Situatie

Een multimodaal transportbedrijf met een vloot van vrachtwagens, heftrucks en overslagmaterieel verspreid over verschillende terminals in Nederland en België. Operationele continuïteit is cruciaal voor hun dienstverlening.

Uitdaging‍

Voertuigen en materieel vielen regelmatig ongepland uit, wat leidde tot verstoringen in de keten, boetes en extra personeelsinzet. Onderhoud gebeurde op basis van vaste intervallen of visuele inspectie, zonder rekening te houden met daadwerkelijk gebruik of slijtage.

Oplossing‍

Er is een voorspellend onderhoudsmodel ontwikkeld op basis van real-time IoT-sensordata (zoals temperatuur, trillingen en gebruiksfrequentie) in combinatie met historische onderhoudslogs. Hierdoor konden technische teams proactief ingrijpen vóórdat een storing plaatsvond.

Aanpak

1. Inventarisatie van materieel en sensoren
   We brachten per voertuigtype in kaart welke sensoren beschikbaar waren en welke data relevant was voor onderhoudsvoorspelling.
2. Datacollectie en labeling
   Real-time sensordata werd verzameld en gelabeld op basis van bekende storingen in het verleden.
3. Modelontwikkeling
   We ontwikkelden een machine learning-model dat patronen herkende voorafgaand aan defecten. Alerts werden gegenereerd bij afwijkend gedrag.
4. Integratie met onderhoudsplanning
   Het systeem werd gekoppeld aan het onderhoudsbeheer, zodat meldingen direct omgezet werden in onderhoudstaken.

Resultaten

• 30% minder onverwachte uitvalmomenten
• €250.000 besparing op onderhoudskosten in het eerste jaar
• Hogere betrouwbaarheid van het materieel
• Minder verstoringen in operationele planning

Learnings

Door data uit bestaande sensoren slim te benutten, transformeerde het bedrijf zijn onderhoudsstrategie van reactief naar voorspellend. De investering betaalde zich binnen een jaar terug, en de betrouwbaarheid van de operatie steeg aanzienlijk.

‍