AI biedt onderhoudsteams nieuwe mogelijkheden om informatie te verzamelen, structureren en interpreteren. Maar de waarde begint niet bij het AI-model. Die begint bij de onderhoudsbeslissing die de organisatie wil verbeteren.
Maintenanceorganisaties verkennen de mogelijkheden van predictive modellen, intelligente assistenten, geautomatiseerde analyses en agent-based workflows. Daarbij ligt de focus vaak op het Computerised Maintenance Management System (CMMS) of Enterprise Asset Management Software (EAMS). De mogelijkheden zijn groot, maar het vertrekpunt wordt vaak verkeerd gekozen.
AI begrijpt niet automatisch de assets en onderhoudsbehoeften van een organisatie. Het werkt met de beschikbare informatie zoals assetgegevens, onderhoudsplannen, werkorders, storingshistorie, technische documentatie en feedback van monteurs.
De praktische vraag is daarom niet simpelweg waar we AI kunnen toepassen binnen het CMMS. Een betere vraag is:
Welke onderhoudsbeslissing willen we verbeteren en bevat ons CMMS de informatie die nodig is om die beslissing te ondersteunen?
Vooral het tweede deel van die vraag is belangrijk. AI kan de inspanning verminderen die nodig is om onderhoudsinformatie te verzamelen, structureren, vergelijken en analyseren. Maar het kan slechts beperkt compenseren bij ontbrekende standaarden, onbetrouwbare registraties, processen die niet op orde zijn of onduidelijk eigenaarschap.
Om deze vraag goed te beantwoorden, moeten we onderscheid maken tussen een system of record, waarin informatie wordt vastgelegd, en een system of action, waarmee op basis van die informatie verbeteracties in gang worden gezet.
Een CMMS moet zowel een system of record als een system of action zijn
De meeste maintenanceorganisaties maken al gebruik van een CMMS/EAM-software. Deze systemen ondersteunen doorgaans kernactiviteiten zoals:
- Bijhouden van het assetregister
- Beheren van onderhoudsplannen
- Aanmaken en inplannen van werkorders
- Registreren van uren, materialen en kosten
- Vastleggen van feedback uit de uitvoering
- Rapporteren over onderhoudsprestaties
Samen leveren deze functies onderhoudsregistraties en databasegegevens op. Die gegevens zijn essentieel, maar vormen niet het eindresultaat, maar het bronsysteem.
Waarde wordt gecreëerd wanneer de organisatie deze gegevens gebruikt om beslissingen te nemen en verbeteringen door te voeren. Denk bijvoorbeeld aan het aanpassen van:
- Een onderhoudstaak of onderhoudsfrequentie
- De criticaliteitsclassificatie van een asset
- Het beleid voor reserveonderdelen
- Een planningsregel
- Eisen aan een contractor
- Een operationele procedure
- De configuratie van equipment
- Een ontwerpstandaard
Het afronden van een werkorder sluit bijvoorbeeld een onderhoudstaak af en creëert een onderhoudsregistratie, maar daarmee is de cyclus van continu verbeteren nog niet automatisch gesloten. Een CMMS moet daarom meer zijn dan alleen een bronsysteem (system of record): het moet informatie ook omzetten in concrete acties en de uitvoering daarvan ondersteunen (system of action). Het system of record legt vast welke assets aanwezig zijn, welk werk is gepland, wat daadwerkelijk is uitgevoerd en wat er is gebeurd. Het system of action gebruikt deze informatie om verbetermogelijkheden te identificeren, beslissingen te nemen, veranderingen door te voeren en het effect daarvan te beoordelen.
Onze ervaring leert dat organisaties vaak blijven steken bij een system of record, omdat dit is wat bij de livegang van de implementatie is opgeleverd. Pragma plant daarom bewust een adoptieperiode in na de livegang, zodat het CMMS zich daadwerkelijk ontwikkelt tot een system of action.
