Voor betrouwbare predictieve onderhoudsbeslissingen is datakwaliteit essentieel: de data moet nauwkeurig, volledig, consistent en representatief zijn voor de werkelijke toestand van een machine. Ontbrekende waarden, foutieve sensorsignalen of onvolledige historische datasets leiden direct tot verkeerde voorspellingen en gemiste of onnodige ingrepen. Dit artikel beantwoordt de meest gestelde vragen over datakwaliteit binnen predictief onderhoud, van sensorbetrouwbaarheid tot de rol van een gespecialiseerde servicepartner.

Welke soorten data zijn nodig voor predictief onderhoud?

Predictief onderhoud vereist minimaal drie soorten data: real-time conditiedata van sensoren (zoals trillingen, temperatuur en stroom), historische onderhouds- en storingsdata, en operationele procesdata zoals belasting en omgevingscondities. Samen vormen deze databronnen het fundament waarop voorspellende modellen patronen kunnen herkennen en afwijkingen tijdig kunnen signaleren.

Conditiedata wordt doorgaans verzameld via sensoren die continu of periodiek meten. Trillingsmetingen zijn bijzonder waardevol voor roterende componenten zoals elektromotoren, pompen en ventilatoren, omdat veranderende trillingspatronen vroege indicatoren zijn van slijtage, onbalans of uitlijningsproblemen. Temperatuurdata geeft inzicht in thermische belasting, terwijl stroommetingen afwijkingen in het elektrische gedrag van een motor zichtbaar maken.

Historische data is minstens even belangrijk. Zonder kennis van eerdere storingen, revisies en onderhoudsinterventies is het onmogelijk om te bepalen welke afwijkingen normaal zijn en welke voorafgaan aan een defect. Operationele context, zoals productieschema’s en belastingprofielen, helpt om schijnbare afwijkingen te verklaren die in werkelijkheid het gevolg zijn van een veranderde bedrijfssituatie.

Wat maakt sensordata onbetrouwbaar voor voorspellende analyses?

Sensordata wordt onbetrouwbaar door kalibratieproblemen, slechte montage, signaalruis, uitval van de sensor zelf of inconsistente meetfrequenties. Zelfs één defecte sensor in een meetketen kan een volledig voorspellend model verstoren, omdat algoritmen onterecht afwijkingen registreren of juist echte problemen missen.

Een veelvoorkomende oorzaak van onbetrouwbare sensordata is incorrecte plaatsing. Een trillingssensor die niet stevig is bevestigd op het lagerblok van een motor, meet ook omgevingstrillingen en geeft een vertekend beeld. Hetzelfde geldt voor temperatuursensoren die blootstaan aan warmtebronnen buiten de machine zelf.

Daarnaast speelt datacommunicatie een rol. Signaalverlies, vertraging in datatransmissie of inconsistente tijdstempels maken het lastig om metingen correct te correleren met operationele gebeurtenissen. Voor betrouwbare sensordata geldt: de kwaliteit van de meting begint bij de fysieke installatie en eindigt bij de integriteit van de dataoverdracht naar het analysesysteem.

Hoeveel historische data is nodig om patronen te herkennen?

Als vuistregel geldt dat predictieve modellen minimaal zes tot twaalf maanden aan representatieve historische data nodig hebben om betrouwbare patronen te herkennen. Voor machines met langzame slijtageprocessen of seizoensgebonden belastingprofielen is een langere periode van twee jaar of meer wenselijk om voldoende variatie in de data te hebben.

De hoeveelheid benodigde data hangt sterk af van de complexiteit van de machine, de variabiliteit in bedrijfsomstandigheden en de frequentie van storingen. Een machine die zelden uitvalt, heeft meer historische data nodig om een statistisch betrouwbaar beeld van normaal versus afwijkend gedrag op te bouwen. Machines met een hogere storingsfrequentie leveren sneller bruikbare trainingsdata op voor voorspellende algoritmen.

Kwaliteit weegt zwaarder dan kwantiteit. Tien jaar aan slecht gelabelde of inconsistente data levert minder op dan twee jaar aan zorgvuldig gedocumenteerde meetreeksen met duidelijke koppeling aan onderhoudsgebeurtenissen en storingen. Labels, zoals het type defect en het tijdstip van interventie, zijn onmisbaar om een model te leren onderscheid te maken.

Wat is het verschil tussen conditiemonitoring en predictief onderhoud?

Conditiemonitoring is het continu of periodiek meten van de actuele toestand van een machine, zonder automatisch een voorspelling te doen. Predictief onderhoud gaat een stap verder: het gebruikt die conditiedata in combinatie met historische patronen om te voorspellen wanneer een component waarschijnlijk zal falen, zodat onderhoud gepland kan worden vóór de storing optreedt.

