AI-gestuurd voorspellend onderhoud voor productiepompen

40%
lagere onderhoudskosten
90%
voorspelnauwkeurigheid
65%
minder ongeplande stilstand
AI-gestuurd voorspellend onderhoud voor productiepompen | Crunch-IS Case Study
We leverden een AI-gestuurde oplossing voor voorspellend onderhoud aan een productiebedrijf met zeldzame, kostbare pompinstallaties. Onze aanpak hielp de klant onverwachte storingen sterk terug te dringen, verlies van productiebatches te voorkomen en een betrouwbaardere, datagedreven onderhoudsstrategie op te bouwen.
Branche:

Olie en gas, productie

Locatie:

Europa

Teamgrootte:

3

Technologies
Python
Scikit-learn
AWS
01

Over de klant

De klant is een middelgrote industriële fabrikant die bekendstaat om producten met hoge precisie, waarvoor betrouwbare, ononderbroken productie nodig is. Die productie hangt af van zeldzame, kostbare pompinstallaties die een sleutelrol spelen in de productkwaliteit en een constante output.

AI-gestuurd voorspellend onderhoud voor productiepompen | Crunch-IS Case Study
02

Uitdaging

Het bestaande onderhoudsproces kende drie kritieke problemen:

1. Onvolledige onderhoudshistorie

De pompen waren wel uitgerust met sensoren voor temperatuur, spanning, druk en draaiuren, maar het bedrijf had geen gestructureerde gegevens over eerdere storingen, reparaties en oorzaken. Daardoor waren de gebruikelijke methoden voor voorspellend onderhoud lastig toe te passen.

2. Hoge systeemcomplexiteit

De pompen bestonden uit meerdere onderling afhankelijke subsystemen — lagers, motoronderdelen, isolatiesystemen. Een storing in een subsysteem kon de hele pomp stilleggen en productieverlies veroorzaken.

3. Kostbare, bedrijfskritische apparatuur

Deze pompen zijn zeer duur om te repareren en lastig te vervangen vanwege de lange levertijden. Zelfs één storing tijdens de productie kan ertoe leiden dat een hele batch bij de kwaliteitscontrole wordt afgekeurd, met grote financiële schade en vertraging tot gevolg.

De klant had een oplossing nodig die de bestaande IoT-sensordata kon benutten, betrouwbaar werkte ondanks beperkte onderhoudslogs, en met hoge zekerheid voorspellingen deed vóór de geplande onderhoudsmomenten.

03

Scope van het project

Ons team ontwikkelde een AI-raamwerk voor voorspellend onderhoud op basis van de beschikbare sensordata, geavanceerde statistiek en iteratieve verfijning van het ML-model. De scope omvatte vier hoofdonderdelen:

Structureren en koppelen van sensordata

We verzamelden en normaliseerden tijdreeksen van meerdere pompsensoren:

  • temperatuur
  • druk
  • spanning
  • draaiuren
  • telemetrie per subsysteem

Het team schoonde, synchroniseerde en verrijkte de dataset om ontbrekende onderhoudsgegevens en inconsistente invoer te compenseren. Er kwamen afgeleide kenmerken bij die slijtagepatronen, degradatiesnelheden en afwijkingen per subsysteem weergeven.

Verkennende data-analyse en feature engineering

We analyseerden de sensorwaarden om te begrijpen hoe de pompen zich in de tijd gedroegen en welke vroege signalen aan storingen voorafgingen. Het team bracht de belangrijkste patronen in kaart en verhielp inconsistenties.

Daarmee konden we ruwe IoT-logs omzetten in een gestructureerde dataset waarmee voorspellende modellen te bouwen zijn, ondanks onvolledige historische labels.

Ontwikkeling van het voorspellende model

We testten meerdere AI-benaderingen om te vinden welke pompstoringen betrouwbaar kon voorspellen op basis van sensordata. Na vergelijking van verschillende modellen kozen we de methode met de nauwkeurigste en stabielste resultaten.

Parallelle validatielus van mens en AI

Om het model in de praktijk te toetsen, draaiden we een parallel beslissysteem:

  1. Het algoritme deed voorspellingen.
  2. Operators voerden hun routinecontroles uit en noteerden afwijkingen.
  3. De voorspellingen werden vergeleken met de waarnemingen.
  4. Onderdelen die de AI als risicovol aanmerkte, werden gemarkeerd voor vervanging.

Na enkele onderhoudscycli verving het bedrijf een paar onderdelen puur op advies van het algoritme. Bij demontage bleek dat die onderdelen inderdaad bijna aan het einde van hun leven waren — wat de nauwkeurigheid en betrouwbaarheid van het model bevestigde.

Image Case Study | Crunch-IS
04

Resultaten voor de klant

De oplossing voor voorspellend onderhoud leverde forse operationele en financiële verbeteringen op:

  • 90% voorspelnauwkeurigheid, waardoor onderhoudsbeslissingen met vertrouwen en op data zijn te nemen.
  • 65% minder ongeplande stilstand, wat productieverlies en verstoringen voorkomt.
  • 40% lagere onderhoudskosten door onderdelen op tijd te vervangen.
  • Hogere productiebetrouwbaarheid, met minder afkeur bij de kwaliteitscontrole en stabielere processen.
  • Een steviger fundament voor verdere automatisering, dankzij schonere, beter gestructureerde sensordata.

Vertel ons wat u bouwt

Stuur een opzet, een specificatie of drie zinnen over waar het systeem is vastgelopen. Eén gesprek is meestal genoeg om te weten of we bij elkaar passen.

Maatwerksoftware, AI & ML, data en analytics, cloud en security — van de eerste afbakening tot langdurige levering.

  • 170+ experts
  • 120+ opgeleverde projecten
  • 97% volledig tevreden

    Ik heb de Gebruiksvoorwaarden en het Privacybeleid gelezen en geaccepteerd *

    Uw privacy is belangrijk. We gebruiken cookies om uw ervaring te verbeteren en content te personaliseren.