AI kan de verbinding tussen informatie en actie versterken, maar kan die verbinding niet creëren wanneer de organisatie deze zelf niet bewust heeft ingericht.
Vier pijlers voor een system of action in maintenance
Een system of action voor maintenance steunt op vier onderling verbonden pijlers: technologie, data, processen en mensen.
1. Technologie
De technologische omgeving voor maintenance moet ervoor zorgen dat informatie over assets, onderhoudsstrategieën en werkzaamheden toegankelijk en bruikbaar is. Het CMMS hoeft daarbij niet alle technische informatie zelf te bevatten. Wel moeten de verschillende systemen zodanig met elkaar verbonden zijn dat ze één geïntegreerde digitale basis vormen. Assets, onderhoudsplannen, werkorders, kosten en feedback moeten met elkaar verbonden zijn, zodat de informatie in samenhang kan worden geanalyseerd. AI kan goed werken met gekoppelde informatie, maar kan weinig met onderhoudsinformatie die verspreid is over verschillende, losstaande systemen.
2. Data
De beschikbare informatie moet voldoende compleet, consistent en gestructureerd zijn om het maken van beslissingen te ondersteunen. Dat betekent niet dat alle gegevens perfect op orde moeten zijn voordat je met AI kunt beginnen. Wel moet een organisatie weten welke minimale informatie nodig is, waar deze vandaan komt, wie ervoor verantwoordelijk is en hoe de kwaliteit ervan wordt gecontroleerd. Het is daarbij best practice om gegevens slechts in één systeem te beheren: het leidende bronsysteem (master system).
AI kan omgaan met informatie die niet volledig op orde is, maar kan deze niet betrouwbaarder maken dan de gegevens waarop ze is gebaseerd.
3. Processen
Processen moeten duidelijk zijn gedefinieerd, vastgelegd en consequent worden uitgevoerd. Wanneer processen niet consequent worden gevolgd, gaat dit uiteindelijk ten koste van de kwaliteit van de data. Daarom is het belangrijk dat elk proces een terugkoppelmoment bevat dat de Check- en Act-fase van de verbetercyclus ondersteunt.
Iemand moet de resultaten beoordelen, bepalen wat ze betekenen, prioriteiten stellen en de benodigde actie goedkeuren. Zonder zo’n proces kan AI wel meer inzichten, rapportages en dashboards opleveren, maar leidt dat niet automatisch tot meetbare verbetering.
4. Mensen
AI ondersteunt, maar mensen blijven verantwoordelijk voor de beoordeling, de context en de uiteindelijke beslissingen. AI kan een onderhoudsadvies voorbereiden, patronen herkennen of grote hoeveelheden informatie samenvatten. Uiteindelijk moet een persoon beoordelen of het advies technisch onderbouwd, commercieel haalbaar en passend is bij de omstandigheden waarin de asset wordt gebruikt.
Het uitgangspunt: AI kan het voorbereiden van een beslissing eenvoudiger maken, maar neemt de beslissing niet van je over.
Praktische toepassing van AI in het onderhoudsproces
Organisaties kunnen AI het beste niet als iets losstaands benaderen, maar kijken waar het binnen het bestaande onderhoudsproces waarde kan toevoegen.
Assetregisters en technische informatie
Technische tekeningen, handleidingen, datasheets en bestaande spreadsheets bevatten vaak de informatie die nodig is om een assetregister op te bouwen. Het verzamelen en structureren van deze informatie kost veel tijd, vooral bij grote investeringsprojecten of wanneer installaties regelmatig worden aangepast. AI kan hierbij ondersteunen door:
- Informatie uit technische documenten te halen, zoals handleidingen en P&ID’s
- Een eerste opzet voor de assethiërarchie te maken
- Standaard gegevensvelden in te vullen
- Brondocumenten te vergelijken met bestaande assetgegevens
- Ontbrekende of afwijkende informatie te signaleren
Voorbeelden van toepassingen op dit gebied zijn 3D-scanning en het verwerken van wijzigingen in P&ID’s, waarbij hardware wordt gecombineerd met AI-modellen.
