Waarom voorspellend onderhoud cruciaal is voor circulariteit

Voorspellend onderhoud helpt bedrijven om efficiënter om te gaan met grondstoffen, machines langer te gebruiken en afval te verminderen. Door gebruik te maken van sensoren, IoT en AI, wordt onderhoud alleen uitgevoerd wanneer het écht nodig is. Dit voorkomt verspilling en sluit aan bij de principes van een circulaire economie.

Belangrijkste voordelen:

• 20-40% langere levensduur van machines en onderdelen.
• Tot 70% minder storingen door vroegtijdige detectie.
• Minder grondstoffenverbruik door gericht onderhoud.
• Ondersteunt circulaire strategieën zoals reparatie, hergebruik en revisie.

Deze aanpak is al succesvol in sectoren zoals productie, energie en transport. Bedrijven zoals KLM en Philips laten zien hoe voorspellende technologie kostenbesparingen en duurzamer gebruik van middelen mogelijk maakt.

Uitdagingen: Het verzamelen van consistente data en de hoge implementatiekosten vragen om een slimme, stapsgewijze aanpak. Begin klein, focus op specifieke problemen en bouw verder op basis van resultaten.

Voorspellend onderhoud en circulaire principes uitgelegd

Wat is voorspellend onderhoud?

Met voorspellend onderhoud wordt de conditie van machines continu in de gaten gehouden via technologieën zoals IoT, AI en machine learning. Sensoren meten variabelen zoals trillingen, temperatuur, druk en geluid. Op basis van deze data kunnen mogelijke defecten weken van tevoren worden voorspeld. In tegenstelling tot periodiek onderhoud, waarbij onderdelen vaak op vaste tijden worden vervangen, zorgt voorspellend onderhoud ervoor dat onderdelen alleen worden vervangen wanneer dat écht nodig is. Dit voorkomt zowel onnodige vervangingen als onverwachte storingen.

"Er gaat momenteel veel materiaal verloren. Dat is natuurlijk niet bepaald duurzaam." - Tiedo Tinga, hoogleraar Dynamics Based Maintenance, Universiteit Twente

Deze aanpak vormt een sterke basis voor circulaire toepassingen, zoals de R-strategieën laten zien.

R-strategieën in de circulaire economie

Een circulaire economie richt zich op het verlengen van de levensduur van producten en materialen. Dit wordt bereikt via de zogenaamde R-strategieën: Reduce, Reuse, Repair en Remanufacture. Voorspellend onderhoud sluit hier naadloos bij aan.

Een concreet voorbeeld: bij traditioneel onderhoud wordt een lager vervangen op basis van een vast schema, zelfs als het nog in goede staat is. Met voorspellend onderhoud wordt zo'n lager alleen vervangen wanneer trillingsdata slijtage aantonen. Dit bespaart niet alleen materiaal, maar ook tijd en kosten.

Dankzij deze voordelen draagt voorspellend onderhoud direct bij aan de doelen van een circulaire economie, door efficiënter en gerichter om te gaan met materialen.

sbb-itb-343ebd0

Webinar - How to establish a predictive maintenance strategy?

Hoe voorspellend onderhoud bijdraagt aan circulaire doelen

In deze sectie wordt uitgelegd hoe voorspellend onderhoud direct bijdraagt aan circulaire doelstellingen, door efficiënter gebruik van middelen en verlenging van de levensduur van machines en onderdelen.

Levensduur van producten verlengen

Met voorspellend onderhoud wordt de levensduur van machines en onderdelen aanzienlijk verlengd door onderhoud precies op het juiste moment uit te voeren – niet te vroeg en niet te laat.

"Door apparatuur op precies het juiste moment te repareren of bij te stellen - en niet te laten doordraaien tot het kapotgaat - kunnen organisaties de levensduur van assets in veel gevallen met 20 tot 40% verlengen." - Jorick van Weelie

Een goed georganiseerd onderhoudsprogramma kan tot wel 80% à 90% van alle machineproblemen voorkomen. Dit beperkt slijtage, voorkomt onverwachte storingen en verlengt de levensduur van kostbare apparatuur.

Minder grondstoffenverbruik en afval

Bij traditioneel onderhoud worden onderdelen vaak vervangen op vaste momenten, ongeacht hun werkelijke conditie. Dit leidt tot verspilling van functionerende onderdelen en onnodig afval, terwijl reserveonderdelen vaak ongebruikt blijven liggen.

