- Bedrijven voor voorspellend onderhoud vallen in drie groepen die verschillend worden beprijsd en ingekocht: full-stack platformen voor machinegezondheid, enterprisesuites voor assetbeheer, en engineeringbedrijven die een systeem bouwen op de data die u al hebt.
- De juiste keuze hangt minder af van modelnauwkeurigheid dan van waar uw data nu staat. Stromen sensor-, historian- en onderhoudshistorie al, dan koopt u analyse. Zo niet, dan koopt u eerst data-engineering.
- Gepubliceerde leveranciersresultaten liggen rond 30–65% minder ongeplande stilstand. Behandel die als richtinggevend: elk is gebonden aan de operatie waarop het is gemeten.
- De faalwijze waarop u moet plannen is niet een gemiste storing maar een waarschuwing die niemand vertrouwt. Vraag elke leverancier hoe valse alarmen worden gemeten en wie ze na de livegang bijstelt.
Wat bedrijven voor voorspellend onderhoud werkelijk doen
Vraag tien bedrijven voor voorspellend onderhoud wat ze verkopen en u krijgt drie werkelijk verschillende antwoorden, en daarom zijn shortlists in deze categorie zo lastig te vergelijken.
De eerste groep verkoopt een gesloten lus: hun sensoren, hun cloud, hun diagnostiek, hun waarschuwingen. U bevestigt hardware aan een pomp en er verschijnen gezondheidsscores in een portaal. De tweede groep verkoopt een suite voor enterprise asset management waarin voorspelling één module is naast werkorders, voorraad en compliance. De derde verkoopt engineering — een team dat uw bestaande historian, SCADA en onderhoudsregistraties koppelt, modellen bouwt tegen uw faalwijzen en u een systeem overhandigt dat u zelf bezit.
Geen daarvan is in abstracte zin beter. Ze falen op verschillende punten. Een sensor-eerst-platform worstelt wanneer de assets die ertoe doen al bemeten zijn en het probleem is dat niemand de data vertrouwt. Een suite worstelt wanneer u de suite nog niet draait. Een maatwerkbouw worstelt wanneer u volgende maand iets werkend wilt hebben en er geen datateam is om het aan over te dragen.
De nuttige vraag is dus niet “wie is het beste bedrijf voor voorspellend onderhoud” maar “welke van die drie problemen heb ik eigenlijk?”
Hoe we deze bedrijven hebben geselecteerd
Negen bedrijven, op drie criteria.
Voorspellend onderhoud is een benoemde bedrijfstak, geen functie. Heel wat onderhoudssoftware maakt een werkorder aan wanneer een meetwaarde een drempel overschrijdt, en dat wordt als voorspelling in de markt gezet. Dat is niet hetzelfde als een product dat is gebouwd om degradatie te detecteren vóórdat een drempel wordt overschreden. Elk bedrijf hier verkoopt die capaciteit onder een eigen naam.
Ze bedienen assetintensieve sectoren. Olie en gas, productie, chemie, mijnbouw, energie — operaties waar een ongeplande stop meer kost dan de reparatie, en waar de apparatuur zwaar en roterend is en duur om open te maken. Leveranciers gericht op wagenparken, gebouwinstallaties of IT-omgevingen lossen een werkelijk ander probleem op en worden hier niet vergeleken.
Ze vermelden genoeg om vergeleken te kunnen worden. Een leverancier die niet ronduit zegt wat hij verkoopt, in welke sectoren hij werkt of wat zijn klanten kregen, kan niet op een shortlist, hoe goed zijn reputatie ook is — een koper kan niet vergelijken wat een leverancier niet op schrift wil vastleggen. Eén bedrijf dat hier anders zou staan ontbreekt omdat we bij de eigen bron geen enkele claim konden lezen.
Waar deze rangschikking niet op is gebaseerd: opleverkwaliteit die we niet kunnen waarnemen, prijzen die we niet kunnen zien, of klanttevredenheid die we niet hebben gemeten. Lees de vermeldingen, controleer de claims, en maak uw shortlist op geschiktheid.