AI heeft echter wel een duidelijke structuur nodig. De organisatie moet vooraf bepalen hoe de assethiërarchie is opgebouwd, welke standaard voor functionele locaties wordt gehanteerd, welke naamgevingsconventies en klassen worden gebruikt en welke gegevens minimaal vereist zijn. Zonder deze standaarden kan AI er juist voor zorgen dat inconsistente gegevens sneller worden aangemaakt.
De resultaten van AI moeten daarom worden beschouwd als een eerste concept of een overzicht van afwijkingen. Een verantwoordelijke medewerker moet de gegevens vervolgens controleren en goedkeuren voordat ze als definitieve basis voor het assetregister worden gebruikt.
Onderhoudsstrategieën en -plannen
Het ontwikkelen van onderhoudsstrategieën voor grote aantallen assettypen en assets kost veel tijd. Organisaties kiezen daarom vaak voor een pragmatische aanpak: een FMECA wordt alleen uitgevoerd voor kritieke assets, terwijl voor minder kritieke assets de handleidingen als uitgangspunt worden genomen. AI kan helpen om grote hoeveelheden informatie over assets te analyseren en onderhoudsinformatie voor te bereiden. Mogelijke toepassingen zijn:
- Aanbevelingen/adviezen uit handleidingen halen
- Een eerste opzet voor onderhoudstaken maken
- Onderhoudsplannen voor vergelijkbare assets met elkaar vergelijken
- Dubbele of ontbrekende informatie signaleren
- Een eerste opzet voor stuklijsten van reserveonderdelen maken
- Bestaande onderhoudsplannen toetsen aan vastgestelde standaarden
De kwaliteit van het resultaat hangt af van de kwaliteit van de gebruikte bronnen. Een aanbeveling van een fabrikant, of zelfs informatie van openbare bronnen op internet, hoeft niet aan te sluiten bij de specifieke bedrijfsomstandigheden. Een bestaand onderhoudsplan kan onnodige werkzaamheden bevatten. En een verouderde bibliotheek met onderhoudstactieken kan keuzes bevatten die technisch nooit goed zijn onderbouwd. De kritikaliteit van assets, de bedrijfsomstandigheden, faalwijzen en goedgekeurde onderhoudssjablonen blijven daarom belangrijke uitgangspunten.
Er wordt veel gesproken over predictive maintenance door middel van AI en machine learning. Maar zonder goede processen voor werkvoorbereiding en -beheersing levert predictive maintenance weinig op: het genereert signalen, maar er wordt niet naar gehandeld. Wanneer de P-F-interval kort is, heeft men onvoldoende tijd om te reageren. De triggers van AI dragen dan niet bij aan een hogere beschikbaarheid van assets.
AI kan een voorstel voorbereiden. Vervolgens is vakinhoudelijke expertise nodig om te beoordelen of de voorgestelde onderhoudstaak passend is, welk interval moet worden gehanteerd en welk risiconiveau voor de organisatie acceptabel is.
Werkvoorbereiding en planning
Bij de werkvoorbereiding en planning van onderhoud worden voortdurend gegevens gecontroleerd en prioriteiten gesteld. AI kan hierbij ondersteunen door:
- Werkaanvragen te classificeren
- Dubbele werkaanvragen te signaleren
- Te controleren of werkzaamheden klaar zijn om te worden ingepland
- Ontbrekende informatie over personeel, materialen of technische zaken te signaleren
- Ondersteunen bij het prioriteren van de werkvoorraad;
- Knelpunten in de planning inzichtelijk te maken;
- Verschillende planningsscenario’s voor te bereiden door werkzaamheden automatisch toe te wijzen.
