Conditiegebaseerd onderhoud en voorspellend onderhoud hangen met elkaar samen, maar zijn niet hetzelfde. Bij conditiegebaseerd onderhoud (CBM) wordt een onderhoudsactie in gang gezet wanneer een bewaakte parameter een vastgestelde drempelwaarde overschrijdt. Voorspellend onderhoud (PdM) gaat een stap verder door middel van data-analyse en algoritmen te voorspellen wanneer een storing waarschijnlijk zal optreden, nog voordat een drempelwaarde wordt overschreden. Het is belangrijk om het verschil te begrijpen, omdat de twee strategieën verschillende kosten, complexiteitsniveaus en voordelen met zich meebrengen voor industriële productieprocessen.
Wat is de aanleiding voor een onderhoudsactie bij conditiegebaseerd onderhoud?
Bij conditiegebaseerd onderhoud (CBM) wordt een onderhoudsactie in gang gezet wanneer uit realtime sensorgegevens blijkt dat de toestand van een installatie een vooraf vastgestelde grenswaarde heeft overschreden. Die grenswaarde kan bijvoorbeeld een temperatuurmeting op een koelmachine zijn, de trillingsamplitude van een roterende machine of het drukverschil over een filter. Zodra de gemeten waarde de ingestelde drempel overschrijdt, wordt er een werkopdracht aangemaakt en wordt er een technicus gestuurd.
Dit is wat CBM onderscheidt van traditioneel, op tijd of op de kalender gebaseerd preventief onderhoud (PM). In plaats van elke 90 dagen een onderhoudsbezoek in te plannen, ongeacht de werkelijke toestand van de apparatuur, grijpt CBM pas in wanneer de apparatuur aangeeft dat er aandacht nodig is. Het resultaat is minder onnodige onderhoudsbezoeken en een kleiner risico dat er te laat wordt ingegrepen.
Veelvoorkomende parameters die in industriële CBM-programma’s worden gemonitord, zijn onder meer:
- Trillingen en akoestische emissies bij roterende apparatuur
- Resultaten van olieanalyses van tandwielkasten en compressoren
- Temperatuurverschillen in warmtewisselaars en proceskoelsystemen
- Metingen van oververhitting en onderkoeling in koelcircuits
- Stroomverbruik van motoren en VRF-systemen
De kracht van CBM ligt in de eenvoud ervan. De regels zijn duidelijk: als de meetwaarde hoger is dan X, moet er actie worden ondernomen. Dankzij die duidelijkheid is het systeem eenvoudig te implementeren en kunnen technici in het veld het gemakkelijk begrijpen en erop vertrouwen.
In welk opzicht gaat preventief onderhoud verder dan conditiebewaking?
Voorspellend onderhoud (PdM) gaat verder dan conditiegebaseerde monitoring door patronen in historische en realtime gegevens te analyseren om een storing te voorspellen voordat een drempelwaarde wordt overschreden. Waar CBM reageert op een signaal, loopt voorspellend onderhoud daarop vooruit: het systeem beoordeelt de trend van een parameter, niet alleen de huidige waarde ervan.
Zo kan de lagertemperatuur van een koelmachine vandaag bijvoorbeeld ruim binnen de aanvaardbare grenzen liggen. Een voorspellend model zou echter kunnen vaststellen dat de stijgsnelheid van de afgelopen drie weken overeenkomt met het patroon van een lager dat doorgaans binnen 14 dagen defect raakt. De werkopdracht wordt nu al aangemaakt, en niet pas wanneer het alarm afgaat.
Deze toekomstgerichte capaciteit is gebaseerd op machine learning-modellen, statistische analyse en vaak grote hoeveelheden historische gegevens over bedrijfsmiddelen. Die gegevensbehoefte is ook de reden waarom voorspellend onderhoud moeilijker te implementeren is dan CBM. Het vereist schone, gestructureerde geschiedenisgegevens van bedrijfsmiddelen en voldoende storingsgebeurtenissen in de dataset waaruit het model kan leren. Voor industriële bedrijven met veel bedrijfsmiddelen die complexe machines gebruiken, kost het tijd en investeringen om die basis op te bouwen.
