Voorspellend onderhoud bij MRO: machinaal leren voor detectie van lagerafwijkingen

1. Inleiding: AI-aangedreven precisie in MRO

Ongeplande stilstand in productie- en industriële activiteiten vormt een aanzienlijke aanslag op de productiviteit en winstgevendheid. Machinestoringen, vooral die waarbij kritieke roterende componenten zoals lagers betrokken zijn, dragen in de eerste plaats bij aan deze verstoringen. Traditionele onderhoudsstrategieën – reactief (fix-when-broken) en tijdgebaseerd (gepland) – schieten vaak tekort. Reactieve benaderingen brengen hoge kosten met zich mee die gepaard gaan met noodreparaties, productieverlies en secundaire schade. Op tijd gebaseerd onderhoud kan, hoewel proactief, leiden tot voortijdige vervanging van componenten of het niet oplossen van opkomende problemen.

De integratie van kunstmatige intelligentie (AI) en machine learning (ML) in Maintenance, Repair en Operations (MRO) transformeert dit paradigma. Concreet biedt anomaliedetectie met behulp van ML een voorspellend vermogen voor lagerstoringen, waardoor MRO-strategieën verschuiven van geplande interventies naar conditiegebaseerd en voorspellend asset management. Deze AI-toepassing identificeert afwijkingen van normaal operationeel gedrag en geeft beginnende fouten aan voordat catastrofale storingen optreden. Lagerdefecten alleen al kunnen verantwoordelijk zijn voor meer dan 30% van de stilstand van roterende machines, waarbij de kosten in complexe productieomgevingen oplopen tot duizenden dollars per uur. Het implementeren van voorspellende analyses pakt dit direct aan, beperkt het operationele risico en optimaliseert de levensduur van activa.

2. Hoe het werkt: machine learning voor detectie van afwijkingen

De detectie van lagerafwijkingen maakt gebruik van geavanceerde sensortechnologie en machine learning-algoritmen zonder toezicht om onregelmatige operationele patronen te identificeren. Het kernprincipe houdt in dat er een basislijn wordt vastgesteld voor de ‘normale’ werking van de machine en dat vervolgens elke statistisch significante afwijking van deze basislijn als een anomalie wordt gemarkeerd.

2.1. Gegevensverzameling

Het proces begint met continue data-acquisitie van kritieke assets. Belangrijke datastromen zijn onder meer:

Trillingsgegevens: versnellingsmeters, doorgaans gemonteerd op lagerhuizen, vangen hoogfrequente trillingssignalen op. Deze signalen zijn rijk aan informatie over de kinematische toestand van het lager.
Temperatuurgegevens: Weerstandstemperatuurdetectoren (RTD's) of thermokoppels bewaken de temperaturen van het lagerhuis. Hoge temperaturen zijn vaak een secundaire indicator van verhoogde wrijving als gevolg van slijtage.
Akoestische emissie: Hoogfrequente spanningsgolven gegenereerd door materiaalvervorming, wat erop wijst dat microscopische schade zich voortplant in het lager.
Operationele parameters: Motorsnelheid, belasting, smeerdruk en procesvariabelen bieden essentiële context voor de waargenomen sensorgegevens.

2.2. Functietechniek

Ruwe tijdreeksgegevens van sensoren zijn vaak te omvangrijk en complex voor directe ML-verwerking. Feature engineering extraheert betekenisvolle kenmerken. Voor trillingsgegevens houdt dit gewoonlijk het volgende in:

Tijddomeinfuncties: RMS-waarden (Root Mean Square), piek-tot-piekamplitude, kurtosis, scheefheid en crestfactor. Deze kwantificeren signaalenergie en impulsiviteit.
Frequentiedomeinkenmerken: Fast Fourier Transform (FFT) converteert signalen uit het tijddomein naar het frequentiedomein, waardoor specifieke frequenties worden onthuld die verband houden met lagercomponentdefecten (bijv. buitenring, binnenring, balpassfrequenties).

