. Anomaliedetectie signaleert afwijkingen van gezonde operationele toestanden. Overlevingsanalyse schat de kans op uitval binnen een gedefinieerd tijdsvenster. Classificatie onderscheidt specifieke faalwijzen van elkaar. De betrouwbaarheid van de voorspelling is het hoogst bij roterende apparatuur met schone basislijnen en gelabelde storingshistorie; het is lastiger bij intermitterende elektrische storingen, complexe faalwijzen met meerdere oorzaken, en assets met beperkte data. Eerlijke afbakening is wat PdM-programma's die opschalen onderscheidt van programma's die te veel beloven.
Van voorspelling naar gepland werk
Een voorspelling is alleen nuttig als deze verandert in een geplande, geprioriteerde werkorder met de juiste onderdelen gereed en de juiste technicus op het juiste moment. Dat betekent werkorderbeheer, AI-ondersteunde prioritering, beheer van reserveonderdelen die vóór het storingsvenster worden klaargezet, en mobiele uitvoering bij de asset. Dit is waar Enterprise Asset Management (EAM) met ingebedde AI zich in het operationele centrum van een PdM-programma bevindt.
De ladder van onderhoudsstrategieën: reactief, preventief, conditiegebaseerd, voorspellend, prescriptief
De meeste organisaties draaien twee of drie strategieën parallel, selectief toegepast op basis van de kriticiteit van assets.
Reactief onderhoud (gebruiken tot uitval). Pas repareren nadat de asset kapot gaat. Het juiste antwoord wanneer een asset goedkoop en niet-kritisch is, en er operationele redundantie bestaat.
Preventief onderhoud (PM). Tijdgebaseerde of gebruiksgebaseerde schema's voor smering, inspectie en vervanging van componenten. Werkt goed bij voorspelbare slijtagepatronen, maar geeft sommige assets te veel onderhoud en mist storingen bij andere.
Conditiegebaseerd onderhoud (CBM). Wordt getriggerd wanneer een gemeten conditie vandaag een drempelwaarde overschrijdt. Reactief op een huidig signaal, niet voorspellend voor een toekomstig signaal. De brug tussen PM en PdM.
Voorspellend onderhoud (PdM). Gebruikt conditiedata plus modellen om te voorspellen wanneer uitval zal optreden. Het juiste antwoord voor kritische, geïnstrumenteerde assets met schone signalen over de voortgang van storingen. Dit is de volwassenheidsfase die aansluit op Predictive maintenance insights als benoemde AI-mogelijkheid binnen Ultimo's EAM met ingebedde AI.
Prescriptief onderhoud (RxM). Bevindt zich boven op PdM. Voegt AI-gedreven suggesties toe over welke actie te ondernemen en wanneer. De hoogste volwassenheidsfase, die aanvankelijk pas in specifieke delen wordt bereikt.
Typen en technieken van predictive maintenance
Zoekresultaten comprimeren PdM vaak tot drie of vier "typen". De werkelijkheid is breder. De canonieke technieken die vandaag in productie worden gebruikt:
Trillingsanalyse: lagerslijtage, onbalans, uitlijningsfouten, tandwielgebreken.
Olie- en smeermiddelanalyse: slijtagedeeltjes, verontreiniging, degradatie van de viscositeit.
Infrarood thermografie: elektrische hotspots, mechanische wrijving, degradatie van isolatie.
Ultrasoon onderzoek: lekkages van perslucht en gas, elektrische boogvorming, lagerproblemen.
Analyse van de stroomsignatuur van motoren: rotor- en statorstoringen in motorwikkelingen.
Akoestische-emissiebewaking: scheurgroei, cavitatie, lekdetectie.
Trending van procesparameters: drift in druk, temperatuur, doorstroming en energieverbruik.
Een volwassen programma selecteert uit de volledige verzameling technieken, afgestemd op de faalwijzen van elke kritische assetklasse, in plaats van één canonieke lijst van "drie typen" of "vier typen" over te nemen.
Predictive maintenance versus preventief, conditiegebaseerd, prescriptief onderhoud, APM, EAM en CMMS
Het landschap van categorieën kan verwarrend zijn. De verschillen zijn van belang omdat ze zowel de onderhoudsstrategie als de softwareselectie bepalen.
Predictive versus preventief onderhoud. PM is kalendergebaseerd of gebruiksgebaseerd; PdM is conditiegebaseerd en voorspellingsgebaseerd. PM geeft sommige assets te veel onderhoud en mist storingen bij andere. PdM voert werk uit wanneer de data aangeven dat het nodig is. De meeste organisaties draaien beide: PM voor assets met een lage kriticiteit, PdM voor kritische, geïnstrumenteerde assets.
