AI Productie-problemen Voorspellen: Zo Voorkom Je Stilstand

Een spindel die 's nachts vastloopt, een lager dat het net vóór een grote order begeeft: ongeplande stilstand komt zelden gelegen. En de rekening valt dubbel. Je verliest productietijd én betaalt een spoedtarief voor de monteur die je er met voorrang bij haalt. Voorspellend onderhoud draait die volgorde om. In plaats van repareren nádat een machine kapotgaat, herkent AI de vroege signalen van een naderende storing — soms weken van tevoren — zodat je onderhoud inplant op een moment dat jóu uitkomt.

Waarom een storing bijna altijd op het duurste moment komt

Een machine kiest zelden een handig moment om uit te vallen. Meestal gebeurt het onder volle belasting: tijdens een piekweek, midden in een order met een harde deadline. Precies dan is stilstand het duurst. Je verliest niet alleen de draaiuren, je betaalt vaak ook een verhoogd spoedtarief voor de reparatie, je hebt mogelijk geen onderdeel op voorraad, en je klant krijgt zijn levering later. Reactief onderhoud — wachten tot iets stukgaat — leidt daardoor doorgaans tot fors hogere reparatiekosten dan een geplande ingreep: internationale onderhoudsstudies noemen richtinggevend een factor twee tot drie.

De kern van het probleem: bij reactief onderhoud stuurt de storing jouw agenda, in plaats van andersom. Voorspellend onderhoud (predictive maintenance) geeft je die regie terug.

Drie manieren om onderhoud te plannen — en waarom AI wint

Er zijn grofweg drie manieren om onderhoud te organiseren. De eerste twee zijn de klassieke aanpak; geen van beide is ideaal.

De percentages in deze tabel zijn indicatief en gebaseerd op internationale industriestudies (o.a. McKinsey en Deloitte). De werkelijke besparing hangt af van je machinepark en je huidige onderhoudsaanpak.

Periodiek onderhoud lijkt veilig, maar je vervangt onderdelen op de kalender in plaats van op basis van hun werkelijke conditie. Soms te laat (het onderdeel begaf het net eerder), vaak te vroeg (het ging nog maanden mee). Predictive maintenance haalt die gok eruit: je grijpt in wanneer de dáta erom vraagt.

Welke signalen AI oppikt (en met welke sensoren)

Voorspellend onderhoud rust op drie bouwstenen: sensoren die continu meten, historische data om patronen uit te leren, en een AI-model dat afwijkingen herkent. Het model leert eerst wat "normaal" is voor elke machine — de zogeheten baseline — en slaat alarm zodra het gedrag daarvan wegdrijft. Vergelijk het met een auto die licht begint te trillen voordat een lager het begeeft: dat trillingspatroon is een signaal dat een mens vaak pas te laat opmerkt.

Deze signalen zijn het meest voorspellend:

Vaak is één signaal al genoeg om iets te zien, maar de betrouwbaarheid stijgt als je meerdere bronnen combineert. Een lichte trillingstoename plus een oplopende lagertemperatuur is een veel harder signaal dan trilling alleen. Dat combineren van meetreeksen is precies waar een lerend model beter in is dan een vaste drempelwaarde — het herkent het samenspel, niet één losse grens. Onderhoud is trouwens niet de enige plek waar dit soort AI op de werkvloer landt: ook kwaliteitscontrole met beeldherkenning werkt op dezelfde manier, zoals we beschrijven in AI voor productiebedrijven.

Rekenvoorbeeld: acht CNC-machines bij een metaalbewerker

Een rekenvoorbeeld maakt het concreet. Stel: een metaalbewerker draait acht CNC-machines en heeft over het hele park zo'n twee tot vier ongeplande storingen per maand. Elke storing betekent gemiddeld 4 tot 8 uur stilstand plus een spoedreparatie tegen verhoogd tarief.

De kosten van die stilstand lopen sterk uiteen, afhankelijk van je marge en orderdruk — indicatief reken je op €500 tot €2.000 per uur aan gemiste productie en spoedkosten. Eén ongeplande storing kost daarmee al snel €2.000 tot €16.000. Over een jaar tikt dat, zelfs voorzichtig gerekend, hard aan.

Nu de andere kant. Je rust je meest kritische machines uit met trillings- en temperatuursensoren. De opzet ligt in dit soort MKB-situaties indicatief tussen €15.000 en €30.000, met daarbovenop ongeveer €300 tot €800 per maand aan monitoring (grofweg €3.600 tot €9.600 per jaar). Het AI-model leert per machine het normale gedrag en waarschuwt zodra een spindel of lager afwijkt. Plan je dat onderhoud een week van tevoren in, dan verschuif je een dure spoedstop naar een geplande ingreep buiten productietijd.

Voorkom je hiermee zelfs maar een derde tot de helft van de ongeplande storingen, dan valt de terugverdientijd voor veel bedrijven in de band van 6 tot 18 maanden. De precieze uitkomst hangt af van je stilstandkosten en storingsfrequentie.

Dit voorbeeld is illustratief — de exacte besparing verschilt per machinepark. Wil je een onderbouwde inschatting voor jouw situatie? Een korte [AI-scan](/ai-scan) of een gesprek via [AI-consultancy](/ai-consultancy) rekent dat samen met je door, eerlijk ook als het (nog) niet uit kan.