Om dit goed te laten werken, moeten de gegevens waarop de werkvoorbereiding en planning zijn gebaseerd betrouwbaar en consequent worden vastgelegd. Statussen moeten eenduidig worden gebruikt en er moet onderscheid worden gemaakt tussen gepland en ongepland werk. Ook de geplande duur van werkzaamheden moet realistisch zijn en informatie over beschikbare capaciteit en materialen moet aansluiten bij de praktijk.
Een betere aanbeveling zorgt niet automatisch voor meer capaciteit. Ook neemt AI de afweging tussen productie, onderhoud, veiligheid, kosten en beschikbare capaciteit niet weg. AI kan de werkvoorbereider en planner ondersteunen, maar neemt hun rol binnen de onderhoudsorganisatie niet over. Uiteindelijk moet iemand de afweging maken en verantwoordelijkheid nemen voor de beslissing. Organisaties moeten daarom vooraf duidelijke kaders en grenzen vaststellen voor acties die automatisch mogen worden uitgevoerd.
Uitvoering en terugkoppeling
Een goede terugkoppeling na de uitvoering van onderhoud is essentieel. De vastgelegde informatie vormt immers de basis voor analyses en toekomstige beslissingen. Daarom is het belangrijk om het voor monteurs zo eenvoudig mogelijk te maken om relevante informatie over uitgevoerde werkzaamheden vast te leggen. AI kan hierbij ondersteunen door:
- Notities om te zetten in gestructureerde informatie
- Ontbrekende informatie in terugmeldingen op werkorders te signaleren
- Mogelijke fouten in de classificatie van storingen te signaleren
- Gesproken of vrij ingevoerde tekst om te zetten in een eerste gestructureerde registratie
- Terugkerende bevindingen te herkennen
- Mogelijke storingspatronen samen te vatten voor technische beoordeling.
Deze toepassingen werken alleen goed als er duidelijke storingscodes en minimale eisen voor het afsluiten van werkorders zijn, monteurs over tools beschikken en voldoende tijd krijgen om hun bevindingen vast te leggen. Men moet bovendien merken dat er daadwerkelijk iets met hun informatie gebeurt. Als uitgebreide terugmeldingen in het CMMS verdwijnen zonder dat daar zichtbaar actie op wordt ondernomen, zal de kwaliteit van de vastgelegde gegevens afnemen.
Als in de historie van een werkorder niet meer staat dan ‘opgelost’, is er weinig informatie beschikbaar om te achterhalen waarom een asset is uitgevallen, of het onderhoudsconcept effectief was en of dezelfde storing vaker voorkomt. Juist hier is de menselijke factor vaak de zwakste schakel in de informatieketen. Kennis die alleen in het hoofd van de monteur zit, is immers niet beschikbaar voor AI.
De kwaliteit van de AI-inzichten van morgen wordt bepaald door de informatie die we vandaag bij werkorders vastleggen.
Meten, leren en verbeteren
Het analyseren van terugkoppeling is een van de belangrijkste, maar tegelijkertijd vaak onderbelichte stappen in de informatieketen rond maintenance. AI kan helpen om de onderhoudsprestaties te analyseren door:
- Prestatie-indicatoren te monitoren
- Trends en afwijkingen te signaleren
- Inzicht te geven in de status van de werkvoorraad
- Terugkerende storingen en patronen te herkennen
- Informatie voor onderhoudsevaluaties voor te bereiden
- Verbeteracties te volgen
- Prestaties van assets of verschillende perioden met elkaar te vergelijken
De uitdaging zit niet alleen in het verkrijgen van inzichten. Het gaat er vooral om dat de organisatie in staat is om deze inzichten om te zetten in actie. Een beperkt aantal eenduidig gedefinieerde prestatie-indicatoren is vaak waardevoller dan een uitgebreid dashboard. Daarnaast zijn duidelijke grenswaarden nodig, vaste momenten om de resultaten te beoordelen en verantwoordelijken om verbeteringen daadwerkelijk door te voeren.
