10 KPI's voor voorspellend onderhoud die elke assetmanager moet volgen
KPI’s voor voorspellend onderhoud helpen assetmanagers storingen voorkomen, kosten verlagen en betrouwbaarheid verhogen. Ze combineren historische prestaties met vooruitkijkende inzichten, zodat teams beter bepalen wanneer en hoe assets onderhouden moeten worden. Met tools zoals Oxand Simeo™ kunnen organisaties onderhoudsplanningen optimaliseren, assetlevensduur verlengen en aansluiten op kaders zoals ISO 55001. Voor asset-investeringsplanning (AIP) zijn dit de tien KPI’s die u moet monitoren:
- Gemiddelde tijd tussen storingen (MTBF): meet betrouwbaarheid door te volgen hoe lang apparatuur gemiddeld draait vóór falen.
- Gemiddelde reparatietijd (MTTR): laat zien hoe snel assets na storing worden hersteld.
- Overall Equipment Effectiveness (OEE): beoordeelt efficiëntie via beschikbaarheid, prestaties en kwaliteit.
- Aandeel gepland onderhoud (PMP): toont de verhouding tussen gepland onderhoud en noodonderhoud.
- Naleving preventief onderhoud: volgt hoe vaak geplande preventieve taken op tijd worden uitgevoerd.
- Naleving onderhoudsplanning: meet of geplande taken binnen het afgesproken tijdvenster worden afgerond.
- Voorspelde tijd tot falen (PTTF): raamt wanneer een asset waarschijnlijk faalt op basis van actuele conditie.
- Werkorderbacklog: bewaakt open onderhoudstaken en capaciteitsdruk.
- Onderhoudskosten als percentage van vervangingswaarde (RAV): vergelijkt jaarlijkse onderhoudskosten met vervangingswaarde.
- Assetbenuttingsgraad: beoordeelt hoe effectief assets worden gebruikt ten opzichte van hun potentieel.
Waarom deze KPI’s ertoe doen: samen verlagen ze ongeplande downtime, kunnen onderhoudskosten tot 20% dalen en kan assetbetrouwbaarheid met meer dan 10% verbeteren. In combinatie met voorspellende tools worden KPI’s niet alleen rapportagecijfers, maar input voor risicogebaseerde besluiten over onderhoud, CAPEX, OPEX en duurzaamheid.
10 essentiële KPI’s voor voorspellend onderhoud voor assetmanagers
1. Gemiddelde tijd tussen storingen (MTBF)
Waarom deze KPI belangrijk is voor voorspellend onderhoud
MTBF meet hoe lang apparatuur gemiddeld functioneert voordat een storing optreedt. Het is een kernmetric voor betrouwbaarheid en vooruitplanning. Sectorbenchmarks liggen vaak tussen 500 en 2.000 uur, afhankelijk van het type asset [9].
Door MTBF te analyseren verschuift onderhoud van reactief naar proactief. In plaats van te wachten tot een asset faalt, gebruikt u faalhistorie om toekomstige problemen te voorspellen [7][8]. MTBF maakt onderhoud daarmee onderdeel van een geplande assetstrategie in plaats van een reeks losse interventies.
Impact op lifecycle costs
MTBF heeft directe invloed op kosten. Een HVAC-systeem met een MTBF van ongeveer 181 dagen, of 4.362 uur, vraagt minimaal twee preventieve onderhoudsmomenten per jaar om kleine problemen vroeg te detecteren [7]. De trend laat ook zien of teams oorzaken oplossen of vooral symptomen repareren.
Bij assets aan het einde van hun levensduur kan een dalende MTBF aangeven dat vervanging beter is dan doorgaan met repareren [10]. Zo ondersteunt MTBF zowel OPEX-besluiten als CAPEX-prioritering.
Hoe deze KPI werkt met voorspellende tools zoals Oxand Simeo™
Oxand Simeo™ tilt MTBF boven historische rapportage uit. Het combineert MTBF-data met meer dan 30.000 onderhoudsregels om prestaties van componenten door de tijd te voorspellen. Met probabilistische modellering verwerkt Simeo™ bestaande assetdata en bepaalt het optimale momenten voor onderhoud en budgetallocatie.
Zelfs bij onvolledige data kan het platform veroudering en degradatie simuleren. MTBF wordt zo een vooruitkijkende indicator die risicogebaseerde planning ondersteunt.