In vijf stappen van sensor naar waarschuwing

Een implementatie hoeft niet groot te beginnen. Dit is de gebruikelijke volgorde:

1. Kies je meest kritische machine. Begin bij de machine waarvan stilstand de meeste schade veroorzaakt. Zo zie je snel resultaat en bouw je intern vertrouwen op voor een bredere uitrol.
2. Kijk welke data je al hebt. Veel moderne machines leveren al meetdata via hun PLC- of SCADA-besturing (bijvoorbeeld een Siemens S7- of Beckhoff-controller). Is die data er, dan kun je vaak koppelen zonder extra hardware — precies het soort bedrijfsdata dat je zonder data scientist al kunt benutten. Zo niet, dan plaats je externe sensoren — ook op machines van twintig jaar oud.
3. Verzamel een baseline. Het model heeft doorgaans 4 tot 8 weken nodig om te leren wat normaal is per machine, per productstand en per belasting.
4. Stel drempels en waarschuwingsroutes in. Wie krijgt welke melding, en wanneer? Een goed ingerichte melding is specifiek: "Machine 3, verhoogd trillingsniveau, plan onderhoud binnen twee weken."
5. Automatiseer de opvolging. Een waarschuwing die in een inbox blijft liggen, helpt niemand. Laat een melding automatisch een werkorder aanmaken en bij de juiste monteur belanden.

Op de markt zijn hiervoor kant-en-klare platforms beschikbaar — voorbeelden zijn Siemens Senseye Predictive Maintenance, Augury, MachineMetrics en Amazon Monitron voor retrofit-monitoring, met sensoren van leveranciers als IFM of Fluke. Welke combinatie past, hangt volledig af van je machinepark; dit zijn marktvoorbeelden, geen aanbeveling. Vaak zit de meeste winst niet in het platform zelf, maar in het netjes ontsluiten van de bestaande data. Hoe je machinedata naar zo'n systeem koppelt, lees je in ons overzicht van integratiemogelijkheden.

Wat het oplevert — en waar de winst precies zit

De opbrengst van voorspellend onderhoud zit in een paar concrete posten:

Minder ongeplande stilstand. Onderzoek van McKinsey laat zien dat voorspellend onderhoud machinestilstand met 30 tot 50% kan terugdringen en de levensduur van machines met 20 tot 40% kan verlengen. Dat zijn ranges uit internationaal onderzoek; jouw resultaat hangt af van je uitgangssituatie.

Gericht onderhoud in plaats van op de kalender. Je vervangt onderdelen wanneer de data daarom vraagt, niet op een vast schema. Dat voorkomt onnodige ingrepen aan onderdelen die nog prima werken.

Minder spoedtarieven. Een geplande reparatie is doorgaans fors goedkoper dan een spoedklus buiten kantooruren. Elke storing die je naar een gepland moment verschuift, scheelt direct geld.

Betrouwbaarder leveren. Geen onverwachte stilstand betekent minder vertraagde orders — en dus tevredener klanten. Predictive maintenance is één van meerdere machine learning-toepassingen die zich in het MKB al bewijzen.

Voor wie het (nog) niet loont

Eerlijk is eerlijk: voorspellend onderhoud is niet voor iedereen de juiste eerste stap. Het is waarschijnlijk de moeite waard als:

• Je productiemachines vrijwel continu draaien en je afhankelijk bent van stabiele output
• Een dag stilstand je serieus geld kost
• Je nu vooral reactief onderhoudt (wachten tot iets stukgaat)
• Je medewerkers regelmatig tijd kwijt zijn aan onverwachte storingen

Minder relevant is het als je een kleine werkplaats hebt met een handvol machines, stilstand nauwelijks financiële impact heeft, of je output per order sterk wisselt waardoor er weinig "normaal gedrag" te leren valt. In die gevallen levert een simpel inspectieschema vaak al voldoende op. Voordat je in sensoren investeert, loont het om je huidige onderhoudskosten en stilstandfrequentie eens naast elkaar te leggen — die twee cijfers vertellen je vrij snel of de business case er is.

Hoe wij hierin meekijken — zonder je sensoren te verkopen

Wij zijn geen sensorleverancier en verkopen geen onderhoudsplatform. Waar Unify wél waarde toevoegt, is de laag eromheen: de eerlijke afweging vooraf en de automatisering erna.

Vooraf helpen we je onderbouwen of predictive maintenance in jouw situatie rendeert — met een AI-scan of een adviesgesprek via AI-consultancy. We rekenen met je eigen cijfers en zeggen het eerlijk als de investering (nog) niet uit kan. Erwin Berkouwer is daarbij je vaste aanspreekpunt, met acht jaar ervaring in data en AI, en een partnernetwerk voor de specialistische hardware.

Zodra de data eenmaal binnenkomt, ligt onze kracht in de opvolging. Een storingswaarschuwing is pas nuttig als er iets mee gebeurt: een werkorder die automatisch wordt aangemaakt, een melding die bij de juiste monteur belandt, een planning die wordt bijgewerkt. Dat soort routering en e-mailverwerking is precies wat we in andere sectoren al bouwen — met AI-agents die meldingen omzetten in actie. Zo verandert een dashboard vol signalen in onderhoud dat daadwerkelijk op tijd gebeurt.

Benieuwd of voorspellend onderhoud voor jouw productie rendeert? Plan een gratis kennismaking — we kijken mee vanuit jouw cijfers en zijn eerlijk als de investering (nog) niet uit kan.