Predictive versus conditiegebaseerd onderhoud (CBM). CBM treedt in werking wanneer een gemeten conditie vandaag een drempelwaarde overschrijdt; PdM voorspelt wanneer die drempelwaarde in de toekomst zal worden overschreden. PdM is CBM plus een model, wat een responsvenster voor gepland werk oplevert in plaats van een venster binnen dezelfde dienst.
Predictive versus prescriptief onderhoud. PdM vertelt de operator dat er een storing aankomt. Prescriptief onderhoud beveelt de specifieke actie en timing aan, en bevindt zich boven op PdM als de hoogste volwassenheidsfase.
Predictive maintenance versus APM, EAM en CMMS. PdM is de blik vanuit analytics en betrouwbaarheid binnen de bredere discipline van Asset Performance Management (APM). Enterprise Asset Management (EAM) is de ruggengraat voor werkuitvoering en assetdata, en EAM met ingebedde AI is waar PdM-signalen veranderen in geplande werkorders met de onderdelen gereed. CMMS is de laag voor de uitvoering van werkorders, zonder ingebouwde analytics. CMMS plus een afzonderlijke PdM-tool is een gangbaar instappatroon, maar organisaties die over meerdere fabrieken heen consolideren, stappen over op EAM met ingebedde AI, zodat de lagen voor analytics en uitvoering dezelfde data delen.
Wie is eigenaar van predictive maintenance, en welke KPI's zij bijhouden
PdM is een cross-functioneel programma. Reliability Engineering is eigenaar van faalwijze-analyse, kriticiteit, FMECA, RCM en modelvalidatie, met KPI's op MTBF, MTTR, de verhouding gepland-versus-reactief, en de precisie en recall van het model. Maintenance is eigenaar van de uitvoering, met KPI's op uptime, de verhouding gepland onderhoud en kosten per asset. Operations en Plant Management zijn eigenaar van de productie-impact (OEE, levering op tijd, capaciteitsbenutting). VP / Director of Asset Management is eigenaar van de portfolio over alle assets heen (rendement op assets, levenscycluskosten, uitstel van kapitaal, auditgereedheid). VP Finance en Controller zijn eigenaar van de impact op het kapitaal- en operationele budget (margebescherming, ROI op het PdM-programma, kapitaalefficiëntie). PdM levert alleen resultaat op wanneer de operationele softwarelaag ervoor zorgt dat deze rollen vanuit dezelfde data werken.
Voordelen, ROI en bewijspunten
De zaak voor PdM is gebouwd op vijf onderling verbonden resultaten: uptime op kritische assets, lagere totale onderhoudskosten, minder onnodige preventieve interventies, langere levensduur van assets, en scherpere beslissingen over repareren of vervangen. Besparingen komen voort uit vermeden catastrofale uitval, uitgesteld kapitaalvervanging, verminderde overtollige voorraad van reserveonderdelen, en minder spoedoproepen.
Assetintensieve organisaties hebben tot 40% downtimereductie aangetoond door middel van reliability-centered maintenance gebouwd op PdM en FMECA. Zoals Jan Wolf, Reliability Engineer bij Kisuma Chemicals, het verwoordde: "De FMECA-strategie in Ultimo heeft ons geholpen de downtime met 40% te verlagen en aanzienlijke kostenbesparingen te realiseren." Ysco verbeterde de technische efficiëntie van 94% naar 96%, wat honderdduizenden aan jaarlijkse kostenbesparingen opleverde. Zandvliet behaalde een terugverdientijd van 6 maanden. Broshuis B.V. bespaarde meer dan 1 fte door gestructureerde vastlegging van assetgegevens, het fundament waarop elk PdM-model steunt. Montanwerke Brixlegg toonde 5% inkoopbesparing aan door gegevens over reserveonderdelen te koppelen aan werkorders en assetgegevens.
Bij meer dan 2.500 organisaties, meer dan 154.000 actieve gebruikers, en meer dan 22 miljoen ondersteunde assets op 99,98% Microsoft Azure-beschikbaarheid, is het patroon consistent: PdM verdient zichzelf terug wanneer voorspelling, uitvoering en gegevens over reserveonderdelen dezelfde enkele bron van waarheid delen.
Hoe software predictive maintenance ondersteunt
Een PdM-programma heeft vier operationele lagen nodig, elk gekoppeld aan specifieke mogelijkheden binnen Ultimo's Enterprise Asset Management (EAM) met ingebedde AI.
