Voorspellend onderhoud (predictive maintenance)

Dit artikel hoort bij het onderhouds-cluster: de organisatorische kant staat in CMMS: wat het is, functies en keuze, de datalaag in MES-systeem: wat het is.

Wat is voorspellend onderhoud?

Voorspellend onderhoud is een onderhoudsstrategie die de werkelijke toestand en het gedrag van een machine continu meet en uit die data afleidt wanneer een storing waarschijnlijk wordt — om onderhoud precies dán uit te voeren. Het verschil met preventief onderhoud zit in de trigger: preventief onderhoud werkt met vaste intervallen (elke drie maanden, elke 10.000 cycli), ongeacht de werkelijke conditie; voorspellend onderhoud werkt met de gemeten conditie en het voorspelde verloop ervan. Daardoor verdwijnen twee soorten verspilling tegelijk: onderhoud aan componenten die nog prima zijn, en ongeplande stilstand door componenten die het interval niet haalden.

De term wordt in 2026 vaak gelijkgesteld met AI en machine learning. Dat klopt maar half: het fundament is niet het model, maar de meetinfrastructuur. Een voorspelling is zo goed als de data waarop ze rust — en de meeste waarde van het traject ontstaat al vóór de eerste voorspelling, zodra stilstanden, draaiuren en procesparameters überhaupt automatisch gemeten worden.

De 4 vormen van onderhoud

Voorspellend onderhoud is de vierde trede van een volwassenheidsladder. De vier vormen, met hun trigger en hun prijs:

De vormen sluiten elkaar niet uit — een volwassen onderhoudsorganisatie mixt ze bewust: correctief voor de onkritieke restgroep, preventief waar wetgeving of fabrikant het voorschrijft, conditiegebaseerd en voorspellend voor de kritieke en dure installaties.

Hoe werkt voorspellend onderhoud technisch?

De keten heeft vier schakels. Eén: meten. Machinedata komt binnen via de besturing (OPC UA bij moderne machines), via I/O-gateways bij oudere installaties, en waar nodig via extra sensoren (trilling, temperatuur, akoestiek, stroomopname). Belangrijk en vaak onderschat: ook zonder extra sensoren bevat de bestaande machinedata al sterke voorspellers — oplopende cyclustijden, toenemende microstops, stijgend energieverbruik per stuk zijn klassieke vroege slijtagesignalen. Twee: verzamelen en contextualiseren. De ruwe signalen krijgen context: welke machine, welk product, welke ploeg, welke procesparameters. Zonder context is een trillingswaarde ruis; met context wordt ze een patroon. Drie: analyseren. Van eenvoudige trendbewaking en drempels (al zeer effectief) tot statistische modellen en machine learning die storingspatronen herkennen en restlevensduur schatten. Vier: handelen. De voorspelling wordt een onderhoudsorder met termijn — automatisch in het CMMS, met het reserveonderdeel op tijd besteld. Een voorspelling zonder gekoppeld werkproces is een dashboard, geen strategie.

Welke data heeft u nodig — en welke heeft u al?

Drie datalagen, oplopend in inspanning. Laag 1 — wat elke aangesloten machine al levert: stilstanden met tijdstempel, draaiuren, cyclustijden, stuksaantallen, alarmen uit de besturing. Hieruit ontstaan MTBF/MTTR per machine, storingspatronen en slijtage-indicatoren — zonder één extra sensor. In onze implementaties is dit de laag waar de eerste maanden de meeste waarde zit. Laag 2 — procesdata: temperaturen, drukken, stroomopname, kwaliteitsmetingen uit de bestaande sensoriek en besturing (zie procesdata). Laag 3 — extra conditiesensoriek: trillingsanalyse op lagers en spindels, akoestiek, thermografie — gericht op de kritieke, dure componenten waar de businesscase het draagt.

De brownfield-vraag stelt zich ook hier: machines uit de jaren ’80 en ’90 leveren laag 1 en vaak laag 2 via digitale I/O-gateways, zonder PLC-ingreep en zonder productieonderbreking. Wie wacht op het „nieuwe machinepark” om met datagedreven onderhoud te beginnen, wacht onnodig.

Voordelen — en de eerlijke grenzen

De voordelen zijn reëel: minder ongeplande stilstand (de duurste verliescategorie — direct zichtbaar in de beschikbaarheidsfactor van de OEE), lagere onderhoudskosten (geen onnodige beurten, geen spoedtoeslagen), langere levensduur van installaties, veiliger werken en planbare in plaats van chaotische onderhoudsvensters. Brancheonderzoek rapporteert consistente reducties van ongeplande stilstand en onderhoudskosten in dubbele procentcijfers; de exacte winst hangt sterk af van uitgangssituatie en machinepark.

De grenzen verdienen evenveel aandacht. Niet elke machine rechtvaardigt een voorspelmodel — voor een redundante pomp van € 800 is correctief rationeel. Modellen vergen historie: wie vandaag start met meten, heeft over maanden de eerste bruikbare patronen — reden te meer om vandaag te starten. Valse alarmen ondermijnen vertrouwen: een te scherp afgesteld model dat wekelijks loos alarmeert, wordt door de technische dienst genegeerd; begin conservatief met trends en drempels. En de grootste valkuil: PdM-software kopen vóór de meetlaag staat — dan analyseert het systeem lege databases.

