Ongeplande stilstand van een productielijn kost geld, tijd en het vertrouwen van je klant, en toch grijpt bijna niemand in vóórdat een machine daadwerkelijk vastloopt. De meeste Operations Managers voelen maandelijks dat er ergens rendement wegdruppelt, maar kunnen niet aanwijzen waar precies. Dat gat tussen gevoel en getal is precies waar voorspellend onderhoud met AI verschil maakt, en het is een groter gat dan de meeste productiebedrijven beseffen.
Het onzichtbare lek: wat ongeplande stilstand je nu al kost
Vraag een directeur hoeveel stilstand zijn fabriek vorig jaar heeft gekost, en het antwoord is bijna altijd een schatting, geen getal. Niet omdat het bedrijf slecht gemanaged wordt, maar omdat de data er wel is, maar niemand die ooit naast elkaar heeft gelegd (denk aan het ERP, de onderhoudslogboeken en het hoofd van de meest ervaren monteur). Herkenbaar: de vrijdagmiddag dat een aandrijfriem het net voor het weekend begeeft, midden in een drukke leverweek. Dat verlies is direct terug te zien in de OEE, dé productiviteits-KPI die elke Operations Manager kent, en toch blijft de oorzaak van dat verlies vaak onbesproken tot de volgende storing.
Meerdere brancheanalyses, waaronder onderzoek van marktonderzoeksbureau MarketsAndMarkets naar conditiemonitoring, wijzen uit dat predictive maintenance, oftewel voorspellend onderhoud op basis van de werkelijke machineconditie, bij een aanzienlijk deel van de productiebedrijven nog niet wordt toegepast. Dat is opvallend, want de Nederlandse industriële productie groeide dit jaar het hardst in vier jaar. Machines draaien harder, ploegen werken langer door, en de marge voor onverwachte uitval wordt kleiner naarmate het orderboek voller raakt. Voor een fabriek die net weer op volle capaciteit draait, is een onverwachte storing geen incident meer, maar een directe aanslag op een orderboek dat eindelijk weer gevuld is.
Hoe voorspellend onderhoud met AI werkt
Voorspellend onderhoud met AI komt neer op continu meten en leren. Sensoren op kritieke onderdelen, denk aan een lager of een aandrijfriem, leveren continu sensordata over trilling, temperatuur en stroomverbruik. Dat proces heet conditiemonitoring, en het vormt de basis van elk voorspellend onderhoudssysteem. Een AI-model leert het normale gedrag van die specifieke machine kennen en herkent afwijkingen die aan een storing voorafgaan, vaak weken tot maanden voordat er iets stukgaat. Preventief onderhoud werkt met een vaste agenda: onderdelen wisselen na een vast aantal draaiuren, ongeacht de werkelijke slijtage. Predictief onderhoud vervangt die agenda door de machine zelf als informatiebron: je grijpt in op basis van de werkelijke staat van de machine, niet op basis van een vaste datum.
Dat dit de afgelopen jaren toegankelijker is geworden voor kleinere productiebedrijven komt niet zozeer door de AI zelf, die bestaat al langer, maar door de fors gedaalde kosten van industriële sensoren. Een productiebedrijf hoeft niet de hele fabriek vol te hangen met meetapparatuur om te beginnen. De meeste bedrijven beginnen met die ene machine die het meest kritiek is, degene die bij uitval de meeste schade veroorzaakt, en breiden pas uit als die eerste stap zijn nut heeft bewezen.
Wat voorspellend onderhoud met AI oplevert, en wat niet
De ROI-verhalen die je online tegenkomt gaan zelden over een fabriek zoals de jouwe. Renault meldt tientallen miljoenen euro’s aan besparing op energie en onderhoud, GE Aerospace optimaliseert onderhoud op een vloot straalmotoren. Knappe resultaten, maar ze zeggen weinig over wat een productiebedrijf met 50 tot 250 medewerkers mag verwachten. Andere schaal, ander budget, andere onderhoudsorganisatie.
Wat je wel kunt overnemen, is de manier van rekenen om je eigen terugverdientijd te bepalen. Neem de machine die bij uitval de meeste productie-uren kost, vermenigvuldig dat met wat die uren waard zijn, en je hebt in een middag een eerlijker onderbouwing dan welk gemiddelde uit een marktrapport ook kan geven.
Dat is ook precies waarom een nulmeting meer zegt dan een belofte. Een leverancier die zijn verhaal alleen kan onderbouwen met branchegemiddelden, vraagt je eigenlijk om op vertrouwen te investeren. Een nulmeting op je eigen machines, vóórdat er een handtekening onder een contract staat, laat zien of de rekensom voor jouw fabriek daadwerkelijk klopt. Dat betekent niet dat elke euro vanzelf terugkomt. Een slecht gekozen machine om te meten levert weinig op, hoe geavanceerd het onderliggende model ook is.
Voorspellend onderhoud stap voor stap invoeren
De eerste stap is geen IT-project, het is een gesprek. Welke kritieke machines veroorzaken de meeste schade als ze uitvallen, en wat heeft stilstand het afgelopen jaar daadwerkelijk gekost? Pas als dat scherp is, volgt de volgende stap: sensoren op een beperkt aantal onderdelen, zonder dat de productie daar iets van merkt, en een dashboard dat in gewone taal de machinegezondheid laat zien, van normaal tot aandacht tot kritiek. Groen betekent doorwerken, oranje betekent plannen, rood betekent ingrijpen voordat het te laat is.
Wat je daarmee koopt is niet in de eerste plaats techniek. Het is tijd om te reageren voordat een storing een probleem wordt. En een antwoord op een vraag die bij de meeste directeuren nu nog onbeantwoord blijft: wat kost het om dit nog een jaar voor je uit te schuiven?
Wil je weten wat dat voor jouw fabriek betekent? Plan een gesprek van 45 minuten waarin we je kritieke machines en de werkelijke kostprijs van stilstand in kaart brengen.