Hoe deze KPI helpt bij risicogebaseerde planningsbesluiten
MTBF is een solide basis voor ISO 55001-achtige besluitvorming. Dalende trends maken zichtbaar of de oorzaak ligt in onderhoudspraktijken, zware gebruiksomstandigheden of ontwerpfouten [10].
“Intuïtie kan een vermoeden of vonk geven die u op een bepaald spoor zet, maar met data verifieert, begrijpt en kwantificeert u.” - Harvard Business School [8]
Assets met lage MTBF vragen vaker onderhoud en hogere budgetten. Assets met hoge MTBF kunnen langere intervallen krijgen. Daardoor wordt elke onderhoudseuro gericht ingezet.
2. Gemiddelde reparatietijd (MTTR)
Waarom deze KPI belangrijk is voor voorspellend onderhoud
MTTR meet hoe lang het gemiddeld duurt om een gefaalde asset te herstellen [8][10]. Een lage MTTR betekent sneller herstel, minder downtime en minder productieverlies [8][14].
Binnen voorspellend onderhoud is MTTR meer dan een historische metric. Als typische reparatieduur bekend is, kunnen onderhoudstaken beter worden gepland rond productie of serviceverlening [7]. Samen met MTBF toont MTTR zowel hoe vaak storingen optreden als hoe efficiënt ze worden afgehandeld.
Impact op lifecycle costs
Ongeplande downtime kan ongeveer $25.000 per uur kosten [13]. MTTR verlagen heeft dus directe financiële impact. Reactief onderhoud veroorzaakt bovendien 3,3 keer meer downtime en 16 keer meer defecten dan proactieve aanpakken [9].
Lange reparatietijden wijzen vaak op vertraagde onderdelen, onvoldoende training of te complexe processen [9][14]. Ahlstrom verlaagde maandelijkse reparatie-uren met 90% na invoering van een mobile-first CMMS [9].
“Sinds de adoptie is onze gemiddelde reparatietijd gedaald van 580 naar 60 uur per maand.” - Engineering Manager, Ahlstrom [9]
Hoe deze KPI werkt met voorspellende tools zoals Oxand Simeo™
Moderne platforms automatiseren MTTR-tracking door de klok te starten zodra een issue wordt geregistreerd [16][8]. Oxand Simeo™ combineert MTTR met degradatie- en onderhoudsmodellen om patronen over de portefeuille te vinden.
Het platform helpt vaststellen of hoge MTTR komt door assetcomplexiteit, skill gaps of onderdelenbeschikbaarheid [11]. Als MTTR ondanks preventieve maatregelen blijft stijgen, kan Simeo™ ook helpen bepalen of vervanging financieel logischer is dan blijven repareren.
Hoe deze KPI helpt bij risicogebaseerde planningsbesluiten
MTTR laat zien welke assets herstelcapaciteit opslokken. In combinatie met MTBF en OEE ontstaat een beeld van onderhoudsprestatie en budgetbehoefte [3][17].
“MTTR is een krachtige metric voor het plannen en inroosteren van preventief onderhoud, omdat deze een inschatting geeft van de benodigde downtime voor reparaties.” - Sarah Laubach, contentspecialist, FMX [16]
De metric helpt investeringen richten op training, documentatie, spare parts of assetvervanging.
3. Overall Equipment Effectiveness (OEE)
Waarom deze KPI belangrijk is voor voorspellend onderhoud
OEE combineert beschikbaarheid, prestatie en kwaliteit om te meten hoe efficiënt apparatuur draait [6][15]. Beschikbaarheid gaat over uptime ten opzichte van geplande productietijd, prestatie over snelheid, en kwaliteit over het aandeel foutloze output.
Voor voorspellend onderhoud is OEE een vroegwaarschuwingssysteem. Een daling kan wijzen op beginnende problemen: minder uptime, lagere snelheid of meer defecten. World-class OEE ligt rond 85% of hoger, terwijl veel producenten tussen 55% en 60% zitten [13][15].
Impact op lifecycle costs
Lage OEE raakt direct de business. Ongeplande storingen kosten gemiddeld $25.000 per uur [13]. Noodreparaties zijn 3 tot 10 keer duurder dan gepland onderhoud; reactieve verliezen kunnen 5 tot 20 keer hoger liggen [20].