Het assetfundament komt eerst. Automated asset cataloging, hiërarchieën van bovenliggende en onderliggende elementen, en conditienulmetingen die bij inbedrijfstelling zijn vastgelegd, zijn waar elk PdM-model op steunt. De voorspellingslaag is waar Predictive maintenance insights, de benoemde AI-mogelijkheid van Ultimo, voorspellingssignalen zichtbaar maakt die gekoppeld zijn aan specifieke assets, met integratie van sensor-, IoT- en OT-data, en conditiebewaking.
De uitvoeringslaag zet voorspellingen om in werk. Work Order Management plant, prioriteert en volgt elke taak. AI-ondersteunde prioritering van werkorders rangschikt voorspelde storingen op kriticiteit. De Mobile App verplaatst de uitvoering naar de werkvloer, met assethistorie op het punt waar het werk plaatsvindt. Assisted Troubleshooting biedt beslissingsondersteuning van junior tot senior, waarbij betrouwbaarheidskennis wordt overgedragen binnen een personeelsbestand dat met pensioen gaat. De module Proactive Maintenance neemt PdM-workflows op naast preventieve en conditiegebaseerde schema's, in één operationeel overzicht. Stock Management en Purchasing koppelt gegevens over reserveonderdelen aan voorspelde storingen, zodat het juiste onderdeel op de plank ligt wanneer de werkorder wordt geopend.
Reporting and Dashboards met Power BI-integratie biedt bijna realtime, afdelingsoverstijgend inzicht, zodat reliability, maintenance, operations en finance vanuit dezelfde data werken. SAP S/4HANA Certified, SOC 2 Type II, ISO-gecertificeerd, FDA-compliance voor de NA-markt, en 99,98% Azure-beschikbaarheid geven enterprise-IT- en complianceteams wat zij nodig hebben om de implementatie te onderbouwen.
Hoe AI de uitvoering van predictive maintenance verandert
Digitalisering van assets creëert een datavolume dat mensen niet kunnen verwerken, pensioneringen onder het personeel versnellen, en de assets die PdM het hardst nodig hebben, worden steeds vaker bediend door junior teams. AI die is ingebed in het dagelijkse werk, niet als los aangekoppelde tool, is het praktische antwoord. Voorspellingen zijn scherper omdat modellen toegang hebben tot schone asset- en werkorderhistorie. Junior medewerkers ontwikkelen zich sneller omdat Assisted Troubleshooting beslissingsondersteuning op seniorniveau naar het veld brengt. Planners rangschikken werk op kriticiteit over honderden voorspelde storingen, omdat AI-ondersteunde prioritering van werkorders de combinatorische complexiteit aankan die menselijk oordeel niet op schaal aankan.
Binnen Ultimo's EAM met ingebedde AI bouwt Automated asset cataloging het fundament, draait Predictive maintenance insights op de analyticslaag, rangschikt AI-ondersteunde prioritering van werkorders voorspelde storingen, en ondersteunen Assisted Troubleshooting en de AI Work Instruction Generator de uitvoering in het veld. Ultimo was de eerste EAM-leverancier die agentische AI in productie naar industrieel onderhoud bracht, onder de filosofie van Collaborative Intelligence van partnerschap tussen mens, AI en robotica.
Veelgestelde vragen
Wat is predictive maintenance?
Predictive maintenance (PdM) is een proactieve onderhoudsstrategie die sensordata, conditiebewaking en machine learning-modellen gebruikt om te voorspellen wanneer een asset waarschijnlijk zal uitvallen, zodat onderhoud kan worden ingepland vóór de uitval, maar alleen wanneer de data aangeven dat het nodig is. De canonieke technieken omvatten trillingsanalyse, olie- en smeermiddelanalyse, infrarood thermografie, ultrasoon onderzoek en analyse van de stroomsignatuur van motoren. PdM is van toepassing op roterende apparatuur, pompen, motoren, tandwielkasten, compressoren, HVAC, wagenpark, medische apparatuur en nutsinfrastructuur. De zakelijke resultaten zijn uptime op kritische assets, lagere totale onderhoudskosten, minder onnodige preventieve interventies en een langere levensduur van assets.
Wat zijn de drie typen predictive maintenance?
De meest gangbare indeling groepeert PdM in trillingsanalyse, infrarood thermografie en olieanalyse. Sommige frameworks voegen ultrasoon onderzoek toe als vierde. Het volledigere beeld omvat ook analyse van de stroomsignatuur van motoren, akoestische-emissiebewaking en trending van procesparameters (drift in druk, temperatuur, doorstroming en energieverbruik). Een volwassen programma selecteert technieken op basis van de faalwijzen van elke kritische assetklasse, niet door één canonieke lijst over te nemen.