"Door alleen onderhoud uit te voeren wanneer dat nodig is, worden reserveonderdelen, olie en vetten niet verspild. Dit zorgt uiteraard ook voor een vermindering van de CO₂-uitstoot." - Mathijs Riksen, I-care

Daarnaast zorgt voorspellend onderhoud voor een optimale afstelling van machines. Een goed afgestelde machine heeft minder wrijving, gebruikt minder energie en draagt zo bij aan energiebesparing en de doelstellingen van een circulaire economie. Naast de ecologische voordelen biedt deze aanpak ook waardevolle inzichten voor strategisch assetmanagement.

Betere beslissingen over revisie en remanufacturing

Voorspellend onderhoud levert waardevolle conditiedata op. Deze data maakt het mogelijk om nauwkeurig te bepalen of onderdelen gereviseerd, opnieuw geproduceerd of vervangen moeten worden. Door tijdig in te grijpen blijven onderdelen in goede staat en geschikt voor hergebruik, terwijl onderdelen die volledig falen vaak niet meer te herstellen zijn.

Een praktijkvoorbeeld komt uit de luchtvaartsector. Tussen 2018 en 2022 voerde een Europees onderzoeksconsortium onder leiding van Bruno Santos (TU Delft) een zes maanden durende test uit bij KLM Royal Dutch Airlines, als onderdeel van het ReMAP-project. Met behulp van realtime data en AI-modellen bleek onderhoud maanden van tevoren te plannen, in plaats van weken.

"Systemen worden dan precies op het juiste moment vervangen, wat verspilling voorkomt. We effenen het pad om de huidige conservatieve onderhoudsbenadering met vaste tijdsintervallen te transformeren naar een echt adaptieve, conditiegebaseerde aanpak." - Bruno Santos, projectleider, TU Delft

Paul Chün, VP Technology Hub bij KLM Engineering & Maintenance, voegde hieraan toe:

"Conditiegebaseerd onderhoud kan de levensduur van dure assets verlengen en correctief onderhoud vervangen."

In de Europese luchtvaartsector wordt geschat dat conditiegebaseerd onderhoud jaarlijks €700 miljoen kan besparen. Deze datagestuurde beslissingen ondersteunen de overgang naar een volledig circulair economisch model.

Voorspellend onderhoud in de praktijk: sectoren

Maakindustrie en procesindustrie

Voorspellend onderhoud laat in de maak- en procesindustrie al indrukwekkende resultaten zien. Neem bijvoorbeeld Sachsenmilch, een zuivelfabriek in het Duitse Leppersdorf die dagelijks 4,7 miljoen liter melk verwerkt. Met behulp van het Siemens Senseye AI-platform worden pompvibraties en temperaturen gemonitord. In 2026 ontdekte het systeem een defecte pomp op tijd, wat meer dan €100.000 aan reparatiekosten en productieverliezen bespaarde.

Een ander voorbeeld is Philips Healthcare, dat met het programma "Aiming for Zero" de prestaties van MRI- en CT-scanners continu in de gaten houdt. Een enkele MRI-scanner genereert dagelijks één miljoen events en 200.000 sensormetingen. Dankzij deze aanpak wordt 50% van de servicegevallen volledig op afstand opgelost. Voor situaties die een fysiek bezoek vereisen, slaagt de technicus in 84% van de gevallen direct bij de eerste poging.

Ook in de energiesector toont voorspellend onderhoud zijn waarde.

Energiesystemen: wind, zon en netten

In de energiesector speelt voorspellend onderhoud een sleutelrol bij het verlengen van de levensduur van dure assets zoals windturbines en stroomtransformatoren. AI-systemen monitoren kritieke onderdelen, zoals de oliekwaliteit in tandwielkasten, de slijtage van isolatie in transformatoren en de structurele staat van turbinebladen. Reparaties worden strategisch gepland tijdens periodes met weinig wind, zodat de energieproductie niet onnodig wordt verstoord.

Onderhoud op basis van data blijkt 8–12% efficiënter dan gepland onderhoud en tot 40% efficiënter dan reactief onderhoud. Bovendien kan het storingen met wel 70% verminderen.

De voordelen van voorspellend onderhoud reiken verder dan de energiesector en maken ook een verschil in transport en mobiliteit.