Als de gegevens eenmaal volledig zijn, levert dit aanzienlijke voordelen op. Voorspellend onderhoud kan ongeplande storingen aan apparatuur nog effectiever terugdringen dan CBM alleen, en het biedt meer ruimte om een reparatie in te plannen tijdens een geplande productieonderbreking in plaats van in een noodsituatie.
Wat is het verschil tussen onderhoud op basis van de toestand en voorspellend onderhoud?
Het belangrijkste verschil tussen conditiegebaseerd onderhoud (CBM) en voorspellend onderhoud (PdM) is het moment waarop elke strategie in werking treedt. Bij CBM wordt gereageerd op een huidige toestand — een sensorwaarde die een vastgestelde grens al heeft overschreden. Voorspellend onderhoud voorspelt een toekomstige toestand — een verslechteringstrend die door een algoritme wordt gesignaleerd voordat een drempelwaarde wordt overschreden. Beide methoden zijn gebaseerd op sensorgegevens, maar maken er op verschillende manieren gebruik van.
Hier volgt een directe vergelijking van de twee benaderingen:
- Activeringsmechanisme: CBM treedt in werking wanneer een sensorwaarde een vaste drempel overschrijdt. Voorspellend onderhoud treedt in werking wanneer een algoritme een verslechteringstrend signaleert die waarschijnlijk tot een storing zal leiden.
- Gegevensvereisten: CBM heeft actuele sensorwaarden en vastgestelde grenswaarden nodig. Voorspellend onderhoud vereist historische storingsgegevens, trendanalyses en vaak ook machine learning-modellen.
- Complexiteit van de implementatie: CBM is relatief eenvoudig te implementeren. Voorspellend onderhoud vereist meer infrastructuur, een hogere mate van gegevensrijpheid en vaak ook specialistische expertise.
- Actietermijn: CBM geeft een signaal wanneer er al sprake is van slijtage. Voorspellend onderhoud geeft een signaal dagen of weken voordat de slijtage kritiek wordt.
- Implementatiekosten: CBM brengt lagere initiële kosten met zich mee. Voorspellend onderhoud vereist een hogere initiële investering, maar kan op de lange termijn grotere besparingen opleveren doordat ongeplande stilstand wordt voorkomen.
Geen van beide benaderingen is in alle gevallen superieur. De juiste keuze hangt af van het belang van het systeem, de kosten van ongeplande uitval en de mate van ontwikkeling van uw data-infrastructuur.
Welke onderhoudsstrategie past het beste bij uw bedrijf?
De juiste onderhoudsstrategie hangt af van drie factoren: de kriticiteit van de bedrijfsmiddelen, de kosten van stilstand en de huidige mate van datarijpheid. Voor de meeste industriële productiebedrijven is op de toestand gebaseerd onderhoud het praktische uitgangspunt, met voorspellend onderhoud als einddoel zodra de gegevensbasis is aangelegd.
Overweeg eerst onderhoud op basis van de toestand als:
- U stapt af van puur op tijd gebaseerd projectmanagement en hebt behoefte aan een duidelijk, op regels gebaseerd alternatief
- De geschiedenis van uw activagegevens is beperkt of inconsistent
- Je team heeft een systeem nodig dat technici kunnen begrijpen en waarmee ze aan de slag kunnen gaan zonder dat daarvoor een specialist nodig is om het uit te leggen
- U beheert een breed scala aan soorten bedrijfsmiddelen, waaronder RTU’s, ketels en proceskoelapparatuur
Voorspellend onderhoud loont des te meer wanneer ongeplande stilstand ernstige financiële gevolgen heeft, uw bedrijfsmiddelengegevens schoon en gestructureerd zijn en u over de middelen beschikt om de analytische laag bovenop uw monitoringinfrastructuur te bouwen of aan te schaffen. In de automobielindustrie kan ongeplande stilstand bijvoorbeeld miljoenen per uur kosten. Op die schaal verdient de investering in voorspellende capaciteiten zich snel terug.