2.3. Machine Learning-modellen voor anomaliedetectie

Ongecontroleerde leermodellen zijn bijzonder effectief voor het detecteren van afwijkingen, omdat ze geen vooraf gelabelde foutgegevens vereisen, die vaak schaars zijn. Deze modellen leren de onderliggende structuur van ‘normale’ gegevens:

Autoencoders: Neurale netwerken die zijn getraind om hun input te reconstrueren. Wanneer er afwijkende gegevens worden gepresenteerd, is hun reconstructiefout (het verschil tussen invoer en uitvoer) aanzienlijk groter, wat wijst op een anomalie.
Isolatiewouden: een ensemblemethode die afwijkingen “isoleert” door gegevens willekeurig te verdelen. Afwijkingen zijn gemakkelijker te isoleren (vergen minder partities) dan normale gegevenspunten.
One-Class Support Vector Machines (OC-SVM): Dit model leert een grens rond normale datapunten. Alle gegevens die buiten deze grens vallen, worden als een anomalie beschouwd.

Het gekozen model verwerkt de technische kenmerken. Een vooraf gedefinieerde drempel, vaak statistisch of door empirische validatie vastgesteld, bepaalt wanneer een afwijking significant genoeg is om een waarschuwing te activeren. Een afwijking van 3 sigma van de geleerde normale verdeling van reconstructiefouten zou bijvoorbeeld op een anomalie kunnen duiden, wat aanleiding zou geven tot verder onderzoek door MRO-personeel.

3. Gegevensvereisten: voorspellende nauwkeurigheid stimuleren

De effectiviteit van elk ML-gestuurd anomaliedetectiesysteem hangt af van de kwaliteit, het volume en de relevantie van de invoergegevens. Succesvolle implementatie vereist een robuuste datastrategie.

3.1. Sensorgegevensstromen

High-fidelity, continue sensorgegevens zijn van cruciaal belang. De minimale bemonsteringsfrequenties voor trillingsanalyse variëren doorgaans van 10 kHz tot 50 kHz, afhankelijk van de verwachte frequentie-inhoud van lagerfouten (defecten in hogesnelheidslagers kunnen bijvoorbeeld frequenties tot enkele kHz genereren). Hiervoor zijn sensoren nodig die voldoen aan normen zoals ANSI/ASA S2.40-2022, "Mechanical Vibration - Test Methods for the Measurement of Vibration", waardoor nauwkeurigheid en betrouwbaarheid worden gegarandeerd.

Trillingen: versnellingsmeters met meerdere assen (triaxiaal voor uitgebreide gegevens) hebben de voorkeur.
Temperatuur: RTD's (bijvoorbeeld Pt100/Pt1000) of thermokoppels van het type K/J zorgen voor nauwkeurige thermische profielen.
Overig: sensoren voor akoestische emissie, motorstroomtransducers en sensoren voor de kwaliteit van smeermiddelen dragen bij aan een uitgebreid diagnostisch beeld.

3.2. Historische context en metadata

Naast live sensorgegevens zijn historische gegevens van onschatbare waarde:

Onderhoudslogboeken: Gedetailleerde gegevens van eerdere storingen, reparaties, vervangingen van componenten en analyses van de hoofdoorzaken. Dit omvat beschrijvingen van faalmodi, data en bijbehorende operationele omstandigheden.
Operationele parameters: gegevens zoals toerental, belasting, omgevingsomstandigheden (vochtigheid, omgevingstemperatuur) correleerden met de sensorgegevens.
Specificaties van de activa: Lagertype, fabrikant, geometrie, kritische frequenties (Ball Pass Frequencies Inner Race (BPFI), Ball Pass Frequencies Outer Race (BPFO), Fundamental Train Frequencies (FTF), Ball Spin Frequencies (BSF)) voor diagnostische context.

3.3. Gegevenskwaliteit en -volume

Datakwaliteit staat voorop. Ruis, sensordrift, ontbrekende waarden of inconsistente bemonsteringsfrequenties verslechteren de prestaties van het model. Het opschonen van gegevens, normalisatie en synchronisatie tussen verschillende sensortypen zijn essentiële voorverwerkingsstappen. De hoeveelheid gegevens voor continue monitoring is aanzienlijk; een enkele triaxiale accelerometer-bemonstering op 20 kHz genereert dagelijks gigabytes aan gegevens, waardoor efficiënte oplossingen voor gegevensopslag nodig zijn, zoals tijdreeksdatabases (bijv. InfluxDB, TimescaleDB).