Transport en mobiliteit

In de transportsector draagt voorspellend onderhoud niet alleen bij aan operationele efficiëntie, maar verlengt het ook de levensduur van assets, wat helpt bij het realiseren van een circulaire economie. In de luchtvaart verschuift de focus van onderhoud op basis van tijd of vlieguren naar conditiegebaseerde metingen. Een concreet voorbeeld is het monitoren van de werkelijke belasting op het landingsgestel van een helikopter, in plaats van simpelweg de vlieguren te registreren.

Een ander succesverhaal komt van Vanderlande, dat in mei 2026 een voorspellend onderhoudssysteem implementeerde in Terminal 3 van Heathrow Airport. Door sensoren en machine learning via het AWS Monitron-cloudplatform te gebruiken voor kritieke bagageafhandelingsapparatuur, werd de ongeplande uitval met 25% verminderd. Dit succes leidde tot een bredere toepassing op andere luchthavens in Europa en Noord-Amerika.

"AI kan de ideale onderhoudsstrategie voorstellen op basis van realtime data: conditiegebaseerd onderhoud in plaats van preventief onderhoud." - Drs. Vincent Hentzepeter, auteur, Maintenance Benelux

Voorspellend onderhoud en circulaire businessmodellen

Pay-per-use en leasing: levensvatbaarder dan ooit

Voorspellend onderhoud verandert de manier waarop bedrijven omgaan met eigendom. In plaats van machines te kopen en zelf te onderhouden, kiezen steeds meer klanten voor een model waarbij ze alleen betalen voor het gebruik. Denk aan abonnementsvormen of leasing, waarbij de leverancier eigenaar blijft van de apparatuur en verantwoordelijk is voor het onderhoud en de prestaties.

Deze Product-as-a-Service (PaaS)-modellen zijn alleen haalbaar als de leverancier nauwkeurig de kosten en beschikbaarheid van zijn apparatuur kan inschatten. Voorspellend onderhoud maakt dit mogelijk door onderhoudskosten met 30 tot 35% te verlagen en 80 tot 90% van machinestoringen te voorkomen. Naast het verlengen van de levensduur van apparatuur in sectoren zoals productie en energie, maakt het ook leasing en retourbeheer financieel aantrekkelijker. Dankzij voorspellende inzichten kunnen bedrijven betere keuzes maken over retouren en overstock.

Een goed voorbeeld hiervan is Element Logic Benelux, dat het AutoStore-as-a-Service-model aanbiedt. Klanten betalen hier een vast maandelijks bedrag voor opslagcapaciteit. Bryan Beutels, Managing Director van Element Logic Benelux, legt uit hoe dit in de praktijk werkt:

"Het doel is om te voorspellen wanneer een onderdeel zal breken, zodat we budget kunnen reserveren en het tijdens preventief onderhoud kunnen vervangen." - Bryan Beutels, Managing Director, Element Logic Benelux

Het systeem houdt continu foutcodes en draaiuren in de gaten. Hierdoor kunnen onderdelen tijdig worden vervangen, wat de levensduur van de apparatuur verlengt. Bovendien wordt de apparatuur hierdoor geschikt voor hergebruik of doorverkoop na de eerste gebruiksperiode.

Retouren en overstock: betere beslissingen dankzij data

De data die wordt verzameld in leasingmodellen is ook van groot belang voor retourbeheer. Voorspellend onderhoud biedt een uitgebreide gezondheidsgeschiedenis van ieder product. Met gegevens zoals foutcodes, sensormetingen en draaiuren kunnen bedrijven de staat van een apparaat snel en nauwkeurig beoordelen. Dit maakt het eenvoudiger om te beslissen of een product geschikt is voor hergebruik of refurbishment. Het zorgt ook voor een betere afstemming tussen assetbeheer en circulaire bedrijfsdoelen. Platforms zoals Retoertje.nl profiteren hiervan: hoe beter producten worden beoordeeld en gecategoriseerd voordat ze worden aangeboden, hoe betrouwbaarder het aanbod voor kopers die op zoek zijn naar kwalitatieve tweedehands producten.

Een ander voorbeeld is Econocom Factory, dat jaarlijks bijna 200.000 gerefurbishte digitale apparaten verwerkt door levenscyclusbeheer te combineren met slimme financieringsmodellen. Hélène van Baardwijk, Communicatiemanager van Econocom Nederland B.V., vat de aanpak als volgt samen:

"AI versnelt verandering en circulariteit zorgt ervoor dat die verandering duurzaam blijft." - Hélène van Baardwijk, Communication Manager, Econocom Nederland B.V.

