Predictief onderhoud voor gebouwinstallaties
Predictief onderhoud verschuift het moment van ingrijpen van een vast schema (preventief) of na een storing (correctief) naar het optimale moment: net voordat een component faalt. In een slim gebouw met voldoende sensoren wordt dit mogelijk. De potentiële besparing op onderhoudskosten en de vermindering van ongeplande storingen maken het aantrekkelijk voor FM-professionals.
Nederlandse context
In Nederland experimenteren vastgoedbeheerders en installateurs met predictief onderhoud voor liften (Kone, Otis), koelinstallaties (Carrier, Daikin) en verlichtingssystemen (Signify). TNO en TU Eindhoven doen onderzoek naar toepassingen in de gebouwde omgeving. De NEN-EN 13306 biedt het terminologiekader voor onderhoudsstrategieën.
Kernbegrippen
- Predictief onderhoud
- Onderhoudsstrategie die op basis van conditiedata en analyse voorspelt wanneer een component faalt, zodat vervanging plaatsvindt op het optimale moment.
- Machine learning model
- Algoritme dat patronen herkent in historische sensordata en leert om toekomstig gedrag te voorspellen. Basis voor geavanceerde voorspellingen.
- Remaining Useful Life (RUL)
- De voorspelde resterende levensduur van een component. Het doel van predictief onderhoud is RUL nauwkeurig in te schatten.
- Degradatiecurve
- Het verloop van een prestatieparameter over tijd. Laat zien hoe een component langzaam verslechtert richting het faalmoment.
- False positive
- Een voorspelling die onterecht een storing aankondigt. Te veel false positives ondermijnen het vertrouwen in het systeem en leiden tot alarm-moeheid.
Hoe het werkt
Predictief onderhoud voor gebouwinstallaties begint bij het verzamelen van relevante sensordata. Voor een HVAC-compressor: temperatuur, stroomopname, trillingen en bedrijfsuren. Voor een lift: deursluitsnelheid, motorstroom, ritfrequentie en foutenlog. Voor verlichting: branduren, dimwaarde en energieverbruik per armatuur.
De data wordt geanalyseerd op degradatiepatronen. In de eenvoudigste vorm is dat een drempelwaarde: als de trillingsamplitude van een ventilatorlager boven X komt, genereer een werkorder. In de geavanceerde vorm traint een machine learning model op historische data om patronen te herkennen die weken voor een storing zichtbaar zijn.
De praktische uitdaging is niet de technologie maar de implementatie. Je hebt voldoende historische data nodig (minimaal 1-2 jaar), de juiste sensoren op de juiste plekken en een team dat de voorspellingen vertrouwt en ernaar handelt. Begin met de duurste en meest kritieke installaties (koelcompressoren, liften) en bouw uit naarmate het model nauwkeuriger wordt. Predictief onderhoud vervangt niet alle preventieve schema's — het vult ze aan waar de data voldoende betrouwbare voorspellingen oplevert.
Verwante onderwerpen
Volg het laatste nieuws over dit onderwerp via Slimme gebouwen op FM Radar →