Predictive maintenance is een van de meest gehypete AI-use-cases. De realiteit: het werkt voor specifieke machines met genoeg sensoren en faalhistorie. Voor anderen blijft het preventief onderhoud op basis van uren.
Wanneer predictive en wanneer niet
Wel: machines met PLC-data, vibratie-sensoren of temperatuur-monitoring, en minimaal twee jaar uitval-historie om een model te trainen. Niet: oude machines zonder sensoren, machines met te lage uitval-frequentie (geen trainingsdata).
Anomaly detection als startpunt
Voordat je voorspelt wanneer een machine faalt, detecteer je dat hij afwijkt van normaal gedrag. Isolation Forest of autoencoder op sensor-data. Anomaly-signaal triggert inspectie voordat falen impact heeft.
Time-to-failure modeling
Survival analysis op faal-historie geeft "kans op uitval binnen N uur" per machine-toestand. Onderhoudsteam plant op basis van risico in plaats van vaste interval. ROI: minder ongeplande stilstand, minder onnodig onderhoud.
Integratie met EAM-systeem
Maximo, Ultimo, Planon: per platform een integratie. AI-signaal wordt werkorder, niet een dashboard. Onderhoudsmonteur ziet zijn taak in zijn vertrouwde systeem, niet een nieuwe AI-app.
Hoe wij dit voor u realiseren
Wij richten voorspellend onderhoud in dat op basis van sensor- en historische data signaleert wanneer een storing dreigt, zodat u onderhoudt voordat iets stilvalt. We werken met uitlegbare signalen die uw techniek vertrouwt. Zo verlaagt u ongeplande stilstand en onderhoudskosten.
Aan de slag
We beginnen met een afgebakende opzet en tonen resultaat op uw eigen situatie voordat we uitbreiden. We werken met een vast dagtarief of een projectprijs. In een kort gesprek kijken we of dit voor u loont en waar we starten.
Verwant: Freelance AI consultant, AI quality control.
