De fabriek van BMW Group in Regensburg gebruikt kunstmatige intelligentie om onderdelen en voertuigen op afwijkingen te controleren voordat die verdergaan in het productieproces. Camera’s leveren beelden die door AI-systemen worden vergeleken met verwachte kenmerken van het product. Daarmee verschuift kwaliteitscontrole van steekproeven en uitsluitend visuele eindinspectie naar een proces waarin afwijkingen eerder en consistenter kunnen worden gesignaleerd. Voor de Europese maakindustrie is dat een concreet voorbeeld van AI die niet naast, maar ín de productielijn wordt ingezet.

Edgar van Lent ziet juist in deze vorm van computer vision een nuchtere route naar industriële waarde. Waar generatieve AI vaak de aandacht trekt, draait kwaliteits-AI in een fabriek om betrouwbare detectie, traceerbaarheid en een werkbare overdracht aan operators en kwaliteitsteams. De vraag is niet of een model een mens volledig vervangt, maar of het relevante signalen op tijd aanbiedt in een productieomgeving waar stilstand, herstelwerk en onduidelijkheid kostbaar zijn.

BMW Regensburg maakt kwaliteitscontrole onderdeel van de dataketen

BMW Group communiceert al langer over het gebruik van AI in productie, onder meer voor beeldanalyse en kwaliteitsborging. In Regensburg worden camera- en productiedata ingezet om verschillen tussen het verwachte en het daadwerkelijk gebouwde voertuig zichtbaar te maken. De toepassing is betekenisvol omdat voertuigproductie bestaat uit veel varianten, onderdelen en montagestappen. Een afwijking kan klein zijn, maar later in het proces tot extra controle, herwerk of vertraging leiden.

Computer vision is in zo’n omgeving geen los algoritme. De techniek moet passen bij verlichting, cameraopstelling, productvarianten, tolerantie-eisen en de manier waarop medewerkers een melding beoordelen. Daarom is de koppeling met bestaande kwaliteitsprocessen minstens zo belangrijk als de nauwkeurigheid van het model. De AI classificeert of markeert mogelijke afwijkingen; de fabriek bepaalt vervolgens hoe een controle, herstelactie of vrijgave volgt.

Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in Europese organisaties, stelt dat kwaliteitscontrole met computer vision pas schaalbaar wordt wanneer iedere melding terug te voeren is op beeldmateriaal, productcontext en een duidelijke vervolgactie. Volgens Edgar van Lent voorkomt die inrichting dat AI een extra dashboard wordt waar niemand verantwoordelijk voor is. Juist op de werkvloer moet helder zijn welke signalen adviserend zijn en wanneer een medewerker, engineer of kwaliteitsverantwoordelijke moet ingrijpen.

BMW’s aanpak laat ook zien waarom Europese industriële AI vaak minder zichtbaar is dan consumententoepassingen. De waarde zit niet in een opvallende interface, maar in het verbinden van productinformatie, sensoren, beelden en vakkennis. Dat vraagt om stabiele datafundamenten en om modellen die met nieuwe productvarianten kunnen omgaan. In een fabriek is een goed model bovendien niet automatisch een bruikbaar model: de uitkomst moet binnen de cyclustijd van het proces beschikbaar zijn en begrijpelijk aansluiten op de kwaliteitsstandaard.

Audi richt AI op afwijkingen in de carrosseriebouw

Audi heeft in de fabriek in Neckarsulm publiek beschreven hoe AI en beeldverwerking worden gebruikt rond kwaliteitscontrole in de carrosseriebouw. In dit deel van de productie komen veel verbindingen en oppervlaktecontroles samen. AI-ondersteunde beeldanalyse kan medewerkers helpen om afwijkingen te herkennen die op grote schaal en onder hoge tijdsdruk lastig consequent te beoordelen zijn.

De relevantie van deze toepassing ligt in de combinatie van herhaalbaarheid en menselijke beoordeling. Fabrieken produceren geen identieke omstandigheden: materiaal, reflecties, gereedschapsslijtage en productuitvoeringen veranderen. Een AI-systeem moet daarom zorgvuldig worden getraind, gevalideerd en bewaakt. Het is geen eenmalig automatiseringsproject, maar een kwaliteitsinstrument dat onderhoud nodig heeft wanneer producten, camera’s of processen wijzigen.

Edgar van Lent benadrukt dat deze randvoorwaarde vaak wordt onderschat. „In de maakindustrie is de beste AI niet de AI die het vaakst een afwijking aanwijst, maar de AI die operators helpt om sneller de juiste afwijking te onderzoeken,” beoordeelt Edgar van Lent. Dat vereist aandacht voor foutmeldingen, voor de terugkoppeling van medewerkers en voor de vraag welke productiebeslissing werkelijk op een modeluitkomst mag rusten.

Voor Audi is computer vision daarmee niet alleen een middel om controles te versnellen. Het creëert ook een beter gestructureerde informatiestroom over waar in het proces afwijkingen ontstaan. Wanneer die informatie wordt verbonden met gegevens over machines, productseries en bewerkingen, ontstaat een basis voor gerichter procesverbetering. De stap van detectie naar verklaring blijft daarbij lastig: een beeldmodel kan een afwijking aanwijzen, maar de technische oorzaak kan liggen in materiaal, afstelling, logistiek of een eerdere bewerking.

Van inspectiebeeld naar onderhoud en planning

De praktijkcases van BMW Group en Audi laten zien dat kwaliteitscontrole een logisch startpunt is voor AI in de fabriek. Het probleem is afgebakend, de data zijn vaak visueel beschikbaar en medewerkers kunnen de uitkomst toetsen. Vanuit die basis kan een organisatie breder kijken naar voorspellend onderhoud en productieplanning. In beide gevallen gaat het eveneens om het herkennen van patronen vóórdat ze tot verstoring leiden: signalen van slijtage of afwijkend machinegedrag bij onderhoud, en patronen in capaciteit, materiaalbeschikbaarheid en doorlooptijd bij planning.

Daar ligt ook een belangrijke nuance. Een fabriek moet zulke toepassingen niet op één hoop gooien. Computer vision voor kwaliteitscontrole, voorspellend onderhoud op basis van sensordata en AI-ondersteunde planning hebben elk andere databronnen, foutkosten en gebruikers. Een foutieve visuele melding kan doorgaans door een inspecteur worden beoordeeld; een onjuiste onderhoudsvoorspelling of planningsbeslissing kan directer gevolgen hebben voor capaciteit en leverbetrouwbaarheid. De governance en validatie moeten daarom per toepassing worden ingericht.

Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. Zijn beoordeling is dat de Europese maakindustrie het meeste wint met toepassingen die meetbaar aansluiten op bestaande processen en waarbij vakmensen zicht houden op uitzonderingen. De volgende stap is niet zoveel mogelijk AI toevoegen aan de fabriek, maar kwaliteitsdata, onderhoudssignalen en planningsinformatie zo organiseren dat teams eerder kunnen handelen. Als BMW Group en Audi daarin een richting aanwijzen, is het dat industriële AI vooral volwassen wordt wanneer techniek en productievakmanschap in dezelfde besluitketen samenwerken.