4. Implementatiearchitectuur: van sensor naar actie

Een robuuste architectuur is essentieel voor het implementeren van ML-gestuurd voorspellend onderhoud. Deze architectuur volgt doorgaans een gelaagde aanpak:

4.1. Edge Layer: gegevensverzameling en voorverwerking

Op het laagste niveau worden sensoren (UL-gecertificeerd voor elektrische veiligheid, CE-gemarkeerd voor Europese conformiteit) rechtstreeks geïntegreerd met activa. Industriële versnellingsmeters (die bijvoorbeeld voldoen aan de ISO 10816-normen voor trillingsmetingen) worden bijvoorbeeld doorgaans ingezet. Deze sensoren sturen gegevens naar lokale edge-apparaten. Edge computing-platforms (bijvoorbeeld robuuste industriële pc's, programmeerbare automatiseringscontrollers met ingebouwde ML-mogelijkheden) presteren:

Gegevensfiltering: ruis en irrelevante frequenties verwijderen.
Gegevensaggregatie: Het datavolume verkleinen door hoogfrequente gegevens samen te vatten in statistische kenmerken (RMS, piek-tot-piek) of gecomprimeerde spectrale gegevens.
Lokale anomaliedetectie: basis-ML-modellen kunnen aan de rand worden uitgevoerd om vrijwel realtime waarschuwingen te geven voor kritieke afwijkingen, waardoor de latentie voor onmiddellijke acties wordt geminimaliseerd. Dit vermindert de afhankelijkheid van de netwerkbandbreedte en verbetert de operationele veerkracht.

4.2. Connectiviteitslaag: veilige gegevensoverdracht

Gegevens van de edge-apparaten worden verzonden naar een centrale verwerkingseenheid, lokaal of in de cloud. Deze laag moet voldoen aan robuuste cyberbeveiligingsprotocollen, waarbij vaak gebruik wordt gemaakt van gecodeerd industrieel Ethernet (bijvoorbeeld PROFINET, EtherCAT, conform de IEEE 802.3-standaarden) of beveiligde Wi-Fi (IEEE 802.11) en 5G mobiele netwerken voor externe activa. Gegevensintegriteit en vertrouwelijkheid zijn van cruciaal belang, vooral in gevoelige industriële omgevingen.

4.3. Cloud/on-premise platform: geavanceerde analyses

Het gecentraliseerde platform herbergt het uitgebreide datameer, geavanceerde ML-modellen en visualisatietools. Dit platform voert:

Gegevensopslag: Schaalbare tijdreeksdatabases en datameren (bijvoorbeeld Hadoop, Azure Data Lake, AWS S3).
Geavanceerde ML-training en -inferentie: complexere ML-modellen (bijvoorbeeld deep learning auto-encoders) worden hier getraind en ingezet, waardoor gebruik wordt gemaakt van grotere rekenbronnen.
Gegevensvisualisatie en dashboards: MRO-ingenieurs voorzien van intuïtieve interfaces om de status van activa te monitoren, trends te visualiseren en afwijkingen te onderzoeken.
Waarschuwingsbeheer: meldingen genereren en integreren met Computerized Maintenance Management Systems (CMMS) of Enterprise Asset Management (EAM)-systemen.

4.4. Actielaag: CMMS/EAM-integratie

De laatste laag omvat het integreren van de inzichten van het AI-platform in bestaande MRO-workflows. Wanneer een afwijking wordt gedetecteerd, genereert het systeem automatisch een werkorder in het CMMS (bijvoorbeeld SAP PM, IBM Maximo, Maxpanda). Deze werkorder bevat gedetailleerde diagnostische informatie, aanbevolen acties en kriticiteitsbeoordelingen, waardoor onderhoudsteams gerichte interventies kunnen plannen, noodzakelijke onderdelen kunnen aanschaffen en kostbare storingen kunnen voorkomen.

5. Resultaten uit de praktijk: kwantificeerbare MRO-voordelen

Het inzetten van ML-gestuurde anomaliedetectie voor de gezondheid van lagers levert tastbare operationele en financiële verbeteringen op. Casestudies uit diverse industriële sectoren laten consequent een aanzienlijk rendement op investeringen zien.

5.1. Minder ongeplande downtime

Een grote autoproductiefaciliteit, die regelmatig last had van lagerstoringen in het transportsysteem, implementeerde een op trillingen gebaseerd ML-afwijkingsdetectiesysteem. Over een periode van 18 maanden daalde de ongeplande stilstand van deze cruciale lagers met gemiddeld 35%. Dit vertaalde zich in een geschatte jaarlijkse besparing van $ 750.000 aan verloren productie- en noodreparatiekosten. De mogelijkheid om dreigende storingen twee tot vier weken van tevoren te detecteren, maakte gepland onderhoud tijdens geplande storingen mogelijk.