“OEE is de gouden standaard waarmee onderhoudsmanagers beoordelen hoe goed apparatuur presteert op basis van drie factoren: beschikbaarheid, prestaties en kwaliteit.” - Vector Solutions [20]
OEE ondersteunt repair-or-replace-besluiten. Als jaarlijkse onderhoudskosten boven 10% van vervangingswaarde komen, kan vervanging kosteneffectiever zijn [13]. Rimex verlaagde ongeplande downtime met 30% door assetperformance via CMMS te monitoren [10].
Hoe deze KPI werkt met voorspellende tools zoals Oxand Simeo™
Voorspellende onderhoudsplatforms combineren OEE met sensordata zoals temperatuur, trilling en druk. Dat kan downtime tot 30% verlagen, efficiëntie met 20% verbeteren en defectpercentages met 15% reduceren [19].
Oxand Simeo™ gebruikt OEE-trends naast meer dan 30.000 onderhoudsregels en 10.000+ eigen verouderingsmodellen. Wanneer OEE onder een drempel zakt, kan een root-causeanalyse worden getriggerd om te bepalen of het probleem uit onderhoud, assetconditie of operatie komt [10].
Hoe deze KPI helpt bij risicogebaseerde planningsbesluiten
OEE toont waar productieverlies ontstaat [15]. Lage beschikbaarheid vraagt andere interventies dan lage prestatie of kwaliteitsverlies. Daardoor kunnen onderhoudsbudgetten worden toegewezen aan de oorzaak met de grootste financiële impact.
4. Aandeel gepland onderhoud (PMP)
Waarom deze KPI belangrijk is voor voorspellend onderhoud
PMP meet hoeveel onderhoudstijd naar geplande taken gaat ten opzichte van noodwerk. De berekening is geplande onderhoudsuren gedeeld door totale onderhoudsuren × 100. Een PMP van 85% of hoger wijst op een proactieve aanpak; onder 50% overheersen noodsituaties [17][21].
“Sturende KPI’s leiden tot resultaten; achterlopende KPI’s zijn de resultaten. Als u onderhoud aanstuurt zonder nauwkeurige sturende en achterlopende KPI’s, bent u de weg kwijt.” - Ricky Smith, vaste expert, UpKeep [21]
Impact op lifecycle costs
Noodreparaties brengen overwerk, spoedleveringen en tijdelijke fixes mee [17]. De overstap naar preventief onderhoud kan kosten met 12-18% verlagen [21]. Aztec Construction verminderde ongepland onderhoud met 40%, MidWest Materials verlaagde overwerk met 80%, en Sanctuary at False Cape bespaarde meer dan $100.000 [11].
Hoe deze KPI werkt met voorspellende tools zoals Oxand Simeo™
Oxand Simeo™ verhoogt PMP door potentiële storingen om te zetten in geplande taken. Het platform gebruikt probabilistische modellen in plaats van alleen sensoralerts en bepaalt op basis van gebruik en prestatiehistorie de beste onderhoudsvensters [22].
In combinatie met automatische planning en dashboards voorkomt dit handmatige invoerfouten en maakt het PMP consistent meetbaar over de hele portefeuille.
Hoe deze KPI helpt bij risicogebaseerde planningsbesluiten
PMP kwantificeert de balans tussen proactief en reactief werk. Een verhouding van 80-90% gepland onderhoud en 10-20% ongepland werk wijst op een geoptimaliseerd systeem [16]. Voor ISO 55001-governance laat PMP zien of middelen worden ingezet op waardecreatie of worden opgeslokt door noodwerk.
5. Naleving van preventief onderhoud
Waarom deze KPI belangrijk is voor voorspellend onderhoud
Naleving van preventief onderhoud meet hoe vaak geplande PM-taken op tijd worden uitgevoerd. De gewenste norm is 90% of hoger [21]. Een lagere score betekent dat noodzakelijk onderhoud wordt gemist en assets meer risico lopen [17].
Hoge naleving werkt als waarschuwingssysteem: taken worden uitgevoerd vóór problemen escaleren. Gemiste preventieve taken leiden juist vaak tot noodreparaties [21].
Impact op lifecycle costs
Ongeplande storingen kunnen ongeveer $25.000 per uur kosten [13]. Preventief onderhoud kan 12-18% besparen doordat problemen vroeg worden aangepakt [21][22].