Het ergste scenario is dat men voorspellend onderhoud probeert toe te passen zonder de nodige datadiscipline om dit te ondersteunen. Slecht getrainde modellen genereren valse waarschuwingen, ondermijnen het vertrouwen van technici en zorgen er vaak voor dat men uit frustratie weer terugvalt op reactief onderhoud.
Kunnen op de toestand gebaseerd onderhoud en voorspellend onderhoud hand in hand gaan?
Ja — op conditie gebaseerd onderhoud en voorspellend onderhoud vullen elkaar goed aan, en de combinatie van beide is de aanpak waar de meeste volwassen industriële bedrijven naartoe evolueren. CBM biedt het betrouwbare, op regels gebaseerde vangnet. Voorspellend onderhoud voegt daar een toekomstgerichte intelligentielaag aan toe.
In de praktijk vullen de twee strategieën elkaar op verschillende momenten in de levensduur van een installatie aan. CBM signaleert acute afwijkingen snel — zoals een plotselinge piek in de oververhitting die wijst op een koelmiddellek. Voorspellend onderhoud signaleert langzaam ontwikkelende trends die pas na weken een drempelalarm zouden activeren, zoals geleidelijke slijtage van de lagers in een compressor.
Door beide processen parallel te laten lopen, wordt ook de gegevensbasis gelegd die voorspellende modellen nodig hebben. Elke door een bepaalde toestand geactiveerde werkopdracht voegt een gelabeld gegevenspunt toe: zo zag het bedrijfsmiddel eruit voordat er aandacht aan moest worden besteed. Na verloop van tijd vormt die dataset het trainingsmateriaal voor nauwkeurigere voorspellende algoritmen.
De praktische uitdaging is het beschikken over een platform voor het beheer van de bedrijfsmiddelen ( field service ) dat beide workflows aankan, zonder dat er afzonderlijke systemen moeten worden opgezet die technici moeten beheren. Wanneer er een conditiewaarschuwing wordt geactiveerd of een voorspellend model een risico signaleert, moet de werkopdracht bij de juiste technicus terechtkomen, voorzien van de juiste geschiedenis van het bedrijfsmiddel, veiligheidsdocumentatie en een checklist voor preventief onderhoud — ongeacht of de technicus online is of werkt in een faciliteit zonder signaal.
Hoe Gomocha onderhoudswerkzaamheden op basis van de toestand en voorspellend onderhoud ondersteunt
Voor serviceteams in de productiesector die complexe, hoogwaardige bedrijfsmiddelen beheren, is het verschil tussen een goede onderhoudsstrategie en een goed resultaat bijna altijd te wijten aan een uitvoeringsprobleem. De strategie ligt vast. De sensoren zijn geïnstalleerd. Maar de werkopdracht komt bij de verkeerde technicus terecht, de geschiedenis van het bedrijfsmiddel is weggestopt in het ERP-systeem, of de checklist voor preventief onderhoud komt niet overeen met het specifieke type apparatuur. Dat is waar ongeplande stilstand daadwerkelijk vandaan komt — en dat is het probleem dat ons platform is ontworpen om op te lossen.
Bij 13 klanten en 177.484 werkorders hebben we een afname van 41% in ongeplande stilstand vastgesteld — precies het resultaat waar CBM- en voorspellende onderhoudsprogramma’s op zijn gericht. Zo ziet dat er in de praktijk uit voor productiebedrijven die een van beide strategieën toepassen:
- Mobiele app die offline werkt: Technici hebben op de werkvloer toegang tot de volledige geschiedenis van de bedrijfsmiddelen, rapporten van lektests en checklists voor preventief onderhoud, zelfs zonder signaal. Dit draagt rechtstreeks bij aan de verbetering van 19% in het percentage eerste-bezoek-oplossingen dat we zien wanneer technici op de werkplek over de juiste documentatie beschikken.
- No-code workflowontwerper: Operationele teams kunnen onderhoudscontrolelijsten per type installatie configureren — of het nu gaat om een koelmachine, een VRF-systeem of een ketel — zonder te hoeven wachten op IT. De workflows passen zich aan naarmate uw onderhoudsstrategie zich verder ontwikkelt.