5.2. Verlengde levensduur van activa en geoptimaliseerde onderhoudskosten

In een grootschalige pulp- en papierfabriek identificeerde het voorspellende systeem slijtage in een vroeg stadium van verschillende kritische rollagers van de droger. Proactief ingrijpen, waarbij de smering werd geoptimaliseerd en nauwkeurige uitlijning, verlengde de effectieve levensduur van deze lagers met ongeveer 20%. Dit resulteerde in een reductie van 15% in de jaarlijkse vervangingskosten voor lagers en een verlaging van 10% in de totale onderhoudsuitgaven dankzij geoptimaliseerde arbeidsplanning en voorraadbeheer van reserveonderdelen. Het systeem verminderde ook de behoefte aan routinematige, ingrijpende inspecties, waardoor de veiligheid van technici werd verbeterd.

5.3. Financiële ROI en implementatiekosten

Typische Return on Investment (ROI)-perioden voor deze systemen variëren van 12 tot 24 maanden, dankzij de vermindering van de uitvaltijd, reserveonderdelen en arbeidskosten. De initiële implementatiekosten variëren aanzienlijk:

Sensorimplementatie: $ 500 - $ 2.000 per bewaakt item (inclusief versnellingsmeters van industriële kwaliteit, temperatuursondes en installatie).
Edge Computing-hardware: $ 1.000 - $ 5.000 per edge-node (afhankelijk van verwerkingskracht en robuustheid).
Softwarelicenties en platform: zeer variabel, van $ 50 - $ 200 per asset per maand voor SaaS-oplossingen tot investeringen met zes cijfers voor aangepaste implementaties op locatie.
Integratie en training: $10.000 - $100.000+, afhankelijk van de complexiteit van CMMS/EAM-integratie en bijscholing van personeel.

Deze cijfers benadrukken het belang van een gefaseerde uitrol, te beginnen met hoogwaardige, kritische assets om een snelle ROI aan te tonen en interne ondersteuning op te bouwen.

6. Beperkingen en valkuilen: een evenwichtig perspectief

Hoewel krachtig, is ML-gestuurde detectie van afwijkingen geen wondermiddel. Het erkennen van de beperkingen ervan zorgt voor realistische verwachtingen en een succesvolle implementatie.

6.1. Gegevenskwaliteit en specificiteit

Het axioma ‘garbage in, garbage out’ is hier strikt van toepassing. Lawaaierige, onvolledige of onjuist gelabelde gegevens leiden tot onbetrouwbare modellen. Sensorplaatsing, kalibratie en omgevingsfactoren kunnen inconsistenties in de gegevens introduceren. Bovendien zijn modellen die zijn getraind op het operationele profiel van een specifieke machine mogelijk niet effectief te generaliseren naar een andere machine, zelfs niet van hetzelfde merk en model, vanwege unieke slijtagepatronen, installatienuances of bedrijfsomstandigheden. Transfer learning-technieken kunnen dit verzachten, maar vereisen een zorgvuldige validatie.

6.2. Valse positieven en negatieven

Een te gevoelig model kan talloze valse positieven genereren (waarschuwingen voor niet-bestaande problemen), wat leidt tot ‘waarschuwingsmoeheid’ onder het onderhoudspersoneel en erosie van het vertrouwen in het systeem. Omgekeerd kan een ongevoelig model vals-negatieven produceren (waarbij daadwerkelijke dreigende mislukkingen worden gemist), wat leidt tot de zeer ongeplande downtime die het wil voorkomen. Het vinden van de juiste balans bij het bepalen van drempelwaarden vereist zorgvuldige afstemming en iteratieve validatie door MRO-experts.

6.3. Kosten en complexiteit

De initiële investering in sensoren, edge-hardware, softwarelicenties, data-infrastructuur en gespecialiseerd personeel (datawetenschappers, ML-ingenieurs) kan aanzienlijk zijn. Het integreren van deze nieuwe systemen met oudere CMMS/EAM-platforms brengt vaak aanzienlijke technische en organisatorische uitdagingen met zich mee. Bovendien vereisen voortdurend modelonderhoud, herscholing en aanpassing aan veranderingen in operationele regimes of activaconfiguraties speciale middelen.

