Een SCADA systeem (Supervisory Control and Data Acquisition) is de software- en hardwarelaag waarmee operators een industrieel proces in realtime bewaken en besturen — het leest live metingen uit veldapparaten zoals PLC's en RTU's, toont ze op dashboards, geeft alarmen af en stuurt besturingscommando's terug. Dat is de directe taak. Maar de meest waardevolle langetermijnoutput van een SCADA systeem is de data die het stil vastlegt: een tijdgestempelde geschiedenis van het proces die, mits schoon, de basis vormt voor predictive maintenance, energieoptimalisatie en OEE.
Wat een SCADA systeem echt doet
Een SCADA systeem zit boven de besturingslaag, niet erin. Het snelle, deterministische werk — een klep openen, een temperatuur vasthouden, uitschakelen bij een storing — gebeurt door PLC's (programmable logic controllers) en RTU's (remote terminal units) bij de machine. SCADA bevraagt die apparaten via protocollen als Modbus of OPC UA, bundelt hun signalen tot benoemde tags, stuurt de HMI van de operator aan, logt alarmen en events, en laat een mens over een hele lijn, fabriek of verspreid netwerk toezicht houden en ingrijpen.
Bewaken en besturen is de zichtbare helft. Die is echt, belangrijk, en het is wat de meeste definities beschrijven. Het is ook de helft die je pas opmerkt als er iets misgaat. De andere helft — die niemand op het scherm ziet — doet op de achtergrond iets veel duurzamers.
Wat de meeste 'wat is SCADA'-pagina's overslaan: de historian
Achter het live scherm schrijft een SCADA systeem tagwaarden continu weg naar een historian: een speciaal daarvoor gebouwde time-seriesdatabase. Elke temperatuur, druk, flow, motorstroom, klepstand en setpoint wordt met een tijdstempel opgeslagen, vaak jarenlang. Open een historian-export en je krijgt een brede tabel — een tijdstempelkolom en daarna honderden of duizenden tagkolommen, elk een momentopname van het proces.
Die export is het bezit. Het is een fysiek verslag van hoe je proces zich werkelijk gedroeg — niet hoe het P&ID zegt dat het hoort, maar wat er echt gebeurde om 03:00 op een slechte nacht in februari. Toonaangevende 'wat is SCADA'-artikelen noemen de historian bijna nooit, want definitiematig is het een voetnoot. In de praktijk is het de hele kern. Alles wat je later analytisch wilt doen, hangt ervan af dat die data er is — en bruikbaar is.
Waarom slechte tagnaamgeving elke latere analyse stilletjes breekt
Inconsistente tagnaamgeving is de meest voorkomende reden dat historian-data onbruikbaar is. Als dezelfde pomp in de ene sectie PMP_01 heet, in de andere P-101 en in de derde Pump1_Feed — of als eenheden verschuiven tussen bar en kPa, of een tag na een retrofit voor een andere sensor is hergebruikt — dan is een dataset die compleet lijkt in stilte dubbelzinnig. Tijdens bedrijf valt het niemand op, want operators lezen het scherm op context. Het komt jaren later boven, als iemand assets over de fabriek wil vergelijken en ontdekt dat de tags niet op elkaar aansluiten.
Dit achteraf opschonen is traag, duur speurwerk: loop-diagrammen kruislings nalopen, de bouwers van het systeem interviewen, reconstrueren wat een tag in 2021 betekende. Een consistente naamconventie, vanaf het begin toegepast en gedocumenteerd, kost bij de inbedrijfstelling vrijwel niets en beschermt de waarde van elk jaar data dat volgt.
Sample rate en dead-banding: signaal dat je nooit meer terugkrijgt
Twee configuratiekeuzes bepalen hoeveel echte informatie de historian daadwerkelijk bewaart. De eerste is de sample rate — hoe vaak een tag wordt gelogd. Log een snel bewegend trillings- of stroomsignaal één keer per minuut en de gebeurtenissen die ertoe doen, die in seconden plaatsvinden, zijn simpelweg weg. Resolutie die je nooit hebt vastgelegd, kun je niet terughalen.
De tweede is dead-banding (exception-based logging): om opslag te besparen legt een historian een waarde vaak alleen vast als die meer dan een ingestelde drempel verandert. Op zich verstandig, maar zet de dead-band te ruim en je wist juist de kleine driften en vroege schommelingen uit die predictive modellen als signatuur zoeken. De data ziet er netjes uit. Ze is ook blind voor precies wat je wilde vangen. Deze instellingen verdienen een bewuste keuze, per tagklasse, in plaats van de standaardwaarde bij oplevering.