De negen bedrijven voor voorspellend onderhoud
1. Crunch-IS
Crunch-IS bouwt systemen voor voorspellend onderhoud op industriële data die er al is — sensorstromen, historians, SCADA-tags en onderhoudshistorie — in plaats van een sensorpakket of platformlicentie te verkopen. Het werk is eerst data-engineering en dan pas modelleren, wat aansluit bij de manier waarop de meeste operaties met zware assets werkelijk geen waarde halen: niet omdat de algoritmen zwak zijn, maar omdat de data die ze voedt versnipperd is over systemen die niemand op elkaar heeft afgestemd.
Dat is end-to-end geleverd. Bij een AI-gedreven programma voor voorspellend onderhoud van productiepompen in olie-, gas- en productieoperaties in Europa bereikte het systeem 90% voorspelnauwkeurigheid, verlaagde het de onderhoudskosten met 40% en verminderde het ongeplande stilstand met 65%. Die cijfers horen bij dat project en die assetklasse; het is geen algemene belofte.
Een tweede opdracht toont het andere gangbare vertrekpunt. Voor een olie- en gasexploitant die al Azure digital twinsdraaide, voegde het team een laag voor voorspellend onderhoud toe boven op de bestaande twins voor kritieke roterende apparatuur, waarbij sensor-, operationele en onderhoudshistoriedata werden samengebracht in verklaarbare gezondheidsscores, degradatiesignalen en faalrisico-indicatoren — een MVP gebouwd om uitgebreid te worden, geen afgerond product. Waar het datafundament er nog niet is, is dat de klus zelf: een apart programma bouwde industriële datainfrastructuur voor digital-twin-gereedheid voordat er ook maar iets werd voorspeld.
De relevante capaciteiten liggen bij AI- en ML-ontwikkeling, data-engineering, MLOps en IoT-ontwikkeling, met de levering geconcentreerd in olie en gas en productie.
Crunch-IS, opgericht in 2018, heeft 170+ experts op 5+ locaties, 120+ opgeleverde projecten en 40+ actieve klanten, en meldt dat 97% van de klanten volledig tevreden is.
Het best voor: exploitanten wier sensor- en onderhoudsdata er al is maar verspreid ligt, en die het resulterende systeem willen bezitten in plaats van huren.
2. Augury
Augury verkoopt machinegezondheid als beheerde dienst en is het meest complete voorbeeld van het gesloten-lusmodel in deze lijst. De eigen industriële IoT-sensoren leggen trillings-, temperatuur- en magnetische data vast; het Machine Health-platform maakt daar prescriptieve diagnostiek van; een apart Process Health-product, waarvan het bedrijf opmerkt dat het “voorheen bekendstond als Seebo”, dekt daarnaast procesoptimalisatie.
De gepubliceerde schaal is aanzienlijk: “200+ assettypen” gedekt, “300k+ gemonitorde machines” en “1,1 mld.+ uren machinemonitoring.” Over resultaten publiceert Augury “75% minder valse alarmen dan drempelsystemen”, “~30 dagen tot de eerste machineverbetering” en, onder verwijzing naar een Forrester-onderzoek, “< 6 maanden terugverdientijd” en “310% ROI.” Het ondersteunt “40+ landen” en “10+ talen.”
Genoemde sectoren zijn onder meer olie en gas, metalen en mijnbouw, chemie, farmacie, voeding en dranken, en bouwmaterialen.
Het best voor: grote fabrikanten met meerdere locaties die de hele stack beheerd willen zien en geen bezwaar hebben tegen eigen sensoren van de leverancier.
3. Siemens — Senseye Predictive Maintenance
Senseye Predictive Maintenance is het antwoord van Siemens voor fabrikanten die al data hebben en de fabriek niet opnieuw willen bemeten om die te gebruiken. Het bedrijf omschrijft het als een combinatie van “industriële AI, domeinkennis en schaalbare technologie” zodat teams “de gezondheid van assets kunnen begrijpen, faalrisico kunnen voorzien en kunnen bepalen waar ze het eerst moeten ingrijpen”.
Het nuttigste detail voor een brownfield-exploitant zijn de omringende Industrial Connectivity Services, waarvan Siemens zegt dat ze “nieuwe en oude fabrieken en machines kunnen verbinden” — de erkenning dat een echte fabriek een mix van generaties is en geen greenfield.