- ERP-integratie: Dankzij native integraties met AFAS en Microsoft Dynamics, plus koppelingen voor SAP en JDE, worden conditiewaarschuwingen en voorspellende werkorders rechtstreeks in uw bestaande systemen opgenomen, zonder dat u deze handmatig opnieuw hoeft in te voeren.
- Speciaal ontwikkeld voor industriële activiteiten met veel bedrijfsmiddelen: ons platform ‘field service ’ is ontworpen voor organisaties die technici inzetten bij complexe, hoogwaardige bedrijfsmiddelen — het is geen aangepaste versie van een generieke FSM-tool.
Als u wilt begrijpen op welke punten uw huidige onderhoudsproces het meest achterblijft, is de Efficiëntiebeoordeling het juiste startpunt. Hiermee worden uw huidige werkprocessen afgezet tegen uw gegevens over stilstandtijd en het percentage problemen dat in één keer wordt opgelost, en worden de meest waardevolle veranderingen in kaart gebracht die u kunt doorvoeren zonder dat u zich eerst hoeft te committeren aan de implementatie van een platform. Lees meer over onze aanpak voor industriële productie op field service en zet de eerste stap naar een onderhoudsproces dat daadwerkelijk aansluit bij uw strategie.
Veelgestelde vragen
Hoeveel sensorgegevens heb ik eigenlijk nodig voordat ik een op de toestand gebaseerd onderhoudsprogramma kan starten?
Je hebt geen grote historische dataset nodig om met CBM aan de slag te gaan — dat is een van de belangrijkste voordelen ten opzichte van voorspellend onderhoud. U hebt betrouwbare realtime sensormetingen nodig en duidelijk gedefinieerde drempelwaarden voor elke bewaakte parameter, die vaak kunnen worden ontleend aan OEM-specificaties, industrienormen of de expertise van ervaren technici. Begin met uw meest kritieke bedrijfsmiddelen, leg basiswaarden vast tijdens normaal bedrijf en gebruik die basiswaarden om uw initiële waarschuwingsdrempels in te stellen. U kunt de drempelwaarden altijd verfijnen naarmate u in de loop van de tijd meer bedrijfsgegevens verzamelt.
Wat zijn de meest voorkomende fouten die operationele afdelingen maken wanneer ze voor het eerst op condities gebaseerd onderhoud invoeren?
De meest voorkomende fout is het te conservatief instellen van drempelwaarden, wat leidt tot een overvloed aan waarschuwingen, technici overbelast en het vertrouwen in het systeem snel ondermijnt. Een goede tweede is het tegelijkertijd monitoren van te veel parameters, voordat het team de capaciteit heeft om daar consequent op te reageren. Begin klein – kies drie tot vijf cruciale parameters voor uw activa met het hoogste risico – en bewijs dat het proces werkt voordat u het uitbreidt. Zorg er ook voor dat uw werkordersysteem vanaf dag één is gekoppeld aan uw monitoringplatform; een waarschuwing over de toestand die niet automatisch een verzonden werkorder genereert, is slechts ruis.
Hoe lang duurt het doorgaans om de gegevensbasis op te bouwen die nodig is voor voorspellend onderhoud?
Voor de meeste industriële activiteiten duurt het 12 tot 24 maanden van consistente, schone verzameling van sensorgegevens om een dataset op te bouwen die volwassen genoeg is om betrouwbare voorspellende modellen te trainen — soms zelfs langer voor bedrijfsmiddelen waarbij storingen zelden voorkomen. De doorlooptijd hangt sterk af van het aantal storingsvoorbeelden in uw dataset, aangezien machine learning-modellen voldoende gelabelde storingsvoorbeelden nodig hebben om verslechteringspatronen nauwkeurig te herkennen. Het parallel uitvoeren van een op conditie gebaseerd onderhoudsprogramma (CBM) tijdens deze periode is de meest efficiënte aanpak, omdat elke door CBM geactiveerde werkopdracht een gelabeld gegevenspunt wordt dat de training van uw voorspellende model versnelt.
Kan preventief onderhoud op alle soorten bedrijfsmiddelen worden toegepast, of zijn sommige bedrijfsmiddelen geschikter voor conditiegebaseerde monitoring?
