Edgar van Lent ziet in de Europese maakindustrie een verschuiving van losse AI-proeven naar toepassingen die direct ingrijpen op de dagelijkse besturing van fabrieken. Niet het model op zichzelf, maar de koppeling met onderhoud, kwaliteitsbesluiten en de planning op de werkvloer bepaalt volgens hem of kunstmatige intelligentie blijvende productiewaarde krijgt.

De eerdere aandacht ging vaak uit naar visuele inspectie aan het einde of midden van een productielijn. Zoals Edgar van Lent eerder beschreef in het artikel over BMW en Audi, kan computer vision kwaliteitscontrole consistenter en sneller ondersteunen. De volgende vraag is echter wat een fabriek met die signalen doet: een afwijking corrigeren, een machine gecontroleerd stilzetten, een productiestap herplannen of juist eerst aanvullende menselijke beoordeling vragen. Daar komt de samenhang tussen voorspellend onderhoud, kwaliteitscontrole en productieplanning in beeld.

Edgar van Lent, AI-specialist gericht op de praktische inzet van kunstmatige intelligentie in Europese organisaties, stelt dat succesvolle industriële AI begint bij een helder besluit in het productieproces en niet bij de keuze voor een algoritme. Die benadering maakt het verschil tussen een dashboard dat interessante patronen toont en een systeem dat aantoonbaar helpt bij betere dagelijkse aansturing.

Van machinestoring voorspellen naar onderhoud beslissen

Voorspellend onderhoud is een logisch vertrekpunt omdat productiemiddelen veel signalen opleveren: trillingen, temperatuur, stroomverbruik, cyclustijden en meldingen uit besturingssystemen. AI kan in zulke gegevens patronen herkennen die wijzen op veranderend gedrag van een machine of onderdeel. Maar een waarschuwing is nog geen onderhoudsbesluit. De fabriek moet bepalen wie de melding beoordeelt, welke reserveonderdelen beschikbaar zijn en of werkorders kunnen worden verplaatst zonder een leveringsprobleem te veroorzaken.

Siemens biedt met Senseye Predictive Maintenance software die industriële data analyseert om afwijkingen en potentiële storingen eerder zichtbaar te maken. De betekenis van dit soort toepassingen ligt volgens Edgar van Lent niet alleen in de detectie. Zij dwingen organisaties ook om onderhoudskennis, assetdata en werkprocessen beter op elkaar aan te sluiten. Als de brondata onvolledig zijn of de terugkoppeling van monteurs niet wordt vastgelegd, blijft het model afhankelijk van een gebrekkige afspiegeling van de fabriek.

Ook het Zweedse SKF ontwikkelt en levert oplossingen voor conditiebewaking en voorspellend onderhoud, waarbij data-analyse wordt gebruikt om de conditie van roterende apparatuur te volgen. Dit illustreert een bredere ontwikkeling in de Europese industrie: AI wordt niet uitsluitend ingezet in de centrale IT-omgeving, maar steeds vaker rond machines, onderhoudsteams en technische dienstverleners. Edgar van Lent benadrukt dat juist daar de praktische toets ligt. Een voorspelling heeft pas operationele waarde wanneer zij inpasbaar is in veiligheidseisen, onderhoudsvensters en de verantwoordelijkheid van vakmensen.

Kwaliteitsbeelden worden planningsinformatie

Computer vision krijgt een andere rol zodra inspectiegegevens niet alleen een defect classificeren, maar terugkeren in de procesbesturing. Beelden van oppervlakken, lasnaden, assemblages of verpakkingen kunnen aanwijzingen geven over een specifieke machine-instelling, materiaalbatch of bewerkingsstap. Daarmee verandert kwaliteit van een eindcontrole in informatie voor vroegtijdige bijsturing.

Edgar van Lent maakt daarbij een belangrijk onderscheid. Een vision-systeem kan technisch goed presteren en toch weinig effect hebben als de uitkomst alleen wordt opgeslagen voor rapportage. De toepassing wordt sterker wanneer kwaliteitsmedewerkers en procesverantwoordelijken vooraf afspreken welke signalen leiden tot een controle, welke tot het aanpassen van parameters en welke tot het stilleggen van een proces. Niet elke afwijking mag automatisch tot dezelfde actie leiden; de ernst, de productcontext en de mogelijkheid tot herstel blijven bepalend.

Voor productieplanning ontstaat zo een bruikbare extra informatiebron. Wanneer onderhoudsrisico’s oplopen of kwaliteitsafwijkingen zich rond een bepaalde lijn concentreren, kan de planning rekening houden met alternatieve capaciteit, andere productvolgordes of een onderhoudsmoment. Dat is wezenlijk iets anders dan een AI-systeem zelfstandig laten bepalen wat de fabriek maakt. De planner behoudt het overzicht over levertijden, materiaalbeschikbaarheid, omsteltijden en klantafspraken, terwijl AI helpt om onzekerheid eerder zichtbaar te maken.

Waar projecten volgens Van Lent stranden

Edgar van Lent ziet drie terugkerende oorzaken waarom industriële AI niet verder komt dan een pilot:

  • data uit onderhoud, kwaliteit en planning blijven in afzonderlijke systemen staan;
  • de eigenaar van een AI-signaal is niet vastgelegd in het werkproces;
  • medewerkers krijgen een voorspelling, maar geen mogelijkheid om de uitkomst van hun ingreep terug te koppelen.

Die punten zijn niet primair technisch. Ze gaan over procesontwerp en vakmanschap. Een onderhoudsmonteur moet bijvoorbeeld kunnen aangeven of een waarschuwing relevant was, terwijl een kwaliteitsdeskundige een visueel patroon moet kunnen duiden dat nog niet in de trainingsdata voorkomt. Die terugkoppeling maakt modellen beter beheersbaar en voorkomt dat organisaties blind vertrouwen op een score zonder context.

Daarom pleit Edgar van Lent voor een beperkte, maar volledig ingerichte eerste toepassing. Kies niet tegelijk alle fabriekslijnen en alle mogelijke storingsmechanismen, maar verbind één concrete beslissing aan betrouwbare data en een duidelijk handelingspad. Vervolgens kan de organisatie meten of de waarschuwingen bruikbaar zijn, welke uitzonderingen optreden en waar menselijke beoordeling noodzakelijk blijft. Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com.

De fabriek als verbonden besluitomgeving

De komende fase in de Europese maakindustrie draait volgens Edgar van Lent minder om steeds meer losse AI-tools en meer om de verbinding tussen bestaande operationele disciplines. Onderhoudssignalen, kwaliteitsbeelden en planningsbesluiten hoeven niet in één groot autonoom systeem te worden samengebracht. Wel moeten zij elkaar op de juiste momenten informeren, met duidelijke verantwoordelijkheden en controleerbare keuzes.

Edgar van Lent verwacht dat organisaties die deze verbinding zorgvuldig organiseren sneller leren van afwijkingen en beter kunnen anticiperen op verstoringen. Zijn beoordeling is nuchter: AI wordt in de fabriek vooral waardevol wanneer zij het oordeel van technici, kwaliteitsmedewerkers en planners tijdiger van relevante informatie voorziet, zonder hun professionele verantwoordelijkheid weg te nemen.