De industriële onderhoudsoptimalisatie zonder de productie te onderbreken, veronderstelt het oplossen van een vergelijking met meerdere variabelen: betrouwbaarheid van gegevens, vaardigheden van technici, regelgeving en cybersecurity van operationele netwerken. In 2026 ligt de moeilijkheid niet meer in de keuze tussen preventief en predictief onderhoud, maar in de capaciteit om de sensor signalen te koppelen aan de rest van de besluitvormingsketen (beschikbare onderdelen, werkvergunningen, productieplanning).
Kwaliteit van onderhoudsdata: de rem die IoT-sensoren niet alleen oplossen
De gesprekken over predictief onderhoud benadrukken IoT-sensoren en kunstmatige intelligentie als direct inzetbare hefboom. De operationele realiteit is anders. De kwaliteit van de gegevens blijft de belangrijkste rem op de industrialisatie van predictief onderhoud.
Een trillingssensor die op een productie machine is geïnstalleerd, genereert een continue stroom van metingen. Deze stroom wordt pas bruikbaar als aan drie voorwaarden is voldaan: een gestructureerde en betrouwbare onderhoudshistorie, een actuele referentie van reserveonderdelen, en een overeenstemming tussen de alarmdrempels en de werkelijke storingsmodi van de apparatuur.
Wanneer een van deze lagen ontbreekt, activeert het opgevangen signaal niet de juiste interventie op het juiste moment. De technicus ontvangt een waarschuwing, maar zonder voldoende context om te beslissen of hij onmiddellijk moet ingrijpen of het moet uitstellen tot het volgende beschikbare tijdslot op de lijn. Dit tijdsverschil tussen detectie en actie is wat vandaag een site die experimenteert met predictief onderhoud onderscheidt van een site die het daadwerkelijk heeft geïndustrialiseerd.
De uitdaging voor onderhoudsverantwoordelijken in 2026 ligt meer in het databeheer dan in de aanschaf van extra sensoren. Elke interventie documenteren, storingscodes standaardiseren, bestaande databases opschonen: deze taken, vaak gezien als administratief werk, bepalen de relevantie van elk predictief algoritme downstream. Om dit onderwerp verder te verkennen, detaille de industriële expertise van Airbuzz de benodigde vaardigheden voor de teams op de werkvloer om deze transitie te ondersteunen.
OT-cybersecurity en de NIS2-richtlijn: een blinde vlek in onderhoudsstrategieën zonder onderbreking
Een machine operationeel houden tijdens een interventie vereist vaak externe toegang, of het nu gaat om teleonderhoud door de fabrikant of om het aansturen van parameters via een SCADA-systeem. De NIS2-richtlijn transformeert teleonderhoud in een onderwerp van regelgeving, niet alleen van operationele efficiëntie.
NIS2 vereist risicobeheer, beveiliging van de toeleveringsketen, toegangscontrole en incidentmelding. In Frankrijk hangt het toepassingskader nog af van de transpositie en de bijbehorende regelgeving. De betrokken industriële bedrijven moeten de externe toegang van machinefabrikanten in kaart brengen, IT- en OT-netwerken segmenteren en procedures voor incidentmelding voorbereiden.
| NIS2-vereiste | Impact op industrieel onderhoud |
|---|---|
| Risicobeheer | Verplichte risicoanalyse vóór elke externe toegang tot een productieapparaat |
| Beveiliging van de toeleveringsketen | Audit van de verleende teleonderhoudstoegang aan fabrikanten en onderaannemers |
| Toegangscontrole | Netwerksegmentatie IT/OT, versterkte authenticatie voor externe interventies |
| Incidentmelding | Gedocumenteerde procedure voor het melden van elke compromittering die een productiesysteem beïnvloedt |
De meeste gidsen over onderhoud zonder productieonderbreking verbinden deze verplichtingen niet met de realiteit op de werkvloer. Een technicus die verbinding maakt met een automatisering vanaf een niet-gesegmenteerde werkplek, stelt potentieel de gehele productielijn bloot. Het segmenteren van OT-netwerken is geen optie meer, het is een voorwaarde voor elke verbonden onderhoudsstrategie.
Predictief onderhoud en machine-regelgeving: het risico van beslissings-IA
De toekomstige Europese regels voor machines introduceren een specifiek risico voor onderhoud dat is gebaseerd op kunstmatige intelligentie. Wanneer een algoritme aanbeveelt om een interventie uit te stellen of een werkparameter te wijzigen, rijst de vraag van aansprakelijkheid.
Een algoritme dat een interventie uitstelt, brengt de verantwoordelijkheid van de exploitant met zich mee, niet die van de leverancier van de softwareoplossing. Dit onderscheid, dat in veel bedrijven nog vaag is, zal een onderwerp van naleving worden naarmate de teksten duidelijker worden.
De onderhoudsteams moeten daarom beschikken over een volledige traceerbaarheid van de beslissingen die door de geautomatiseerde systemen zijn genomen:
- Tijdstempel van elke aanbeveling die door het algoritme is gedaan, met het bijbehorende vertrouwensniveau en de gebruikte invoergegevens
- Gedocumenteerde menselijke validatie vóór elke uitgestelde actie op een apparaat dat als kritiek voor de veiligheid is geclassificeerd
- Archivering van afwijkingen tussen de algoritmische aanbeveling en de uiteindelijke beslissing van de technicus, om de feedback te voeden
Dit traceerbaarheidskader is niet alleen een juridische voorzorgsmaatregel. Het voedt direct de verbetercyclus van predictieve modellen door de gevallen te identificeren waarin het algoritme zich heeft vergist en de redenen voor de menselijke correctie.
Afgelegen sites en onderhoud zonder onderbreking: de grenzen van gestandaardiseerde benaderingen
Algemene gidsen over predictief onderhoud veronderstellen een stabiele netwerkconnectiviteit en snelle toegang tot reserveonderdelen. Afgelegen sites (mijnen, offshore platforms, fabrieken in landelijke gebieden) maken deze aannames ongeldig.
Op deze sites verhindert de netwerklatentie de real-time gegevensoverdracht naar een cloudplatform. De levertijd van reserveonderdelen bedraagt dagen, soms weken. Een onderhoudsstrategie zonder onderbreking moet dan integreren:
- Een lokale opslag van sensor gegevens met vertraagde synchronisatie, om de analysemogelijkheden te behouden, zelfs zonder permanente verbinding
- Vooraf gedefinieerde degradeermodi die de technicus in staat stellen autonome beslissingen te nemen op basis van vereenvoudigde drempels
- Een voorraad kritische onderdelen die is afgestemd op basis van de storingshistorie, niet op een generieke leverancierscatalogus
- Versterkte training van lokale teams, die in staat zijn om signalen zonder externe assistentie te interpreteren
De ontwikkeling van vaardigheden van onderhoudstechnici op deze sites is een vaak onderschatte hefboom. Een technicus die is opgeleid in het interpreteren van gegevens van het terrein, compenseert gedeeltelijk het gebrek aan connectiviteit en vermindert de afhankelijkheid van externe experts.
De beschikbaarheidsgraad van een productielijn hangt minder af van de technologische verfijning die is ingezet dan van de consistentie tussen de kwaliteit van de gegevens, menselijke vaardigheden en naleving van het regelgevingskader. De bedrijven die in 2026 daadwerkelijk vooruitgang boeken, zijn degenen die deze drie dimensies gelijktijdig aanpakken, zonder te wachten tot een van hen perfect is om verder te gaan met de anderen.
