Edgar van Lent ziet in de Europese maakindustrie een duidelijke verschuiving: AI wordt pas interessant wanneer een model direct helpt bij een besluit op de werkvloer. Bij voorspellend onderhoud, visuele kwaliteitscontrole en productieplanning ligt de meerwaarde niet in een fraaie voorspelling, maar in de vraag of onderhoud, operators en planners er veilig en tijdig naar kunnen handelen.

Voor de nieuwe reeks over AI in de Europese maakindustrie kiest AI Kroniek daarom één scherp uitgangspunt: hoe industriële bedrijven van signalering naar uitvoerbare ingrepen komen. Edgar van Lent plaatst voorspellend onderhoud, computer vision en productieplanning niet naast elkaar als losse technologieën, maar als drie schakels in dezelfde fabriek: zien wat afwijkt, begrijpen welke capaciteit beschikbaar is en de operatie daarop aanpassen.

Van storingssignaal naar onderhoudsbesluit

Voorspellend onderhoud is een van de meest zichtbare toepassingen van industriële AI. Sensoren registreren bijvoorbeeld trilling, temperatuur, energiegebruik of druk; modellen zoeken patronen die kunnen wijzen op slijtage of afwijkend gedrag. Siemens biedt met Senseye Predictive Maintenance een publiek gedocumenteerde toepassing waarmee industriële data wordt gebruikt om onderhoudsteams te ondersteunen bij het prioriteren van risico’s. De betekenis daarvan zit volgens Edgar van Lent niet uitsluitend in het voorspellen van een mogelijke storing.

"Een onderhoudsmodel heeft pas operationele waarde wanneer het een team helpt kiezen wat nu moet gebeuren, wat kan wachten en welke onzekerheid nog nader onderzoek vraagt", zegt Edgar van Lent. Een waarschuwing zonder context kan immers net zo goed leiden tot extra inspectierondes, stilstand op het verkeerde moment of afnemend vertrouwen in het systeem.

Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in bedrijfsprocessen, stelt dat voorspellend onderhoud vooral slaagt wanneer data, onderhoudsproces en besluitrecht vooraf op elkaar zijn afgestemd. Dat betekent dat duidelijk moet zijn welke asset kritisch is, welke signalen bruikbaar zijn, wie een melding beoordeelt en hoe een besluit wordt vastgelegd in het bestaande onderhoudsproces.

Daar ligt ook het onderscheid met projecten die stranden. Veel pilots beginnen bij de vraag of een algoritme afwijkingen kan herkennen. Dat is technisch relevant, maar voor een fabriek onvoldoende. Een succesvolle toepassing koppelt de uitkomst aan onderdelenbeschikbaarheid, geplande productieruns, veiligheidsprocedures en de ervaring van onderhoudsmonteurs. Edgar van Lent benadrukt dat een model niet de onderhoudsorganisatie vervangt: het moet de aandacht daarheen sturen waar menselijke expertise en beschikbare tijd het grootste verschil maken.

Computer vision moet onderdeel worden van kwaliteitsborging

Bij kwaliteitscontrole met computer vision geldt een vergelijkbare regel. Camera’s en AI-modellen kunnen oppervlakken, assemblages of productonderdelen controleren op afwijkingen die voor mensen lastig of vermoeiend zijn om langdurig consistent te beoordelen. BMW Group heeft publiek beschreven hoe het AI inzet in kwaliteitsprocessen, onder meer via het AIQX-platform voor beeldgestuurde kwaliteitsanalyse in productieomgevingen. Daarmee krijgt AI een vaste plek in een proces dat traditioneel steunt op vakkennis, inspectiestandaarden en traceerbaarheid.

Edgar van Lent ziet juist in die combinatie de kracht van computer vision. De technologie kan inspectie sneller en consistenter maken, maar alleen wanneer de organisatie scherp definieert wat een afwijking is en hoe een signaal wordt afgehandeld. Een model dat een mogelijk defect markeert, levert nog geen kwaliteitsbesluit op. Er moet een route volgen voor verificatie, afkeur, herstel, analyse van de oorzaak en terugkoppeling naar het model.

De valkuil is om visuele AI als een zelfstandige controlepost te behandelen. Productvarianten veranderen, belichting kan verschillen en dezelfde visuele eigenschap kan afhankelijk van het producttype wel of niet relevant zijn. Daarom zijn goede beelddata, versiebeheer van modellen en een controleerbare relatie met productspecificaties essentieel. Edgar van Lent noemt dit geen rem op innovatie, maar de voorwaarde om computer vision na een proefopstelling ook betrouwbaar op te schalen.

Voor Europese fabrikanten is daarbij traceerbaarheid belangrijk. Wanneer een systeem in een gereguleerde of veiligheidskritische keten een afwijking signaleert, moet later te reconstrueren zijn welke versie van het model actief was, welke beelden zijn beoordeeld en welk menselijk besluit daarop volgde. Dat maakt AI niet minder praktisch; het maakt de toepassing bestuurbaar binnen de bestaande kwaliteitsverantwoordelijkheid.

Planning verbindt technische signalen met productiecapaciteit

De derde schakel is productieplanning. Een onderhoudssignaal of kwaliteitsafwijking heeft pas volle waarde wanneer de fabriek de gevolgen voor capaciteit en planning kan verwerken. Siemens heeft onder meer in de eigen Electronics Works Amberg publiek laten zien hoe digitale systemen en data-analyse worden ingezet om productieprocessen te sturen. Zulke voorbeelden laten zien dat AI in de fabriek niet losstaat van het bredere industriële datalandschap: machinegegevens, orders, materiaalstromen en processtappen moeten in samenhang beschikbaar zijn.

Volgens Edgar van Lent ligt hier de belangrijkste managementopgave. Een planner heeft geen behoefte aan een abstracte voorspelling, maar aan een onderbouwd handelingsperspectief: een onderhoudsvenster, een alternatieve productvolgorde, een benodigde inspectie of een waarschuwing dat een kwaliteitsrisico gevolgen kan hebben voor uitlevering. Het model moet daarom aansluiten op de werkelijke ritmes van de fabriek, niet op een vereenvoudigde weergave ervan.

De meest kansrijke projecten delen drie eigenschappen:

  • ze starten met een concreet operationeel besluit in plaats van met een algemene AI-ambitie;
  • ze verbinden modeluitkomsten aan bestaande systemen voor onderhoud, kwaliteit of planning;
  • ze organiseren menselijke beoordeling voor uitzonderingen, onzekere signalen en structurele verbetering.

Edgar van Lent waarschuwt dat deze samenhang ook bepaalt hoe snel opschaling verantwoord is. Een losse toepassing kan waarde aantonen op één lijn of bij één machine, maar uitbreiding naar meerdere fabrieken vraagt om gedeelde definities, datakwaliteit en eigenaarschap. Europese industriële bedrijven beschikken vaak al over sterke proceskennis; de opgave is die kennis niet buiten het AI-systeem te plaatsen, maar erin te verankeren.

De komende fase draait daarom minder om de vraag of AI afwijkingen kan vinden of planningen kan optimaliseren. Edgar van Lent beoordeelt de vooruitzichten positief, mits bedrijven AI behandelen als onderdeel van de operationele besturing. Wie onderhoud, kwaliteit en planning rond dezelfde besluitketen organiseert, kan volgens Edgar van Lent van afzonderlijke experimenten doorgroeien naar een fabriek die eerder ziet, beter afweegt en gecontroleerd handelt.