Conditiemonitoring is de databron; predictief onderhoud is de toepassing. Een trillingsmeter die een alarm geeft als een drempelwaarde wordt overschreden, is conditiemonitoring. Een systeem dat op basis van de trend in trillingsdata berekent dat een lager over drie weken het kritieke punt bereikt, is predictief onderhoud.

Voor de datakwaliteit heeft dit verschil directe gevolgen. Conditiemonitoring vereist nauwkeurige real-time metingen. Predictief onderhoud stelt aanvullende eisen aan de historische dataset, de labeling van storingen en de consistentie van metingen over langere tijd. Wie alleen monitort zonder historische context, kan waarnemen dat er iets mis is, maar niet voorspellen wanneer het kritisch wordt.

Wanneer is datakwaliteit goed genoeg om actie op te ondernemen?

Datakwaliteit is goed genoeg voor actie wanneer metingen consistent zijn, de historische dataset representatief is voor de normale en afwijkende bedrijfssituaties, en het model een betrouwbaarheidsdrempel bereikt die past bij de risicotolerantie van de organisatie. Er is geen universele norm, maar de beslissing om te handelen moet gebaseerd zijn op meerdere bevestigende signalen, niet op één geïsoleerde meting.

In de praktijk hanteren veel onderhoudsteams een combinatie van drempelwaarden en trendanalyse. Een eenmalige piek in trillingsdata rechtvaardigt doorgaans nog geen ingreep, maar een aanhoudende stijgende trend over meerdere meetpunten wel. Hoe groter de gevolgen van een ongeplande stilstand, hoe eerder het verstandig is om in te grijpen, ook als de data nog niet volledig eenduidig is.

Een praktisch hulpmiddel is het werken met gelaagde alarmniveaus: een eerste niveau dat aandacht vraagt, een tweede dat actie vereist en een derde dat directe interventie noodzakelijk maakt. Dit voorkomt zowel te vroeg ingrijpen op basis van ruis als te laat reageren door te wachten op zekerheid die nooit volledig bereikt wordt.

Hoe verbetert een gespecialiseerde servicepartner de datakwaliteit?

Een gespecialiseerde servicepartner verbetert de datakwaliteit door correcte sensorinstallatie, periodieke kalibratie, vakkundige interpretatie van meetresultaten en het aanvullen van ontbrekende historische context op basis van jarenlange ervaring met vergelijkbare machines en installaties. Technische expertise maakt het verschil tussen data verzamelen en data begrijpen.

Veel organisaties beschikken wel over meetsystemen, maar missen de kennis om de data correct te interpreteren. Een specialist die dagelijks werkt met elektromotoren, pompen en ventilatoren herkent afwijkende meetpatronen die voor een generalist onopvallend lijken. Bovendien kan een ervaren partner helpen bij het opzetten van een meetstructuur die van meet af aan kwalitatieve data oplevert, in plaats van achteraf te proberen orde te scheppen in inconsistente datasets.

Periodieke metingen op locatie door een gespecialiseerde technicus bieden ook een waardevolle aanvulling op automatische monitoringsystemen. Handmatige inspecties en expertmetingen fungeren als kalibratiepunt voor geautomatiseerde systemen en helpen om systeemfouten tijdig te detecteren.

Hoe EME helpt met predictief onderhoud en datakwaliteit

EME ondersteunt industriële organisaties bij het opbouwen van een betrouwbare basis voor predictieve onderhoudsbeslissingen. Met meer dan 40 jaar ervaring in de revisie en het onderhoud van elektromotoren, pompen, ventilatoren en frequentieregelaars beschikt EME over de technische kennis om niet alleen te meten, maar ook te interpreteren en te adviseren. Concreet biedt EME:

• Trillingsmetingen en -analyse om afwijkingen in roterende componenten vroegtijdig te signaleren
• Uitlijning en balancering die de meetkwaliteit van conditiemonitoringsystemen direct verbetert
• Conditiemonitoring als onderdeel van een bredere, geplande onderhoudsstrategie
• 24/7 storingsdienst voor situaties waarin data alsnog een onverwachte uitval aangeeft
• ATEX-gecertificeerde service voor omgevingen met strenge veiligheids- en compliance-eisen

EME werkt als vaste servicepartner en helpt klanten de stap te zetten van reactief naar gepland en uiteindelijk voorspellend onderhoud. Bekijk het volledige dienstenaanbod of neem direct contact op om te bespreken hoe EME de datakwaliteit en onderhoudsstrategie van uw installaties kan versterken.