Predictive maintenance: wanneer wel, wanneer niet

Predictive maintenance heeft een typische hype-cycle doorgemaakt. In 2018 was het de wondermiddel-technologie die alle storingen zou voorspellen. In 2022 publiceerden de eerste post-mortems: 60% van de PdM-implementaties leverde geen meetbare ROI. In 2026 weten we waar de techniek wel en niet werkt, en kunnen we eerlijk inschatten wanneer een investering rendabel is.

Bij skrepr zien we PdM-projecten in textiel, maakindustrie en prefab-beton. Hier het kader dat we gebruiken om te beoordelen of een machine, een lijn, of een fabriek geschikt is voor predictive maintenance, en wanneer reactive of preventief beter rendement geeft.

Wat predictive maintenance eigenlijk is

Predictive maintenance gebruikt sensor-data en machine-learning om uitval te voorspellen vóór die optreedt. Idealiter krijg je een melding "deze rolwissel-as gaat over 14-21 dagen falen, plan onderhoud" zodat je proactief kunt repareren in een geplande stilstand in plaats van een ongeplande.

Het verschil met de twee alternatieven:

Reactive maintenance: repareer wanneer het stuk gaat. Goedkoop in beheer, duur in productie-uitval.

Preventive maintenance: vervang op vaste intervals (elke 1.000 draaiuren bijvoorbeeld). Voorspelbaar in beheer, vaak duur in onderdeel-vervanging die nog niet nodig was.

Predictive maintenance: vervang precies wanneer slijtage het vraagt, gebaseerd op data. Optimaal in theorie, complex in praktijk.

Drie criteria voor wanneer PdM werkt

PdM levert pas rendement op als drie voorwaarden tegelijk gehaald zijn. Mist er één, dan is je investering meestal verloren.

1. De machine heeft meetbare slijtage-signalen

PdM voorspelt op basis van veranderingen in sensor-waarden over tijd. Als de machine zich gedraagt als "draait normaal — pop, kapot" zonder gradient-vooraankondiging, kan geen algoritme dat voorspellen.

Werkt wel: roterende machinerie (motoren, lagers, pompen), thermische trends (oververhitting), trillings-patronen, geluidsspectra.

Werkt niet: elektronische storingen, software-bugs, single-point-of-failure die zonder waarschuwing breekt, materiaal-defecten in onderdelen die intermitterend falen.

Voor een textielfabriek betekent dat: snij-laser hoofd is goed kandidaat (lager-slijtage meetbaar via trilling), de PLC zelf is geen kandidaat (gaat zonder voortekenen kapot of helemaal niet).

2. Voldoende historische data om een model te trainen

Een PdM-model leert van eerdere falen. Voor accurate voorspelling heb je typisch minimaal 20-30 historische faalmoment-events nodig op die specifieke machine of soortgelijke machine in dezelfde sector.

Heb je dat niet: het model gokt. Bij de meeste fabrieken zien we dat nieuwe machines (minder dan 2 jaar in gebruik) onvoldoende fail-data hebben. Oudere machines wel, maar als die over 3-5 jaar afgeschreven zijn, is de ROI van PdM-investering klein.

Workaround: industrie-data delen tussen bedrijven met identieke machines. Sommige machinebouwers (Salvagnini, Trumpf) hebben dit als service in hun premium-contract. Buiten zulke arrangementen is industrie-data delen niet realiteit.

3. De faalkosten zijn hoog genoeg

PdM-implementatie kost per machine typisch 25.000 tot 75.000 euro voor sensoren, integratie en model-training. Daarnaast 5-15% jaarlijkse onderhoudskosten op het PdM-systeem zelf.

Verdient zichzelf terug als één ongeplande failure typisch:

• Meer dan 1 ploeg productie-uitval kost
• Meer dan 25.000 euro herstel-kosten heeft (onderdelen, urgent-tarieven)
• Of leidt tot kwaliteits-issues op klantorders die boetes opleveren

Verdient zichzelf niet terug als één failure:

• Een paar uur uitval geeft (geen volledige shift)
• Met onderdelen uit de vooraad direct te herstellen is
• Geen klantimpact heeft

Voor productie-kritieke machines met hoge uitval-kosten heeft PdM scherp rendement. Voor randbeschoeiing-machines, auxiliary-systemen of redundante setups is preventive of reactive vaak goedkoper.

Wat in 2026 anders is dan in 2018

Drie verschuivingen die PdM volwassener hebben gemaakt:

Sensoren zijn goedkoper. Wat in 2018 een 5.000 euro vibration-sensor-package vroeg, kan in 2026 voor 800 euro met vergelijkbare nauwkeurigheid. Dat verlaagt de break-even-drempel.

Edge-computing maakt cloud-afhankelijkheid optioneel. Vroege PdM vroeg constante uplink naar cloud-AI. Moderne implementaties draaien het ML-model op een industriële PC bij de machine, alleen alerts gaan naar de centrale dashboard. Beter voor security en latency.

Modellen zijn beter generaliseerbaar. Door foundation-models en transfer-learning kun je nu starten met een vooraf-getraind basismodel en met enkele tientallen events fine-tunen op jouw specifieke machine. In 2018 had je honderden events nodig.

Wanneer alternatief geschikter is

Niet elke productie-uitval-kost is een PdM-probleem. Drie alternatieve aanpakken die we vaak adviseren:

Smart preventive maintenance: combineer fixed-interval-onderhoud met data-driven uitstel. Dus: standaard elke 1.000 uur, maar verleng als trillings-data binnen-norm zit. Goedkoper dan PdM, beter dan rigide preventive.

Manufacturing data lake + alerts: in plaats van ML-voorspelling, simpele threshold-alerts op sensor-waarden. "Trilling boven 2g voor 4 uur = melding". Werkt voor 70% van de PdM-use-cases tegen 20% van de kosten.

Operator-driven inspectie: tablet-app waar operators dagelijkse machine-checks doen, met foto's en geluiden. Database leert herkennen wat normaal is. Goedkoop, wel afhankelijk van operator-discipline.

Onze aanpak bij skrepr

PdM is bij skrepr nooit het eerste advies. We beginnen met een AI-scan, gratis, waarin we kijken welke machines kandidaat zijn (criteria 1-3), of er voldoende historische data is, en wat de kostenbaat-verhouding is per use-case.

Als PdM zinvol is voor specifieke machines: we bouwen een AI-pilot van 6-8 weken op één machine, met meetbare doelen vooraf. Pas na bewijs dat het op die machine werkt, schalen we naar meer.

Als PdM niet zinvol is: we adviseren de alternatieven (smart preventive, threshold-alerts, operator-app) die meestal 70% van de winst voor 20% van de kosten leveren.

Lees /ai/productie voor de volledige AI-aanpak in productiebedrijven, of /sectoren/maakindustrie voor sector-specifieke voorbeelden.

Conclusie

Predictive maintenance is in 2026 volwassen techniek voor de juiste use-cases, maar het is geen wondermiddel. Loop de drie criteria langs (meetbare slijtage-signalen, voldoende data, hoge faalkosten) en je weet of het bij jouw machines past.

Voor wie het past: scherpe ROI binnen 12-18 maanden. Voor wie het niet past: een van de alternatieven levert vaak meer rendement zonder de PdM-overhead.

Twijfel of PdM bij jouw fabriek past? Begin met de AI-scan, gratis, en we kijken samen welke aanpak voor jouw machines het hoogste rendement geeft.