Siemens noemt BlueScope Steel in Australië en Sachsenmilch in Duitsland als klanten, en verwijst naar automotive werk. Goed om te weten vóór uw shortlist: Siemens publiceert geen harde prestatiecijfers voor Senseye — resultaten worden kwalitatief beschreven. Vraag rechtstreeks om de cijfers.
Het best voor: enterprisefabrikanten met bestaande historian-data en een assetbestand van gemengde leeftijd, vooral wie al binnen het Siemens-automatiseringsecosysteem zit.
4. IBM — Maximo Application Suite
IBM benadert voorspellend onderhoud vanuit de kant van assetbeheer in plaats van de sensorkant. Maximo Application Suite wordt omschreven als “een geïntegreerde oplossing voor asset- en facilitair beheer die onderhoud, inspecties en betrouwbaarheid op één plek samenbrengt”, met enterprise asset management, asset performance management en asset investment planning als componenten — voorspelling is een capaciteit binnen de suite, niet het product.
Olie en gas wordt expliciet genoemd, met “upstream-, midstream- en downstreamoperaties”, naast productie, energie en nutsvoorzieningen, transport en overheid.
Twee praktische opmerkingen. Licenties lopen via een creditsysteem: IBM zegt dat de suite “wordt aangeschaft via een vereenvoudigd licentie- en gebruiksmodel op basis van een creditsysteem genaamd AppPoints”, beschikbaar in eigen beheer of als SaaS. En de gepubliceerde klantresultaten zijn vooral operationeel in plaats van onderhoudsspecifiek — Transport for London wordt bijvoorbeeld aangehaald met “21 miljoen GBP aan verwachte besparingen voor de London Underground over een periode van 10 jaar”.
Het best voor: assetintensieve ondernemingen die onderhoud, compliance en investeringsplanning in één systeem willen — vooral bestaande Maximo-locaties.
5. C3 AI — C3 AI Reliability
C3 AI Reliability wordt gepositioneerd als enterprise-AI toegepast op betrouwbaarheid: het bedrijf omschrijft het als “het samenbrengen van sensordata, onderhoudsregistraties en onderdelenvoorraad om apparatuurstoringen te voorspellen en proactieve monitoring op schaal mogelijk te maken”.
Het publiceert de meest specifieke resultatenset in deze lijst: “50% minder stilstand”, “5% verbetering van de overall equipment effectiveness (OEE)”, “99% minder ruis in waarschuwingen” en “6 maanden om uit te rollen en op te schalen over locaties.” Genoemde implementaties zijn onder meer Shell met “10.000+ wereldwijd gemonitorde assets”, Holcim “Opgeschaald over 80 fabrieken en 400 assets”, en Dow met “45 mln. USD aan jaarlijks economisch voordeel.”
Genoemde sectoren zijn onder meer olie en gas, productie, nutsvoorzieningen, maritiem, en defensie en inlichtingen.
Het best voor: grote ondernemingen met een breder industrieel AI-programma, waar betrouwbaarheid één toepassing van meerdere is.
6. AspenTech
AspenTech benadert onderhoud vanuit de procesengineering, en daarom keert het terug in raffinage, chemie en energie. De eigen pagina’s plaatsen voorspellend onderhoud binnen een breder portfolio voor Asset Performance Management en productieoptimalisatie in plaats van als losstaande tool.
Eén feit om mee te nemen naar elke shortlist: De eigen site van AspenTech omschrijft het bedrijf nu als “Aspen Technology—nu onderdeel van Emerson”. Overzichten van vóór die transactie presenteren het nog als zelfstandig.
De uitleg van het bedrijf over de categorie is ongewoon helder over methode en noemt trillingsanalyse, infraroodanalyse en akoestische analyse als de hoofdtypen. AspenTech noemt productie, transport, nutsvoorzieningen en energieopwekking.
Het best voor: raffinage-, chemie- en energieoperaties waar onderhoudsbeslissingen niet los te zien zijn van de procesomstandigheden.
