Voorspellend onderhoud (PrM-Predictive Maintenance) kan het best omschreven worden als een reeks activiteiten die als gevolg van veranderingen in de fysieke toestand van een asset worden ondernomen om het risico van falen te voorkomen. PrM zelf kan worden verdeeld in methoden (sensoren) om beginnend falen (bijv. slijtage) te detecteren en algoritmen, gebaseerd op statistische data (sensoren) voor het voorspellen van falen.
Het gebruik van de sensoren als indicator voor het vaststellen van conditie en dus het juiste moment van interventie (CBM-Condition Based Maintenance) kan continue of periodiek ondersteund worden. De conditie van componenten wordt dan via algoritmes en patronen beoordeeld. Falen kan dan vroegtijdig worden herkend en vervolgens kunnen corrigerende maatregelen worden gepland. Ongeplande uitval (zo is de belofte) kunnen worden vermeden en zowel personeel als middelen kunnen effectiever worden ingezet.
De eerste stap van PrM-is data-acquisitie. Sensoren genereren informatie (trillingen, temperatuur, capaciteit) over de toestand van de componenten. Verschillende sensoren, ultrasone sensoren, vibratiesensoren en akoestische emissiesensoren, zijn ontworpen om verschillende gegevens te genereren.
Daarna zijn er twee stappen nodig om de signalen van sensoren af te handelen. De ene is signaalverwerking, die de signaalkenmerken en -kwaliteit verbetert. De technieken in signaalverwerking omvatten o.a. filteren, versterking, datacompressie, validatie en ruisonderdrukking. De volgende stap is om die bewerkte signalen juist die gegevens te extraheren die kenmerkend en passend zijn voor een beginnend falen.
De volgende stap is om op basis van die date beslissingen te nemen over onderhoudsacties. De beslissingen kunnen ondersteuning worden met een: fysiek model, statistisch model, gegevens of een combinatie (hybride) model. De meest gebruikte methode is de vergelijking met historische gegevens (data gedreven) om het falen te identificeren en te evalueren. Wanneer historische gegeven ontbreken worden modelgebaseerde technieken gebruikt om de conditie te evalueren. Deze technieken zijn alleen bruikbaar na een analyse en kennis van de asset. Er moet namelijk eerst een model van de bestaande werkelijkheid (actuele conditie en conditieverloop) worden gemaakt.
Technieken voor het ondersteunen van onderhoudsbeslissingen kunnen worden verdeeld in: diagnose en prognose. Diagnose richt zich op detectie en identificatie van falen en het moment wanneer deze zich voordoen. De prognose richt zich op het voorspellen van falen voordat deze zich voordoen. In de praktijk is het echter niet eenvoudig om prognose en diagnose toe te passen vanwege het gebrek aan procedures, gegevens en kennis, om de modellen te creëren. Wat nu nog ontbreekt zijn technieken als kunstmatige intelligentie, neurale netwerken, fuzzy logic-systemen.
