Predictive maintenance zonder miljoenenproject: wat kan met uw huidige ERP-data?

Predictive maintenance. Het woord alleen al roept beelden op van sensoren op elke machine, dashboards vol real-time data en een IT-afdeling die 24 uur per dag waakzaam is. En dus: een budget dat de meeste MKB-bedrijven niet hebben en niet willen hebben.

Toch zijn er tientallen productiebedrijven in Nederland die al resultaten boeken met voorspellend onderhoud — zonder grootschalige sensorinfrastructuur, zonder miljoenenbudget. Hoe? Door te beginnen met de data die ze al hebben: hun ERP.

Wat ERP-data u al kan vertellen over storingen

Stel dat u al drie jaar werkorders bijhoudt in uw ERP. Dan heeft u ook bijgehouden wanneer machines stilstonden, hoe lang reparaties duurden, welke materialen daarbij gebruikt werden en welke technici erbij betrokken waren.

Die historische data bevat patronen. Niet altijd zichtbaar voor het menselijk oog, maar wel herkenbaar voor een eenvoudig analysemodel:

• Machine X stond de afgelopen 18 maanden gemiddeld elke 340 productie-uren stil
• Storing type Y komt 80% vaker voor na gebruik van materiaal Z
• De kans op een storing in week 3 van het kwartaal is structureel hoger dan in de rest van het kwartaal

Dit zijn geen speculaties. Dit zijn patronen in uw eigen data die u al had kunnen benutten.

Het verschil tussen reactief, preventief en predictief onderhoud

De meeste MKB-productiebedrijven werken reactief: de machine stopt, en dan regelt u een monteur. Sommige hebben een preventief onderhoudsschema: om de X uur of weken een vaste onderhoudsbeurt, ongeacht de staat van de machine.

Predictief onderhoud gaat een stap verder: u voert onderhoud uit op het moment dat het nodig is, gebaseerd op signalen uit de machine of uit historische data. Daarmee vermijdt u zowel onnodige stilstand (reactief) als onnodige onderhoudskosten (preventief).

In de praktijk leidt predictief onderhoud bij MKB-bedrijven tot 20 tot 35% minder ongeplande stilstand en 10 tot 20% lagere onderhoudskosten. Dat zijn geen branchecijfers van een leverancier — dat zijn resultaten die wij zelf bij klanten meten.

Waar u kunt beginnen zonder sensor-investeringen

Stap 1: Audit uw historische werkorderdata Hoeveel storingsmeldingen heeft u de afgelopen twee jaar geregistreerd? Zijn die consistent ingevoerd — type storing, duur, oorzaak? Als dat op orde is, heeft u al een dataset om mee te werken.

Stap 2: Identificeer de machines met de hoogste impact Niet elke machine verdient predictief onderhoud. Begin bij de bottleneck: de machine of bewerkingsstap die, als hij uitvalt, uw hele productielijn stilzet. Daar is de ROI het grootst.

Stap 3: Leg patronen bloot met een analysemodel Dit hoeft geen geavanceerd AI-model te zijn. Een statistisch model dat kijkt naar frequentie, duur en omstandigheden van storingen is al voldoende om een indicatie te krijgen van wanneer de kans op uitval stijgt.

Stap 4: Koppel signalen aan uw planningssysteem Het doel is niet een mooie grafiek. Het doel is dat uw planningsafdeling een week van tevoren een signaal krijgt: “machine X heeft over 4 dagen een verhoogde uitvalkans — plan een onderhoudsslot in voor het zo ver is.”

Dat signaal kunt u genereren vanuit uw bestaande ERP-data, zonder extra sensorinfrastructuur.

Wanneer wél sensoren overwegen?

Als uw historische data onvoldoende is (te weinig registraties, te inconsistent), of als uw machines specifieke signalen geven die ERP-data niet registreert (vibratie, temperatuur, geluid), dan loont het om te kijken naar eenvoudige IoT-sensoren.

Maar begin daar niet mee. Begin met wat u al heeft. De meeste bedrijven ontdekken dat ze veel verder komen dan verwacht met alleen hun ERP-historiek — en investeren daarna gericht in sensoren voor de specifieke machines waar de toegevoegde waarde het grootst is.

De eerlijke conclusie

Predictive maintenance is voor de meeste MKB-productiebedrijven geen kwestie van budget, maar van aanpak. De data is er al. Wat ontbreekt is een methodische aanpak om die data te laten werken.

---

Meer lezen:

• AI in productie: waar begint u als directeur écht mee?
• AI en ERP: wat kun je er nú al mee in de productie?

---

Wilt u weten of uw huidige ERP-data voldoende is om mee te beginnen? Start met het AI & ERP Versnellingsprogramma — in 6 weken van data naar resultaat.