In de recente geschiedenis zijn er veel pogingen ondernomen om Artificiële Intelligentie (AI) toe te passen bij onderhoud. Het gebruik van AI zou de menselijke intelligentie vervangen door machine-intelligentie. Het doel is om tot beter onderhoud te komen. Er bestaat grote belangstelling voor de toepassing van AI op onderhoudsgebied, zoals blijkt uit het grote aantal wetenschappelijke publicaties en vaktijdschriften. Op dit moment zijn er weliswaar oplossingen voor theoretische situaties beschikbaar, maar nog steeds geen praktische en reële oplossingen. De huidige AI instrumenten om te komen tot een optimale onderhoudsplanning zijn nu nog geschikt voor goed gedefinieerde problemen en gebaseerd op nauwkeurige gegevens.
Er zijn twee benaderingen voor preventieve onderhoudsplanning: de technische benadering (Gits 1984 – TUE-model) en de wiskundige benadering. Bij dit laatste ligt de nadruk op het ontwikkelen van optimale onderhoudsintervallen. Conditiemonitoring voegt, als continu proces, een nieuwe dimensie toe aan deze benaderingen. Conditiemonitoring vereist regels op basis van een model (gebaseerd op een bekend faalpatroon) voor planning en monitoring. Sinds de heropleving van AI medio 1980 hebben onderzoekers de toepassing van AI op dit gebied overwogen. Met de ontwikkeling in de IT van de afgelopen decennia beschikken veel organisaties over systemen (ERP, CMMS) om gegevens over onderhoudsacties te verzamelen en op te halen. Hoewel de opgeslagen historische gegevens potentieel nuttig zijn om onderhoudsacties te verbeteren, worden de gegevens tegenwoordig vooral gebruikt voor het opstellen van managementrapportages. De volgende moeilijkheden belemmeren nieuwe ontwikkelingen om van deze gegevens te leren.
- Het grote aantal componenten, (sub)systemen en daarmee de grote verscheidenheid aan onderhoudsbeleid en -situaties.
- Het gebrek aan bekendheid met modellering naast onderhoudsexpertise.
- De fysieke toegang vanuit de analytische software tot de onderhoudsomgeving
- De dynamiek van de systemen zelf (andere componenten, andere operationele omstandigheden of verandering in vereisten of doel).
Andere zaken zijn de kwaliteit van de bestaande data, het (menselijke) vermogen om patronen te herkennen, het leervermogen (ML-Machine Learning), de presentatie van bevindingen in een visueel aantrekkelijk format.