Niet alle bedrijfsmiddelen rechtvaardigen de investering in voorspellend onderhoud. De businesscase is het sterkst voor bedrijfsmiddelen met een hoge kriticiteit en hoge vervangingskosten, waarbij een ongeplande storing ernstige financiële of veiligheidsgevolgen met zich meebrengt — denk bijvoorbeeld aan grote industriële koelmachines, kritieke compressoren of motoren in productielijnen. Voor bedrijfsmiddelen met een lagere kriticiteit, zoals standaard HVAC-units, kleinere pompen of aanvullende procesapparatuur, levert op de toestand gebaseerd onderhoud of zelfs geoptimaliseerd, op tijd gebaseerd preventief onderhoud doorgaans een beter rendement op de investering op. Een praktische aanpak is om uw activa-portefeuille in te delen in niveaus op basis van kriticiteit en stilstandkosten, en vervolgens aan elk niveau de juiste strategie toe te wijzen, in plaats van overal dezelfde aanpak toe te passen.
Wat moet ik doen als een voorspellend model een waarschuwing genereert, maar de technicus het apparaat inspecteert en geen afwijkingen constateert?
Valse positieven zijn een normaal onderdeel van voorspellend onderhoud in een vroeg stadium en moeten worden beschouwd als feedback, niet als mislukkingen. Registreer elke valse waarschuwing samen met de inspectiebevindingen van de technicus en voer die informatie terug in het model — zo verbetert het algoritme in de loop van de tijd zijn nauwkeurigheid. Eis op korte termijn van technici dat ze hun bevindingen gedetailleerd documenteren in plaats van de werkopdracht simpelweg af te sluiten, aangezien die aantekeningen waardevolle trainingsgegevens vormen. Als valse positieven zo vaak voorkomen dat het vertrouwen van de technici eronder lijdt, overweeg dan om de gevoeligheidsdrempel van het model tijdelijk te verhogen, terwijl u meer gelabelde gegevens verzamelt om het model opnieuw te trainen.
Hoe kan ik de businesscase opstellen voor de overstap van op tijd gebaseerd preventief onderhoud naar op de toestand gebaseerd onderhoud?
De meest overtuigende businesscase richt zich op drie meetbare kosten waar uw financiële afdeling al veel aandacht aan besteedt: kosten voor noodreparaties, ongeplande productiestilstand en onnodige preventieve onderhoudswerkzaamheden aan bedrijfsmiddelen die geen onderhoud nodig hadden. Bekijk de geschiedenis van werkorders over een periode van 12 tot 24 maanden en bereken welk percentage van uw noodreparaties plaatsvond aan bedrijfsmiddelen die volgens een regulier preventief onderhoudsschema werden onderhouden — dat verschil is de directe kostenpost van de blinde vlekken van tijdgebonden onderhoud. Combineer dat met uw gemiddelde kosten per uur aan ongeplande stilstand en een realistische schatting van het aantal preventieve onderhoudsbezoeken dat CBM zou elimineren, en u hebt doorgaans een overtuigende ROI-analyse zonder dat u speculatieve besparingen hoeft te voorspellen.
Moeten we ons huidige ERP- of CMMS-systeem vervangen om op conditie gebaseerd of voorspellend onderhoud te kunnen invoeren?
Nee — en elke leverancier die u iets anders vertelt, zou een waarschuwingssignaal moeten zijn. Zowel CBM- als voorspellende onderhoudsstrategieën zijn het meest effectief wanneer de monitoring- en waarschuwingslaag rechtstreeks wordt geïntegreerd met uw bestaande ERP- of CMMS-systeem, in plaats van dit te vervangen. Het doel is dat conditiewaarschuwingen en voorspellende werkorders automatisch worden doorgestuurd naar het systeem dat uw planners en technici al gebruiken, inclusief de volledige geschiedenis en documentatie van de bedrijfsmiddelen. Geef de voorkeur aan ‘ field service ’- en onderhoudsplatforms die native integraties bieden met uw huidige systemen, of dat nu SAP, Microsoft Dynamics, AFAS of andere systemen zijn, om te voorkomen dat er parallelle workflows ontstaan die de administratieve lasten en gegevensversnippering vergroten.