“Te late onderhoudstaken doen het doel van preventief onderhoud teniet, omdat de conditie van apparatuur voorbij het optimale interventiemoment kan verslechteren.” - Cryotos [22]
Een gezonde onderhoudsoperatie houdt 80-90% gepland werk tegenover 10-20% ongepland werk [7]. Dat verlaagt kosten en verlengt levensduur.
Hoe deze KPI werkt met voorspellende tools zoals Oxand Simeo™
Goede PM-naleving maakt voorspellende inzichten betrouwbaarder. Als smering, reiniging en inspecties op tijd gebeuren, kan Oxand Simeo™ echte afwijkingen onderscheiden van problemen door verwaarlozing [8]. In combinatie met een CMMS kunnen werkorders automatisch worden aangemaakt en compliance-dashboards realtime worden bijgewerkt.
Hoe deze KPI helpt bij risicogebaseerde planningsbesluiten
Compliance-data helpt onderscheid maken tussen assets die falen door slecht onderhoud en assets die echt einde levensduur naderen [11][16]. Als een asset 100% compliance heeft maar toch vaak faalt, is vervanging waarschijnlijker dan extra onderhoud.
Organisaties die datagedreven KPI’s gebruiken, hebben drie keer meer kans op sterke verbetering in besluitvorming [8].
6. Naleving van de onderhoudsplanning
Waarom deze KPI belangrijk is voor voorspellend onderhoud
Deze KPI meet het percentage geplande onderhoudstaken dat binnen het geplande tijdvenster wordt afgerond [22][21]. De formule is: (werkorders op tijd afgerond ÷ totaal geplande werkorders) × 100. Voor topperformers ligt de benchmark op 90% of hoger [21].
De KPI is een voorspellende indicator voor ongeplande storingen en downtime [21]. Waar conditiemetrics de staat van de machine tonen, laat planning compliance zien of onderhoudsprocessen werken [3].
Impact op lifecycle costs
Achterstallige planning verhoogt kosten. Aztec Construction verlaagde in mei 2025 ongeplande taken met 40% na verbetering van planning en tracking [11]. Rite Aid haalde 90% tijdige afronding met geavanceerde onderhoudsmanagementtools [11].
MidWest Materials, een ISO 9001:2015-gecertificeerd steel service center, verlaagde overwerk met 80% door automatische preventieve planning [11]. Betere planning verlaagt dus zowel arbeidskosten als noodreparaties.
Hoe deze KPI werkt met voorspellende tools zoals Oxand Simeo™
Voorspellende platforms beperken reactief werk dat planningen verstoort [17][12]. Oxand Simeo™ gebruikt historische en actuele data om jobplannen realistischer te maken en taken te prioriteren op assetconditie en risico in plaats van alleen kalenderintervallen [18][3].
“Een planning met 1.000 uur werk zou 1.000 uur moeten kosten om af te ronden. Een grote afwijking (in beide richtingen) kan erop wijzen dat u onnauwkeurige werkplannen gebruikt.” - Prometheus Group [17].
Hoe deze KPI helpt bij risicogebaseerde planningsbesluiten
Planning compliance laat zien waar resourceallocatie wringt. Hoge compliance met grote manuurafwijkingen kan betekenen dat jobplannen niet kloppen of productiviteitsproblemen maskeren [17].
Samen met MTBF en PMP vormt deze KPI het proceskader voor risicogebaseerde assetplanning. Belangrijk is dat technici veilig kunnen melden waarom taken niet op tijd afkwamen: ontbrekende onderdelen, training of toegang, in plaats van alleen perfecte cijfers na te streven [21][23].
7. Voorspelde tijd tot falen (PTTF)
Waarom deze KPI belangrijk is voor voorspellend onderhoud
PTTF voorspelt wanneer een asset waarschijnlijk faalt op basis van actuele conditie, gebruik en historische data. In tegenstelling tot MTBF, dat terugkijkt, kijkt PTTF vooruit [3]. Daardoor kunnen teams tijdig ingrijpen, assetlevensduur verlengen en dure noodreparaties vermijden [3].
Met PTTF plant u onderhoud op het juiste moment: laat genoeg om onnodig werk te vermijden, vroeg genoeg om storing te voorkomen [12]. Organisaties die rond PTTF werken, rapporteren gemiddeld 8x ROI [3].