7. Cognite
Het argument van Cognite is dat het modelleren doorgaans niet het knelpunt is — de data wel. Cognite Data Fusion® is een industrieel dataplatform om operationele data te contextualiseren over historians, SCADA, onderhoudssystemen en engineeringdocumenten heen, met voorspellende analyse gebouwd bóóvend dat fundament in plaats van ernaast.
Voor downstream energie zegt het bedrijf dat het platform exploitanten helpt “de productie-efficiëntie van de fabriek te optimaliseren, onderhouds- en veldworkflows te stroomlijnen en te digitaliseren, en de levensduur en betrouwbaarheid van assets te verbeteren”. Cognite publiceert “5% minder productieverlies”, “15% hogere productiviteit” en “1% meer overlayproductie”, met OMV aangehaald met “50% minder tijd voor inspectieplanning en 6% besparing door uitstel op productie.”
Het best voor: digitaal volwassen exploitanten met grote, versnipperde operationele datasets — het geval waarin datacontextualisatie het eigenlijke project is.
8. Tractian
Tractian koppelt eigen draadloze hardware voor conditiebewaking aan een eigen CMMS, en dat is de combinatie die middelgrote fabrieken het vaakst willen: sensoren die snel te installeren zijn en een werkordersysteem dat het onderhoudsteam al begrijpt, zonder twee leveranciers te hoeven integreren.
Het bedrijf stelt dat het “Vertrouwd door 1.500 Amerikaanse en wereldwijde fabrikanten”, publiceert een “4.7” klantbeoordeling, en noemt een Inc. 5000-notering van “#269.” Genoemde klanten zijn onder meer McKesson, Air Liquide, Whirlpool, Verizon, Cummins en Kubota. Vermelde sectoren zijn onder meer productie, olie en gas, chemie, mijnbouw, metalen, voeding en dranken, en wagenparken.
Het best voor: midmarketfabrieken die sensoren en onderhoudsuitvoering snel van één leverancier willen.
9. Nanoprecise
Nanoprecise koppelt de mechanische conditie aan het energieverbruik, wat het Energy-Centered Predictive Maintenance noemt — een echt onderscheid waar duurzaamheidsrapportage en beschikbaarheid samen worden gevraagd. De hardwarelijn omvat de draadloze edgesensor MachineDoctor naast RotationLF, TransformerLF en NrgMonitor.
De percentages die Nanoprecise publiceert — over storingen, stilstand en onderhoudskosten — zijn geformuleerd als algemene categoriegemiddelden en niet als resultaten van benoemde implementaties, dus ze beschrijven wat voorspellend onderhoud doorgaans bereikt en niet wat deze leverancier heeft geleverd. Vraag om cijfers van een installatie die op de uwe lijkt.
Genoemde sectoren zijn onder meer olie en gas, mijnbouw, cement, metalen, pulp en papier, farmacie en nutsvoorzieningen.
Het best voor: programma’s voor roterende apparatuur waar energie-efficiëntie deel uitmaakt van de business case.
Leveranciers van voorspellend onderhoud vergeleken
Hoe kiest u een partner voor voorspellend onderhoud
- Begin bij de data, niet bij het model. Vraag wat ze van u nodig hebben voordat er iets voorspelt. Een leverancier die niet naar uw historian vraagt, verkoopt u zijn sensoren.
- Vraag hoe vaak het ernaast zal zitten. Elk van deze systemen geeft waarschuwingen die niets blijken te zijn. Te veel, en uw team opent ze niet meer — en zo sterven deze programma’s stilletjes. Vraag wie verantwoordelijk is om dat aantal omlaag te brengen zodra u live bent.
- Vraag om een resultaat in uw assetklasse. Een cijfer van een voedings- en drankenlijn zegt u weinig over een gascompressor.
- Bepaal wie het model bezit. Bij een platform is dat de leverancier. Bij een eigen bouw bent u dat zelf. Dat is een strategische keuze, geen inkoopdetail.
- Baken een pilot af die goedkoop mag mislukken. Vijf kritieke assets, een afgebakend venster en een vooraf afgesproken definitie van succes.
Zoekt u nog uit of voorspellend onderhoud überhaupt bij uw operatie past? De begeleidende gids over voorspellend onderhoud voor industriële operaties behandelt hoe het werkt, wat het nodig heeft en waar het misgaat.