Wat is het verschil tussen predictive en preventief onderhoud?
Preventief onderhoud (PM) is kalendergebaseerd of gebruiksgebaseerd. Predictive maintenance (PdM) is conditiegebaseerd en voorspellingsgebaseerd. PM geeft sommige assets te veel onderhoud en mist storingen bij andere, omdat het schema niet weet wat de asset daadwerkelijk doet. PdM voert werk uit wanneer de data aangeven dat het nodig is, wat de uptime verbetert en zowel onnodige interventies als spoedreparaties vermindert. De meeste organisaties draaien beide: PM voor assets met een lage kriticiteit, PdM voor kritische, geïnstrumenteerde assets waar de waarde van vermeden uitval de investering in sensoren rechtvaardigt.
Hoe werkt predictive maintenance?
PdM werkt via drie lagen. De datalaag legt sensorsignalen vast (trilling, olie, infrarood, ultrasoon, motorstroom, IoT en OT, SCADA, historian). De analyticslaag past conditiebewaking, signaalverwerking en machine learning-modellen toe (regressie, anomaliedetectie, overlevingsanalyse, classificatie) om de tijd tot uitval en de resterende levensduur te voorspellen. De uitvoeringslaag zet de voorspelling om in een geplande, geprioriteerde werkorder met de onderdelen gereed en de juiste technicus op het juiste moment, waarbij analytics en uitvoering dezelfde bron van waarheid delen.
Gebruikt predictive maintenance machine learning of AI?
Ja. De voorspellingslaag gebruikt regressie-, anomaliedetectie-, overlevingsanalyse- en classificatiemodellen die zijn getraind op historische sensor- en storingsdata. Moderne PdM wordt steeds vaker rechtstreeks ingebed in Enterprise Asset Management (EAM)-software, in plaats van te draaien in een afzonderlijke PdM-tool, omdat de voorspellings- en uitvoeringslaag data moeten delen. Binnen Ultimo's EAM met ingebedde AI is Predictive maintenance insights de benoemde AI-mogelijkheid die voorspellingssignalen levert die gekoppeld zijn aan specifieke assets en werkorders.
Wat zijn de voordelen van predictive maintenance?
PdM levert vijf onderling verbonden resultaten: uptime op kritische assets, lagere totale onderhoudskosten, minder onnodige preventieve interventies, een langere levensduur van assets, en scherpere beslissingen over repareren of vervangen. Besparingen komen voort uit vermeden catastrofale uitval, uitgestelde kapitaalvervanging, verminderde overtollige voorraad van reserveonderdelen, en minder spoedoproepen. Assetintensieve organisaties hebben tot 40% downtimereductie aangetoond door middel van reliability-centered maintenance, zoals Kisuma Chemicals aantoonde. Zandvliet behaalde een terugverdientijd van 6 maanden. Broshuis B.V. bespaarde meer dan 1 fte door gestructureerde vastlegging van assetgegevens.
Welke software is nodig voor predictive maintenance?
PdM op zichzelf is geen softwarecategorie; het is een mogelijkheid binnen Enterprise Asset Management (EAM) met ingebedde AI. De juiste stack omvat EAM voor assetgegevens en werkuitvoering, input vanuit conditiebewaking (sensoren, IoT en OT, SCADA, historian), en een AI-laag voor voorspelling en prioritering. CMMS alleen mist de analyticslaag waarvan PdM afhankelijk is; APM-tools bieden analytics, maar missen de ruggengraat voor uitvoering. Ultimo's EAM met ingebedde AI is de operationele software waarin de drie samenkomen, met Predictive maintenance insights, AI-ondersteunde prioritering van werkorders, Work Order Management, Mobile App, en Stock Management en Purchasing op één gedeeld fundament van data.
Bekijk predictive maintenance binnen Ultimo's EAM met ingebedde AI
Predictive maintenance verdient zichzelf terug wanneer voorspelling, werkuitvoering en gegevens over reserveonderdelen dezelfde bron van waarheid delen. Dat is wat Ultimo's Enterprise Asset Management (EAM) met ingebedde AI biedt, met Predictive maintenance insights, AI-ondersteunde prioritering van werkorders, Proactive Maintenance, Assisted Troubleshooting, Stock Management en Purchasing, en de Mobile App op dezelfde asset- en werkorderdata.