Impact op lifecycle costs
PTTF ondersteunt repareren-versus-vervangen. Als bekend is hoeveel nuttige levensduur resteert, kunnen toekomstige reparatiekosten worden afgezet tegen vervangingskosten [16]. Rimex verminderde downtime met 30% door faalvensters met voorspellende tools te anticiperen [11]. Sanctuary at False Cape bespaarde meer dan $100.000 na invoering van voorspellende onderhoudstools [11].
Hoe deze KPI werkt met voorspellende tools zoals Oxand Simeo™
Oxand Simeo™ verhoogt PTTF-nauwkeurigheid met meer dan 10.000 verouderingsmodellen en 30.000 onderhoudsregels, opgebouwd uit twee decennia projectervaring. In plaats van volledig afhankelijk te zijn van IoT-sensoren, simuleert het platform probabilistisch hoe componenten verouderen en falen [3].
Dashboards tonen PTTF naast andere KPI’s. Wanneer PTTF een naderende storing aangeeft, kunnen werkorders worden aangemaakt en taken worden geprioriteerd [22][8]. Dat versterkt assetmanagement en maakt besluitvorming aantoonbaar datagedreven.
Hoe deze KPI helpt bij risicogebaseerde planningsbesluiten
Combineer PTTF met RAV en faalkosten om CAPEX-aanvragen met data te onderbouwen [22][8]. Dit is cruciaal bij verouderende infrastructuur en krappe budgetten.
PTTF werkt het best naast procesmetrics zoals tijd tot oplossing. Als een asset steeds een korte voorspelde tijd tot falen heeft, is root-causeanalyse nodig om te bepalen of het team oorzaken oplost of symptomen blijft behandelen [12][11].
sbb-itb-5be7949
8. Werkorderbacklog
Waarom deze KPI belangrijk is voor voorspellend onderhoud
Werkorderbacklog meet de hoeveelheid gepland onderhoud die nog niet is afgerond, afgezet tegen beschikbare arbeidsuren [11]. Deze KPI is essentieel: als het team overbelast is, verliezen voorspellende alerts hun effect [16][3]. Een groeiende backlog waarschuwt voor toekomstige storingen, langere downtime en productievertraging [11].
“Een groeiende of aanhoudend grote backlog kan erop wijzen dat uw onderhoudsoperatie onvoldoende aansluit op de behoeften van uw organisatie.” - Limble CMMS [11]
Impact op lifecycle costs
Een hoge backlog verhoogt kosten doordat noodreparaties zich opstapelen, gepland werk verdringen en vertragingen veroorzaken [11][21]. Genegeerde taken worden uitgesteld onderhoud, met meer storingen en hogere reparatiekosten over de levenscyclus [11][21]. Helemaal geen backlog kan juist overcapaciteit of slechte arbeidsbenutting signaleren [21]. Vaak is ongeveer zes weken werk per technicus een bruikbare balans [21].
Hoe deze KPI werkt met voorspellende tools zoals Oxand Simeo™
Oxand Simeo™ gebruikt backlogdata om taken te prioriteren. Dashboards scheiden noodmeldingen van routinebacklog en maken gemiddelde leeftijd van kritieke open werkorders zichtbaar [18][17]. Aanhoudende groei kan een root-causeanalyse triggeren: tekort aan personeel, training, onderdelen of verouderende assets [11].
Organisaties die datagedreven werken, zijn drie keer vaker in staat besluitvorming wezenlijk te verbeteren [8].
Hoe deze KPI helpt bij risicogebaseerde planningsbesluiten
Backlogdata toont of de onderhoudsorganisatie een proactieve strategie aankan. Als backlog boven zes weken per technicus komt, moet resourceallocatie of prioritering opnieuw worden bekeken [21]. Een gatekeepingproces voor noodwerkorders voorkomt dat niet-kritieke taken de backlog kunstmatig vergroten [17].
9. Onderhoudskosten als percentage van vervangingswaarde (RAV)
Waarom deze KPI belangrijk is voor voorspellend onderhoud
Deze metric vergelijkt jaarlijkse onderhoudsuitgaven met de vervangingskosten van een asset [22]. De formule is: (jaarlijkse onderhoudskosten ÷ RAV) × 100 [22]. Toppresterende systemen zitten idealiter rond 1% [21]. Een stijging, zeker boven 10%, wijst op veroudering of een inefficiënte onderhoudsaanpak [22][24].