Door data centraal te stellen, worden slecht presterende onderdelen gescheiden van apparaten die nog hergebruikt kunnen worden. Dit vormt de kern van een circulaire aanpak: producten zo lang mogelijk en zo efficiënt mogelijk benutten.

Uitdagingen en de weg vooruit

Data- en technologiedrempels

Voorspellend onderhoud klinkt als een logische stap vooruit, maar in de praktijk blijkt het vaak lastiger dan verwacht. Een belangrijk probleem: de data. Veel sensorgegevens zijn incompleet of inconsistent. Voor een betrouwbaar AI-model heb je consistente data nodig, maar kritieke machines vallen zelden volledig uit. Hierdoor ontbreekt juist die cruciale storingsinformatie die nodig is om defecten te voorspellen.

"We verzamelen momenteel te veel data zonder te weten wat we ermee moeten doen. De taak is om eerst het proces te begrijpen en alleen parameters te extraheren die daadwerkelijk waarde toevoegen." - Tiedo Tinga, hoogleraar Dynamics Based Maintenance, Universiteit Twente

Bovendien brengt de integratie van operationele technologie (OT) met informatietechnologie (IT) de nodige complexiteit met zich mee. Veel modellen die door leveranciers worden aangeboden, sluiten niet goed aan op de specifieke omstandigheden van een eindgebruiker. Daar komt nog bij dat AI-modellen regelmatig opnieuw getraind moeten worden als operationele omstandigheden of hardwareconfiguraties veranderen. En dan is er nog de uitdaging van het energie- en bandbreedteverbruik: het verzamelen en opslaan van grote hoeveelheden sensordata kan de duurzaamheidsvoordelen van deze technologie beperken.

Naast technologische obstakels zijn er ook organisatorische en regelgevende uitdagingen die de implementatie bemoeilijken.

Organisatorische en regelgevende uitdagingen

Technologie alleen is niet genoeg om voorspellend onderhoud succesvol te maken. Organisatorische problemen spelen een minstens zo grote rol. Binnen veel bedrijven zijn onderhoudstaken versnipperd, wat leidt tot verlies van informatie en uitgestelde acties. Een overstap naar datagedreven onderhoud vraagt om een fundamentele cultuurverandering - en dat gaat niet vanzelf.

Een ander probleem is het tekort aan specialisten. Het correct interpreteren van complexe data, zoals trillingsspectra of thermografische beelden, vereist specifieke kennis. Zonder die expertise worden de resultaten van AI vaak verkeerd begrepen. Momenteel gebruikt slechts 27% van de industriële organisaties actief voorspellend onderhoud, terwijl 65% van de onderhoudsteams dit vóór eind 2026 wil invoeren. Dat is een ambitieus doel dat zowel technische als menselijke investeringen vraagt.

"Zonder goede data, geen goede AI." - Ronald Wever, voorzitter NVDO

Ook de financiële kant speelt een rol. De kosten voor sensornetwerken en IoT-infrastructuur zijn hoog. Toch bieden hybride financieringsmodellen en leasingopties steeds vaker een oplossing. Een succesvolle aanpak? Begin klein. Kies een specifiek probleem, gebruik bestaande data, bouw een prototype en schaal pas op als dat werkt. Zo voorkom je dat je eindeloos data verzamelt zonder een helder doel.

Conclusie: waarom voorspellend onderhoud onmisbaar is voor circulariteit

Voorspellend onderhoud speelt een sleutelrol bij het tegengaan van verspilling, het verlengen van de levensduur van producten en het efficiënter inzetten van grondstoffen. Uit onderzoek blijkt dat deze aanpak machines niet alleen langer operationeel houdt, maar ook storingen aanzienlijk vermindert. Mathijs Riksen van I-care vat het treffend samen:

"Door alleen onderhoud uit te voeren wanneer het nodig is, worden reserveonderdelen, olie en vetten niet verspild. Dat zorgt natuurlijk ook voor een reductie in CO2-uitstoot."

