Predictief onderhoud met AI: Hoe apparatuurstoringen detecteren voordat ze gebeuren

Predictief onderhoud is in het afgelopen decennium de meest gemarketete AI-use-case in manufacturing geweest. Leveranciersaanbiedingen tonen dramatische grafieken van trillingspatronen die lagerstoringen voorspellen, dashboards die oplichten met proactieve alerts, en ROI-claims van 30–50 % reductie in onverwachte stilstandstijd.

Dit artikel gaat door de praktische staat van AI predictief onderhoud in 2026: wat betrouwbaar werkt, wat niet, wat de uitrolvereisten zijn, en hoe realistische ROI eruit ziet voor middelgrote fabrieken.

Wat in 2026 betrouwbaar werkt

Drie predictieve onderhouds-use-cases zijn betrouwbaar opgelost door huidige AI-technologie. Use case 1: Trilling-gebaseerde lagerstoringsvoorspelling. Lagers op roterende apparatuur tonen karakteristieke trillingsignaturen 10–30 dagen vóór storing. AI-getrainde trillingsanalyse detecteert deze signaturen met 80–90 % nauwkeurigheid. Use case 2: Stroomsignatuuranalyse voor motordegradatie. Use case 3: Procesdrift-detectie voor kwaliteit-impacterende apparatuur.

Wat (nog) niet betrouwbaar werkt

Eerlijk over grenzen. Limiet 1: Catastrofale storingen zonder voorbode-signatuur. Ongeveer 15–25 % van apparatuurstoringen vallen in deze categorie. Limiet 2: Nieuwe apparatuur zonder trainingsdata. Limiet 3: Multi-oorzaak storingsmodi. Limiet 4: Lange-horizon voorspellingen.

Uitrolvereisten

Realistische uitrol vereist drie componenten. (1) Sensorinfrastructuur: 5–30 k€ per machine. (2) Historische data: 6–18 maanden operationele data. (3) Operationele integratie: workflows voor het ontvangen van alerts, triagen en dispatchen van onderhoud.

Realistische ROI voor middelgrote fabrieken

Voor een typische middelgrote fabriek met 10–30 kritische stukken apparatuur: realistische ROI over 3 jaar: Investering: 80–250 k€. Opbrengst: 20–35 % reductie onverwachte stilstandstijd, 15–25 % reductie reserveonderdelen-voorraad, 10–20 % reductie onderhoudsoverwerk. Gecombineerd jaarlijks voordeel typisch 150–400 k€. Payback: 8–18 maanden. 3-jarige ROI: 3–6×.

Het pragmatische uitrolpad

Aanbevolen aanpak. Fase 1 (maanden 1–3): Identificeer de 3–5 historisch duurste apparatuurstoringen. Fase 2 (maanden 4–6): Instrumenteer die specifieke machines. Fase 3 (maanden 7–12): Bedien de alert-workflow. Fase 4 (jaar 2+): Uitbreiden naar volgende tier.

Hoe AI predictief onderhoud past bij OEE

OEE-meting en AI predictief onderhoud zijn complementair maar onderscheiden. OEE meet prestaties; predictief onderhoud voorkomt storingen. Fabrieken profiteren van beide, maar de juiste sequentie is OEE eerst, predictief onderhoud daarna.