Impact op lifecycle costs
Een hoog RAV-percentage wijst vaak op overmatige reactieve onderhoudslast. Reactieve strategieën veroorzaken 3,3 keer meer downtime en 16 keer meer defecten dan proactieve aanpakken [9].
“Telkens wanneer u van plan bent meer tijd en geld in een verslechterend asset te steken, is het belangrijk om ook de kosten van vervanging te overwegen.”
- Sarah Laubach, contentspecialist, FMX [16]
Sanctuary at False Cape verlaagde onderhoudskosten met meer dan $100.000 en verbeterde daarmee de RAV-ratio [11]. Ahlstrom verlaagde MTTR van 580 naar 60 uur per maand, wat arbeidskosten sterk drukte [9].
Hoe deze KPI werkt met voorspellende tools zoals Oxand Simeo™
Oxand Simeo™ analyseert RAV-percentages over portefeuilles en koppelt kosten aan leeftijd, gebruik en faalhistorie. Het platform signaleert assets die richting de kritieke 10%-drempel gaan en ondersteunt daarmee kapitaalvervangingsvoorstellen [22][24].
Hoe deze KPI helpt bij risicogebaseerde planningsbesluiten
Een stijgende RAV-ratio verhoogt niet alleen budgetdruk, maar ook de kans op ernstige storingen [17][18]. Voor repair-or-replace-besluiten kunt u de kosten van een nieuwe asset delen door de verwachte levensduur en daar de verwachte jaarlijkse onderhoudskosten bij optellen [16]. Als vervanging over de levensduur goedkoper is dan doorrepareren, wordt CAPEX verdedigbaar.
10. Assetbenuttingsgraad
Waarom deze KPI belangrijk is voor voorspellend onderhoud
De assetbenuttingsgraad laat zien hoe effectief apparatuur draait ten opzichte van het maximale potentieel. De formule is: (werkelijke output ÷ potentiële output) × 100 [11]. De metric toont snel of kritieke assets onderpresteren door inefficiëntie of einde levensduur [11].
Impact op lifecycle costs
Lage benutting drukt ROI. Ongeplande storingen kosten gemiddeld $25.000 per uur [13] en verlagen benutting verder. Toplocaties mikken op OEE van 85% of hoger, terwijl veel operaties slechts 60-65% halen [22]. MidWest Materials verlaagde in mei 2025 overwerk met 80% via automatische preventieve planning, wat betrouwbaarheid en benutting verbeterde [11].
Hoe deze KPI werkt met voorspellende tools zoals Oxand Simeo™
Oxand Simeo™ biedt inzicht in bottlenecks en onderprestatie [22]. Het automatiseert dataverzameling en berekeningen over de portefeuille. Bij dalende benutting kan het platform een root-causeanalyse activeren om te bepalen of de oorzaak ligt in procesinefficiëntie, bedieningsfouten of slijtage [10][13].
Hoe deze KPI helpt bij risicogebaseerde planningsbesluiten
Benuttingsgraad is waardevol bij repareren-versus-vervangen. Een dalende benutting in combinatie met stijgende onderhoudskosten kan betekenen dat blijven repareren niet langer kosteneffectief is [7][13]. Als jaarlijkse onderhoudskosten boven 10% van vervangingswaarde komen, kan vervanging financieel verstandiger zijn [13].
Combineer deze KPI met MTBF, OEE en RAV voor een compleet beeld van betrouwbaarheid en economische waarde [8]. Richt u op mission-critical assets waar falen de grootste impact heeft [21].
“Wat u niet kunt meten, kunt u niet sturen” [13].
Wat zijn kernprestatie-indicatoren voor PdM-doelen?
KPI’s samen gebruiken voor betere planning
Losse KPI’s geven snapshots. De waarde ontstaat wanneer u ze combineert. MTBF en MTTR tonen historische betrouwbaarheid en herstelvermogen; PTTF en conditietriggers kijken vooruit; PMP en planning compliance tonen of het onderhoudsproces de voorspellingen kan omzetten in actie. Samen geven ze een vollediger beeld van assetgezondheid en onderhoudsefficiëntie.
