Steeds meer organisaties, van productiebedrijven tot defensie, willen storingen vroegtijdig signaleren en onderhoud voorspellend inplannen. De technologie hiervoor is beschikbaar: sensoren registreren continu het gedrag van machines en AI-modellen herkennen patronen die wijzen op slijtage of aankomende defecten. In de praktijk stuit dit echter op een veelvoorkomend probleem: organisaties beschikken over meer data dan ooit, maar die gegevens zijn moeilijk te combineren of te interpreteren. Twee metingen van hetzelfde type onderdeel, afkomstig van verschillende locaties of momenten, zijn niet automatisch vergelijkbaar. Verschillen in sensoren, bedrijfsomstandigheden en registratiemethoden maken het lastig om betrouwbare patronen te herkennen.

De kern van het probleem ligt bij metadata: informatie over wanneer een meting is gedaan, onder welke omstandigheden, met welk type sensor en aan welk component. In de meeste organisaties worden deze gegevens niet gestandaardiseerd vastgelegd. Daardoor zijn meetreeksen onderling niet vergelijkbaar, kunnen onderhoudslogs niet automatisch worden geïnterpreteerd en blijven AI-modellen afhankelijk van gesimuleerde data. Nathan Houwaart, onderzoeker bij het lectoraat Industriële Digital Twins van de HvA, stelt het als volgt: “Uitval van kritieke systemen kost geld en tijd en gaat soms ten koste van de veiligheid. Betere data zijn de eerste stap naar onderhoud dat storingen voorkomt in plaats van repareert.”

Het lectoraat Industriële Digital Twins en de NLDA pakten dit vraagstuk samen op. Defensie heeft een directe operationele reden voor betere data: de betrouwbaarheid van technische systemen, van voertuigen tot vliegtuigen en scheepsonderdelen, is van kritisch belang. Uitval door onverwachte storingen heeft niet alleen financiële, maar ook veiligheidsconsequenties. De onderzoekers brachten in kaart welke informatie minimaal noodzakelijk is om metadata voor onderhoud bruikbaar te maken: welke contextinformatie bijgehouden moet worden, hoe die gedocumenteerd wordt en in welk formaat. Het resultaat is een gestructureerd kader dat beschrijft hoe meetdata gerelateerd aan onderhoud eenduidig worden vastgelegd en gedeeld.

De nieuw ontwikkelde standaard gaat verder dan de samenwerking tussen HvA en NLDA alleen. De HvA brengt de uitkomsten in bij het Dutch Prognostics Lab, een nationaal initiatief gefinancierd door het Ministerie van Defensie, in samenwerking met de Universiteit Twente, De Haagse Hogeschool, NLR en het Hoogheemraadschap van Rijnland. Dit lab richt zich op het standaardiseren van meet- en datapraktijken voor voorspellend onderhoud in Nederland, met als doel de kloof tussen theorie en praktijk te dichten. De samenwerking past in de bredere missie van het lectoraat: praktische handvatten ontwikkelen waarmee industriële organisaties Digital Twin-technologie kunnen inzetten voor efficiënter en goedkoper onderhoud, met als resultaat minder onverwachte uitval, lagere kosten en slimmere inzet van schaarse technici.