Deze werkwijze sluit perfect aan bij de principes van een circulaire economie: materialen en producten zo lang mogelijk en op een hoogwaardig niveau blijven gebruiken. Dit geldt niet alleen voor grote industriële installaties, maar ook voor de logistieke systemen die circulaire platforms ondersteunen. Neem bijvoorbeeld Retoertje.nl, een platform dat retour- en overstockproducten een nieuwe bestemming geeft. Voorspellend onderhoud op hun systemen maakt een snelle en efficiënte verwerking van producten mogelijk, zonder onnodige stilstand.

Hoewel de voordelen duidelijk zijn, zijn er ook uitdagingen. Denk aan de noodzaak van kwalitatieve data, het aanpassen van de organisatiecultuur en de vaak hoge initiële kosten. Een slimme aanpak is om klein te beginnen, gericht op kritieke onderdelen en bestaande data. Zo kan er stap voor stap een onderhoudsstrategie worden ontwikkeld die zowel financieel als ecologisch rendement oplevert. Dit benadrukt hoe data-gedreven onderhoud een waardevolle bijdrage kan leveren aan een duurzame en circulaire economie.

FAQs

Welke data en sensoren heb je nodig om met voorspellend onderhoud te starten?

Je hebt niet altijd gloednieuwe sensoren nodig om voorspellend onderhoud te implementeren. Vaak kun je al veel bereiken met de data die je nu al hebt, zoals gegevens uit PLC’s (Programmable Logic Controllers) en interne logs. Als er toch aanvullende metingen nodig zijn, hangt de keuze van sensoren af van het specifieke faalmechanisme. Denk bijvoorbeeld aan trillingssensoren, temperatuursensoren, druksensoren, stroommeters of vochtigheidssensoren.

Door deze real-time gegevens slim te combineren met historische onderhoudsdata, kan AI patronen ontdekken die wijzen op mogelijke defecten. Dit helpt niet alleen om storingen te voorkomen, maar draagt ook bij aan een efficiënter gebruik van middelen en een langere levensduur van apparatuur.

Hoe bereken je de ROI van voorspellend onderhoud inclusief circulaire impact?

Om de return on investment (ROI) van voorspellend onderhoud te bepalen, is het belangrijk om de financiële voordelen af te wegen tegen de investeringen. Denk hierbij aan:

• Besparingen op onderhoudskosten: Door storingen te voorkomen, kunnen onverwachte reparaties en noodonderhoud sterk worden verminderd. Dit betekent minder uitgaven aan onderdelen en arbeidsuren.
• Verminderde stilstand: Minder onverwachte storingen zorgen voor een hogere beschikbaarheid van apparatuur, wat direct bijdraagt aan een hogere productiviteit.
• Langere levensduur van apparatuur: Voorspellend onderhoud kan de levensduur van machines met 20-40% verlengen, wat leidt tot minder vervanging en lagere kapitaalkosten.
• Minder verspilling van onderdelen: Door onderhoud beter te timen, worden onderdelen efficiënter gebruikt, wat verspilling beperkt.

Een nulmeting als basis

Een goede ROI-berekening begint met een nulmeting. Verzamel gegevens over:

• Huidige onderhoudsuren: Hoeveel tijd wordt er nu besteed aan onderhoud?
• Verdeling reactief versus preventief onderhoud: Hoe vaak wordt onderhoud uitgevoerd na een storing versus gepland onderhoud?
• Kosten van stilstand: Wat kost het wanneer machines onverwachts uitvallen?

Door deze gegevens te vergelijken met de situatie na de implementatie van voorspellend onderhoud, kun je een duidelijke businesscase opstellen. Dit helpt niet alleen om de financiële voordelen te kwantificeren, maar ook om de bredere impact, zoals minder verspilling en een duurzamer gebruik van middelen, inzichtelijk te maken.

Hoe verbeter je datakwaliteit en IT/OT-integratie zonder een groot project te starten?

Begin klein bij het implementeren van voorspellend onderhoud. Richt je eerst op bedrijfskritische apparatuur en voer een pilot uit op één essentieel systeem. Dit maakt het proces beheersbaar en biedt waardevolle inzichten zonder grote risico’s.

Maak gebruik van bestaande databronnen, zoals procesparameters (bijvoorbeeld druk en temperatuur), en combineer deze met gegevens uit je ERP-systeem of onderhoudshistorie. Door je te richten op het meest kritieke faalmechanisme, verzamel je alleen relevante data. Dit voorkomt onnodige complexiteit en vereenvoudigt de eerste stappen aanzienlijk.