“Onderhouds-KPI’s die de gezondheid van machines weergeven combineren met KPI’s die de gezondheid van uw onderhoudsproces monitoren, is de snelste route naar de hoogste ROI.” - AssetWatch [3]
Digitale dashboards maken die combinatie bruikbaar voor risicogebaseerde besluitvorming. Oxand Simeo™ consolideert verspreide portefeuillegegevens in één view, simuleert degradatie onder verschillende scenario’s en vergelijkt levensduurverlenging door onderhoud met vervanging. Daarbij worden risico, energieprestatie en CO₂-reductie meegenomen.
Geïntegreerde software kan onderhoudsbudgetten met 10-20% verlagen; sommige klanten halen tot 30% lagere totale eigendomskosten [1][2][5]. Veel organisaties zien meetbare resultaten binnen 6-12 weken [1][2]. Door KPI’s te vertalen naar dashboards voor niet-technische stakeholders worden budgetkeuzes beter verdedigbaar [4]. Zo worden KPI’s onderdeel van risicogebaseerde asset-investeringsplanning.
Conclusie
KPI’s voor voorspellend onderhoud veranderen assetmanagement van reactief oplossen naar strategisch sturen. Ze verlagen kosten, verlengen assetlevensduur en verbeteren prestaties. De echte waarde zit niet in één metric, maar in de samenhang: MTBF naast PTTF, OEE naast onderhoudskosten als percentage van RAV, en backlog naast planning compliance.
Door data-analyse, degradatiemodellen en risicovoorspelling te combineren, wordt onderhoud gepland op het moment dat het meeste waarde levert en worden onnodige interventies vermeden.
“Voorspellend assetmanagement gebruikt data-analyse, verouderingsmodellen en risicovoorspelling om te bepalen wanneer interventies moeten worden gepland. Het maakt betere investeringsbesluiten mogelijk, verlengt de levensduur van assets, verlaagt levenscycluskosten en creëert betrouwbaardere, op ROI gerichte investeringsplannen.” - Oxand [1]
Oxand Simeo™ brengt deze KPI’s samen in dashboards die complexe datasets vertalen naar uitvoerbare investeringsstrategieën [5]. Begin met de tien KPI’s voor uw kritieke assets. De data ondersteunt investeringsbesluiten, beperkt onverwachte downtime en helpt assets duurzaam presteren voor de lange termijn.
Veelgestelde vragen
Hoe helpen KPI’s voor voorspellend onderhoud om assetbetrouwbaarheid te verbeteren?
Ze geven vroege signalen van potentiële problemen. Daardoor kunnen teams ingrijpen voordat kleine afwijkingen uitgroeien tot storingen. Door KPI’s te monitoren verbeteren assetmanagers prestaties, verhogen zij uptime en verlengen zij de levensduur van kritieke apparatuur. Tegelijk worden planning en resourceallocatie betrouwbaarder.
Hoe ondersteunt Oxand Simeo™ voorspellend onderhoud?
Oxand Simeo™ helpt assetmanagers onderhoudsbehoeften anticiperen door te voorspellen wanneer apparatuur of infrastructuur kan falen. Het platform gebruikt lifecycledata en simulaties om reparaties en vervangingen proactief te plannen. Daardoor worden onverwachte storingen beperkt en assetlevensduur verlengd.
Simeo™ kan duizenden regels, prestatiemetrics en scenario’s verwerken om onderhoudsplannen te maken die aansluiten op kosten, risico of duurzaamheid. De bron noemt resultaten zoals 10-20% besparing op onderhoudskosten, tot 70% minder storingen en 20-40% langere assetlevensduur, plus ondersteuning voor energie-efficiëntie en duurzaamheid.
Waarom is onderhoudskosten als percentage van vervangingswaarde belangrijk?
Deze KPI laat zien of u economisch verstandig aan een asset blijft uitgeven. Wanneer onderhoudskosten de vervangingswaarde naderen of overschrijden, is het tijd om de langetermijnwaarde van repareren versus vervangen te vergelijken.
De metric helpt assetmanagers overspending op verouderde of onderpresterende apparatuur voorkomen, budgetten beter plannen en ROI beschermen. In AIP is RAV daarom een brug tussen onderhoudsdata en kapitaalbesluiten.