Realistisch stappenplan naar voorspellend onderhoud

Stap 1 — Meet de basis (weken): sluit de machines aan en registreer stilstanden, draaiuren en alarmen automatisch. Resultaat: betrouwbare MTBF/MTTR, een eerlijk beeld van de storingsrealiteit en draaiurengestuurd preventief onderhoud. Stap 2 — Analyseer patronen (maand 2–3): welke machines en componenten veroorzaken de stilstandsuren? Pareto: meestal dragen twee, drie installaties het gros. Stap 3 — Conditiebewaking op de kritieke installaties (maand 3–6): drempels en trends op bestaande proces- en machinedata; waar nodig gerichte extra sensoriek op de duurste faalwijzen. Stap 4 — Voorspellende modellen (vanaf maand 6+): voor de machinetypes met voldoende historie en een dragende businesscase; AI-ondersteunde patroonherkenning op microstop- en procesdata is hier in cloud-native platforms inmiddels standaardfunctionaliteit. Stap 5 — Veranker in het proces: elke voorspelling triggert automatisch een werkorder in het CMMS, inclusief onderdeel en termijn.

Deze volgorde draait de gebruikelijke marketinglogica om — en dat is precies waarom ze werkt: elke stap levert zelfstandig rendement, en geen enkele investering loopt vooruit op de datakwaliteit.

Wat kost voorspellend onderhoud — en wat levert het op?

De instap is lager dan de term suggereert, mits in de juiste volgorde. De meetlaag: I/O- of OPC UA-gateways in de ordegrootte van € 500–2.000 per machine (eenmalig) plus een platform-abonnement; daarmee staan stilstandsregistratie, draaiuren en alarmen (zie prijzen). Conditiesensoriek per kritieke installatie: van enkele honderden euro’s (temperatuur, stroom) tot enkele duizenden (trillingsanalyse). De ROI wordt gedragen door vermeden ongeplande stilstand: reken uw eigen case met de vraag wat één uur stilstand op de knelpuntlijn kost — in de meeste discrete fabrieken honderden tot duizenden euro’s — maal de uren die nu jaarlijks „onverwacht” verloren gaan. Bij die rekensom is de meetlaag vrijwel altijd binnen maanden terugverdiend, nog vóór het eerste voorspelmodel draait.

Veelgestelde vragen over voorspellend onderhoud

Wat is voorspellend onderhoud, eenvoudig uitgelegd?

Onderhoud op het moment dat de data zegt dat het nodig is — niet eerder en niet later. Machinedata (trillingen, temperatuur, gedrag, storingspatronen) wordt continu gemeten en geanalyseerd om storingen te zien aankomen, zodat gepland kan worden ingegrepen.

Wat zijn de 4 vormen van onderhoud?

Correctief (repareren na de storing), preventief (vaste intervallen), conditiegebaseerd (ingrijpen op gemeten conditie) en voorspellend (ingrijpen op het voorspelde storingsmoment). Volwassen organisaties combineren alle vier, afgestemd op kriticiteit en kosten per installatie.

Wat zijn de voordelen van voorspellend onderhoud?

Minder ongeplande stilstand, lagere onderhoudskosten (geen onnodige beurten en spoedreparaties), langere levensduur van machines, tijdig bestelde reserveonderdelen en planbare onderhoudsvensters. Het effect is direct zichtbaar in de beschikbaarheidsfactor van de OEE.

Welke sensoren heb ik nodig voor predictive maintenance?

Minder dan vaak gedacht. De eerste laag — stilstanden, draaiuren, cyclustijden, alarmen — komt uit de bestaande machineaansluiting zonder extra sensoren. Extra conditiesensoriek (trilling, akoestiek, thermografie) is een gerichte vervolginvestering voor kritieke componenten.

Werkt voorspellend onderhoud ook met oude machines?

Ja. Installaties zonder digitale interface worden via I/O-gateways aangesloten (zonder PLC-ingreep); daarmee zijn stilstandspatronen, draaiuren en vaak procesdata beschikbaar. Trendanalyse op die data levert ook bij machines uit de jaren ’90 bruikbare vroegsignalen.

Wat is het verschil tussen conditiegebaseerd en voorspellend onderhoud?

Conditiegebaseerd grijpt in zodra een gemeten waarde een drempel overschrijdt (het kijkt naar nu); voorspellend extrapoleert trends en patronen naar het waarschijnlijke storingsmoment (het kijkt vooruit). Conditiebewaking is de natuurlijke tussenstap op weg naar voorspellen.

Heb ik machine learning nodig voor voorspellend onderhoud?

Niet om te starten. Trendbewaking en statistische drempels op goede data leveren de eerste 80 % van de waarde. ML wordt zinvol bij voldoende historie en complexe patronen — in moderne cloud-platforms als ingebouwde functie, niet als eigen datascience-project.

Hoe lang duurt het voordat voorspellend onderhoud werkt?

De meetlaag staat in dagen tot weken en levert direct waarde (eerlijke stilstandscijfers, draaiurengestuurd onderhoud). Bruikbare patronen en modellen vergen maanden datahistorie. Daarom geldt: de beste dag om te beginnen met meten was gisteren, de op één na beste is vandaag.

Verder lezen

• CMMS: wat het is, functies, kosten en keuze
• MES-systeem: wat het is, functies en implementatie
• Productie automatiseren: stappenplan en praktijk
• Procesdata met SYMESTIC
• Machinealarmen met SYMESTIC
• SYMESTIC voor onderhoudsmanagers

Over de auteur

Mark Kobbert

CTO van symestic GmbH. Bouwt sinds 2014 de cloud-native MES-architectuur op Microsoft Azure: IoT-gateways, OPC UA, edge computing en realtime-verwerking van data uit 15.000+ machines in 18 landen. Themagebieden: machineaansluiting (brownfield en greenfield), IT/OT-convergentie, AI in de productie, cloud-architectuur. LinkedIn-profiel