Vijf jaar schone procesdata is een bezit dat de meeste fabrieken onderbenutten
De meeste fabrieken zitten al op dit bezit en behandelen het als restproduct. Een SCADA-historian die vijf jaar draait, met consistente tags en eerlijke sample rates, is een gelabeld verslag van het hele recente leven van je apparatuur — elke opstart, elke trip, elke geleidelijke degradatie. Dat is precies de grondstof die moderne analytics nodig heeft, en die is duur en traag om van nul op te bouwen.
Met die geschiedenis in handen wordt predictive maintenance geen verkooppraatje meer maar haalbaar: je kunt leren hoe de data van een lager eruitziet in de weken vóór uitval, omdat je die weken herhaaldelijk hebt vastgelegd. Dezelfde data drijft energieoptimalisatie aan — verbruik correleren met productie, belasting en omgevingscondities om de verspilling te vinden — en voedt OEE, waar nauwkeurige stilstand- en snelheidsdata een vaag 'het kan beter' veranderen in een concreet verlies dat je kunt aanpakken.
Van historian-export naar waarde
De eerlijke volgorde is: haal de export op en controleer of die betrouwbaar is vóór je iets modelleert. Zijn de tags consistent en gedocumenteerd? Is de sample rate snel genoeg voor de vraag? Heeft dead-banding het signaal gewist dat je nodig hebt? Zijn de tijdstempels tussen bronnen uitgelijnd? Deze onopvallende vragen bepalen of een project weken duurt of stilletjes vastloopt. Ze overslaan is de meest voorkomende manier waarop een ambitieuze analyse-inspanning sterft.
Bij Crux Digits beginnen we hier meestal met een audit tegen vaste prijs: een representatieve historian-export ophalen, de datakwaliteit toetsen aan het resultaat dat je echt wilt, en je nuchter vertellen of de basis er is — voordat iemand zich vastlegt op een proof-of-concept of een productiebouw. Je bent gedurende het hele traject eigenaar van de code en de IP, en het werk is vanaf het begin EU AI Act- en AVG-bewust opgezet. Draai je een SCADA systeem, dan is de nuttigste volgende stap zelden méér sensoren. Het is uitzoeken wat de data die je al hebt waard is.
Veelgestelde vragen
Wat is een SCADA systeem in eenvoudige woorden?
Een SCADA systeem is software en hardware waarmee operators een industrieel proces in realtime bewaken en besturen. Het leest metingen uit veldapparaten als PLC's en RTU's, toont ze op dashboards, geeft alarmen af en stuurt besturingscommando's terug — en legt de data ondertussen vast in een historian voor later gebruik.
Wat is het verschil tussen SCADA en een PLC?
Een PLC doet de snelle, realtime besturing bij de machine — die beslist in milliseconden of een klep opengaat of dat er wordt uitgeschakeld bij een storing. SCADA zit daarboven: het verzamelt signalen van veel PLC's en RTU's, presenteert ze aan operators, logt events en maakt toezicht over een hele lijn of fabriek mogelijk. De PLC bestuurt; SCADA houdt toezicht en legt vast.
Wat is een historian in een SCADA systeem?
Een historian is de time-seriesdatabase in een SCADA systeem die elke tagwaarde met een tijdstempel opslaat, vaak jarenlang. Daar leeft de werkelijke geschiedenis van het proces — temperaturen, drukken, flows, stromen, setpoints — en het is de grondstof voor predictive maintenance, energieanalyse en OEE. Voor de meeste fabrieken is het de meest waardevolle en meest onderbenutte output van het SCADA systeem.
Waarom is consistente tagnaamgeving zo belangrijk?
Consistente tagnaamgeving bepaalt of je historian-data ooit geanalyseerd kan worden. Als dezelfde asset per sectie andere tagnamen heeft, eenheden verschuiven of een tag na een retrofit is hergebruikt, lijkt de data compleet maar is ze in stilte dubbelzinnig — en assets vergelijken of modellen trainen wordt traag, foutgevoelig speurwerk. Een gedocumenteerde conventie vanaf dag één kost vrijwel niets en beschermt jaren aan data.
Hoe maakt SCADA-data predictive maintenance mogelijk?
SCADA-data maakt predictive maintenance mogelijk door jaren aan vastgelegd apparaatgedrag te leveren — elke opstart, trip en geleidelijke degradatie — als gelabelde trainingsdata. Als de sample rate snel genoeg is en dead-banding de vroege signalen niet heeft gewist, kan een model leren hoe de data van een asset eruitziet in de weken vóór uitval. Zonder die schone geschiedenis blijft predictive maintenance theorie, en daarom hoort een datakwaliteitscheck vóór elk model.