6.4. Vaardigheidskloof

Effectieve implementatie en duurzame werking vereisen een personeelsbestand dat zowel MRO-principes als datawetenschapsconcepten begrijpt. Het overbruggen van deze vaardigheidskloof door middel van training of strategische aanwerving is een kritische succesfactor.

7. Bouwen versus kopen: strategische inkoopbeslissingen

Organisaties worden geconfronteerd met een fundamentele beslissing met betrekking tot de aanschaf van voorspellende onderhoudsmogelijkheden: interne oplossingen ontwikkelen of commerciële oplossingen aanschaffen.

7.1. In eigen huis bouwen

Door een systeem in eigen beheer te ontwikkelen, krijgt u maximale controle en maatwerk. Deze aanpak is geschikt voor organisaties met:

Sterke interne datawetenschapsexpertise: Een toegewijd team met vaardigheid in de ontwikkeling van ML-algoritmen, tijdreeksgegevensverwerking en industriële IoT-architecturen.
Zeer gespecialiseerde machines: activa met unieke operationele kenmerken of eigen data-interfaces waarbij kant-en-klare oplossingen mogelijk niet voldoende maatwerk bieden.
Strenge vereisten voor gegevensbeveiliging: omgevingen waarin de gegevenslocatie en -controle niet kunnen worden toevertrouwd aan externe leveranciers.

De nadelen zijn onder meer hogere initiële kosten, langere ontwikkelingscycli en de voortdurende last van systeemonderhoud en upgrades. Deze weg vereist een duurzame inzet van middelen.

7.2. Commerciële oplossingen kopen

Commerciële Predictive Maintenance (PdM)-platforms, vaak aangeboden als Software-as-a-Service (SaaS), zorgen voor een snellere implementatie en lagere initiële kapitaaluitgaven. Deze oplossingen zijn voordelig voor:

Snelle implementatie: Door gebruik te maken van vooraf gebouwde modellen en gevalideerde architecturen is een snellere time-to-value mogelijk.
Beperkte interne bronnen: Organisaties zonder uitgebreide datawetenschapsteams kunnen vertrouwen op de expertise van leveranciers voor modelontwikkeling, gegevensbeheer en platformonderhoud.
Gestandaardiseerde activa: Effectief voor gangbare machinetypes waarbij leveranciersmodellen uitgebreid zijn getraind en gevalideerd voor een breed klantenbestand.

Beperkingen kunnen onder meer zijn: minder flexibiliteit voor maatwerk en mogelijke leveranciersafhankelijkheid. Het naleven van industriestandaarden zoals ANSI/ISA-95 voor de integratie van bedrijfscontrolesystemen is een belangrijke overweging bij het selecteren van commerciële aanbiedingen.

7.3. Hybride benaderingen

Een hybride model combineert de voordelen van beide. Dit kan de aanschaf van een commercieel platform voor gegevensopname en -visualisatie inhouden, terwijl u in eigen beheer aangepaste ML-modellen voor specifieke, kritieke assets ontwikkelt. Deze strategie combineert de snelheid van implementatie met op maat gemaakte prestaties voor unieke uitdagingen.

8. Aan de slag: een gefaseerde implementatieroutekaart

Het implementeren van een ML-gestuurd detectiesysteem voor lagerafwijkingen is een strategisch initiatief dat profiteert van een gestructureerde, gefaseerde aanpak.

8.1. Fase 1: Proefproject voor kritieke activa

Identificeer 3-5 hoogwaardige, kritieke assets waarvan het falen een aanzienlijke impact heeft op de productie of de veiligheid. Deze activa moeten gemakkelijk toegankelijke trillingspunten en duidelijke operationele gegevens hebben. Deze pilot demonstreert de haalbaarheid, valideert de technologie en zorgt voor een onmiddellijke ROI. Bijvoorbeeld het selecteren van een motor-pompsamenstel dat cruciaal is voor een koelsysteem, waarbij een defect aan de lagers een hele productielijn zou kunnen stilleggen.