Anders kan AI wel meer inzichten opleveren, zonder dat het vermogen van de organisatie om daadwerkelijk te verbeteren toeneemt.
Een inzicht wordt pas waardevol als het leidt tot een andere beslissing én het resultaat daarvan wordt gemeten.
Begin met een onderhoudsbeslissing, niet met een AI-model
Een praktische toepassing van AI begint bij voorkeur met een concrete beslissing binnen het onderhoudsproces. Denk bijvoorbeeld aan:
- Het herkennen van terugkerende storingen
- Controleren of een werkorder gereed is voor uitvoering
- Beoordelen of een onderhoudsinterval moet worden aangepast
- Ontbrekende assetinformatie aanvullen
- De kwaliteit van terugmeldingen op werkorders verbeteren
- Afwijkingen of inconsistenties in onderhoudsplannen signaleren
Vervolgens kan de organisatie zichzelf een aantal vragen stellen:
- Welke informatie is nodig om deze beslissing goed te kunnen nemen?
- Waar is deze informatie momenteel opgeslagen?
- Is de informatie betrouwbaar en voldoende gestructureerd?
- Wie is verantwoordelijk voor de beoordeling en de uiteindelijke beslissing?
- Welke actie kan hieruit voortvloeien?
- Hoe wordt het effect daarvan gemeten?
Vervolgens kan AI worden ingezet op die punten waar het tijd en inspanning kan besparen bij het verzamelen, structureren, voorbereiden, vergelijken of samenvatten van de benodigde informatie. Zo ontstaat een duidelijk afgebakende AI-toepassing, met een concrete beslissing als uitgangspunt, een verantwoordelijke en een meetbaar resultaat.
Van meer AI naar betere onderhoudsbeslissingen
De organisaties die daadwerkelijk waarde halen uit AI, zijn niet per se de organisaties met de meeste algoritmes, dataplatforms of experimenten. Het zijn de organisaties die technologie, data, processen en mensen met elkaar verbinden om betere onderhoudsbeslissingen te nemen.
Het CMMS blijft daarin een centrale rol spelen, omdat het zowel de operationele context als de onderhoudshistorie vastlegt. AI kan helpen om deze informatie te interpreteren, patronen te herkennen en aanbevelingen voor te bereiden. Onderhoudsprocessen zorgen ervoor dat deze aanbevelingen worden vertaald naar weloverwogen en gecontroleerde beslissingen. Mensen brengen de technische kennis en expertise in en blijven verantwoordelijk voor de uiteindelijke beslissing. Vervolgens wordt in het CMMS vastgelegd of de uitgevoerde actie het gewenste resultaat heeft opgeleverd.
Zo ontstaat een continue verbetercyclus voor onderhoud.
AI kan die cyclus versnellen. Het kan handmatig werk verminderen, informatie beter toegankelijk maken en helpen patronen te herkennen die anders misschien onopgemerkt blijven. Maar AI kan die verbetercyclus niet zelfstandig rondmaken.
Vijf vragen om binnen je organisatie te stellen
Wil je AI zinvol inzetten binnen maintenance? Begin dan niet bij de technologie, maar bij de beslissingen die je wilt verbeteren. Deze vijf vragen helpen om te bepalen waar AI daadwerkelijk waarde kan toevoegen.
- Welke onderhoudsbeslissing willen we met AI verbeteren?
- Welke informatie heeft AI nodig om deze beslissing te ondersteunen?
- Is deze informatie betrouwbaar en voldoende gestructureerd?
- Wie is bevoegd om op basis van de verkregen inzichten actie te ondernemen?
- Hoe bepalen we of die actie daadwerkelijk heeft geleid tot betere prestaties van de assets?
Benieuwd hoe je AI praktisch kunt inzetten om je onderhoudsprocessen en besluitvorming te verbeteren? Neem contact met ons op. We denken graag met je mee.