8.2. Fase 2: Uitgebreide datastrategie en sensorimplementatie

Ontwikkel een gedetailleerd gegevensverzamelingsplan. Dit houdt in:

Sensorselectie: Schaf versnellingsmeters van industriële kwaliteit aan (die bijvoorbeeld voldoen aan ISO 20816-1:2016 voor trillingsmetingen), temperatuursensoren en andere relevante hardware voor gegevensverzameling. Zorg ervoor dat alle componenten de noodzakelijke certificeringen hebben, zoals UL-vermelding voor elektrische veiligheid en CE-markering voor naleving van EU-richtlijnen.
Installatie en kalibratie: Een juiste montage van de sensor (bijvoorbeeld het naleven van de ISO 10816-richtlijnen) en initiële kalibratie zijn cruciaal voor de gegevensintegriteit.
Gegevenshistoricus instellen: Implementeer een robuuste gegevenshistoricus of tijdreeksdatabase om de grote hoeveelheden sensorgegevens op te nemen, op te slaan en te beheren.

8.3. Fase 3: Ontwikkeling en integratie van ML-modellen

Werk samen met interne datawetenschapsteams of externe MRO/AI-specialisten om:

Feature Engineering: ontwikkel algoritmen voor het extraheren van tijdsdomein- en frequentiedomeinkenmerken uit onbewerkte sensorgegevens.
Modeltraining: Train ML-modellen zonder toezicht (Autoencoders, Isolation Forests) op basis van de verzamelde “normale” operationele gegevens.
Validatie en drempelwaarde: Test en verfijn de modelprestaties iteratief, waarbij u de juiste afwijkingsdrempels instelt om valse positieven te minimaliseren en tegelijkertijd de detectienauwkeurigheid te maximaliseren.
CMMS/EAM-integratie: Breng veilige API-verbindingen tot stand voor het geautomatiseerd genereren van werkorders en het uitwisselen van gegevens.

8.4. Fase 4: Iteratie, schaalvergroting en continue verbetering

Na een succesvolle pilot-implementatie kunt u het systeem uitbreiden naar meer assets. Houd de prestaties van modellen voortdurend in de gaten, verzamel feedback van onderhoudsteams en train modellen opnieuw wanneer de operationele omstandigheden veranderen of er nieuwe storingsmodi ontstaan. Dit iteratieve proces zorgt ervoor dat het systeem in de loop van de tijd nauwkeurig en waardevol blijft.

9. Conclusie: MRO bevorderen met AI

AI-gestuurde detectie van afwijkingen voor het voorspellen van lagerstoringen vertegenwoordigt een aanzienlijke vooruitgang in MRO-praktijken. Door verder te gaan dan reactieve en op tijd gebaseerde benaderingen kunnen fabrikanten aanzienlijke reducties in ongeplande downtime realiseren, de levenscycli van assets optimaliseren en aanzienlijke kostenbesparingen realiseren. Het technische raamwerk is weliswaar complex, maar wordt ondersteund door volwassen sensortechnologie, robuuste edge computing en geavanceerde machine learning-algoritmen.

Succesvolle implementatie vereist een duidelijk begrip van de datavereisten, een goed gedefinieerde architecturale routekaart en een toewijding aan voortdurende verbetering. Het aanpakken van de uitdagingen op het gebied van datakwaliteit, modelgeneralisatie en ontwikkeling van vaardigheden is van cruciaal belang voor het maximaliseren van de ROI en het behouden van operationele uitmuntendheid.

Voor hoogwaardige industriële componenten, lagers en MRO-oplossingen die uw digitale transformatie-initiatieven ondersteunen, kunt u het uitgebreide aanbod bekijken in de UNITEC-D E-Catalog.

10. Referenties

ISO 10816-1:1995, Mechanische trillingen — Meting en evaluatie van machinetrillingen — Deel 1: Algemene richtlijnen.
ISO 20816-1:2016, Mechanische trillingen — Meting en evaluatie van machinetrillingen met behulp van in-situ metingen — Deel 1: Algemene richtlijnen.
ANSI/ASA S2.40-2022, Mechanische trillingen: testmethoden voor het meten van trillingen.
IEEE 802.3, Standaard voor Ethernet.
IEEE 802.11, Standaard voor draadloos LAN.
UL 508A, Industriële bedieningspanelen (relevant voor componenten van besturingssystemen).
CE-markeringsrichtlijnen (bijv. Machinerichtlijn 2006/42/EG, EMC-richtlijn 2014/30/EU, Laagspanningsrichtlijn 2014/35/EU voor componenten van sensor- en regelsystemen).