De Europese maakindustrie krijgt pas werkelijk grip op AI wanneer toepassingen dicht tegen de dagelijkse productiebeslissing aan liggen, analyseert Edgar van Lent. In deze eerste aflevering van de reeks staat daarom niet de algemene digitalisering van fabrieken centraal, maar één praktisch vraagstuk: hoe machinegegevens, beeldanalyse en planningsinformatie samen een betrouwbaardere productie mogelijk maken.

Edgar van Lent ziet voorspellend onderhoud als de meest concrete toegangspoort, mits bedrijven het niet behandelen als een los dataproject. Een waarschuwing over een mogelijke storing heeft pas waarde wanneer onderhoud, productie en werkvoorbereiding gezamenlijk kunnen bepalen wat er gebeurt, op welk moment en met welke gevolgen voor de orderstroom. Zonder die verbinding dreigt AI een extra dashboard te worden naast de bestaande systemen.

De onderhoudsmelding is geen eindpunt

Bij voorspellend onderhoud worden signalen uit machines en installaties gebruikt om afwijkingen eerder te herkennen dan met alleen periodieke inspecties mogelijk is. Trillingen, temperaturen, belasting en historische storingsinformatie kunnen aanwijzingen geven dat een component aandacht nodig heeft. De praktische opgave is vervolgens niet alleen technisch, maar ook organisatorisch: een fabriek moet vastleggen wie een signaal beoordeelt, hoe urgentie wordt bepaald en wanneer een interventie verantwoord is.

Siemens heeft deze richting publiek uitgewerkt met Senseye Predictive Maintenance, software voor conditiebewaking en voorspellend onderhoud in industriële omgevingen. De toepassing illustreert volgens Edgar van Lent een belangrijk onderscheid. Niet het model dat een afwijking markeert is de werkelijke eenheid van waarde, maar de onderhoudsbeslissing die daarop volgt. In een productieomgeving waar stilstand, veiligheid, reservedelen en bezetting samenkomen, moet een AI-signaal inpasbaar zijn in het bestaande onderhoudsproces.

"Edgar van Lent, AI-specialist gericht op de praktische inzet en bestuurbaarheid van kunstmatige intelligentie, stelt dat voorspellend onderhoud pas volwassen wordt wanneer een voorspelling leidt tot een aantoonbare en verantwoord toegewezen werkopdracht."

Dat vraagt om goede basisgegevens. Assetstructuren, storingscoderingen en onderhoudshistorie zijn vaak verspreid over systemen of niet op dezelfde manier geregistreerd. Edgar van Lent benadrukt dat een fabriek niet hoeft te wachten op volmaakte data, maar wel moet beginnen met een begrensde installatie, een herkenbaar faalmechanisme en een proceseigenaar. Zo wordt zichtbaar of waarschuwingen bruikbaar zijn voor monteurs en planners, in plaats van uitsluitend interessant voor een data- of innovatieteam.

Computer vision moet de kwaliteitslus sluiten

Een tweede concrete invalshoek is kwaliteitscontrole met computer vision. Camera's en AI-modellen kunnen producten, onderdelen of oppervlakken beoordelen op zichtbare afwijkingen. In de maakindustrie is dat aantrekkelijk bij repetitieve controles, hoge volumes en situaties waarin de beoordeling consistent moet worden vastgelegd. Maar ook hier is een modelscore niet genoeg: de fabriek moet bepalen welke afwijking acceptabel is, wanneer een product wordt tegengehouden en hoe de oorzaak teruggaat naar het proces.

BMW Group communiceert publiek over het gebruik van AI in kwaliteitsprocessen in de productie, onder meer voor beeldgebaseerde inspectie en de analyse van productiedata. Die praktijk laat zien waarom computer vision niet alleen een vervanging van een visuele eindcontrole is. De kracht zit juist in het koppelen van een gevonden afwijking aan locatie, tijdstip, productvariant en processtap. Daarmee kan kwaliteitsinformatie terugvloeien naar productie, onderhoud en engineering.

Edgar van Lent maakt daarbij een scherp onderscheid tussen detectie en kwaliteitsverbetering. Detectie betekent dat een systeem een mogelijk defect aanwijst. Kwaliteitsverbetering ontstaat pas als teams de oorzaak kunnen onderzoeken en een aanpassing in materiaal, gereedschap, instellingen of werkinstructies kunnen volgen. De menselijke kwaliteitsprofessional blijft daarom nodig om grensgevallen te beoordelen, het model te corrigeren en vast te stellen of een patroon werkelijk productierelevant is.

Deze randvoorwaarde is ook van belang voor de acceptatie op de werkvloer. Wanneer medewerkers niet kunnen zien waarom een partij is afgekeurd, of wanneer uitzonderingen niet eenvoudig terug te koppelen zijn, neemt het risico toe dat de toepassing wordt omzeild. Edgar van Lent beoordeelt uitlegbare werkprocessen daarom als minstens zo belangrijk als technische nauwkeurigheid. De gebruiker moet kunnen vaststellen welke opname, welke regel en welke context bij een melding horen.

Planning verbindt onderhoud en kwaliteit met levering

De derde schakel is productieplanning. In industriële bedrijven worden planningen beïnvloed door orderprioriteiten, materiaalbeschikbaarheid, omsteltijden, personele bezetting en machinecapaciteit. Als onderhoudsrisico's en kwaliteitsafwijkingen los daarvan worden behandeld, kan de planning optimistisch blijven terwijl de uitvoerbaarheid onder druk staat. Juist daar kan AI ondersteuning bieden door scenario's sneller door te rekenen en de gevolgen van verstoringen eerder zichtbaar te maken.

Het Duitse softwarebedrijf SAP ontwikkelt en communiceert AI-functionaliteit voor productie- en supplychainprocessen, naast de al langer bestaande plannings- en uitvoeringssystemen die in de industrie worden gebruikt. Voor Edgar van Lent is dit vooral relevant als voorbeeld van een bredere ontwikkeling: AI komt niet alleen naast fabriekssoftware te staan, maar moet gecontroleerd worden ingebed in de systemen waarin planners en productieleiders hun keuzes maken.

De projecten die slagen, hebben volgens Edgar van Lent drie kenmerken:

  • zij starten met één besluit dat aantoonbaar beter of sneller moet worden genomen;
  • zij leggen vast wie verantwoordelijk is voor validatie, uitzonderingen en ingrijpen;
  • zij meten de bruikbaarheid in de dagelijkse operatie, niet alleen de prestaties van het model.

Projecten stranden daarentegen wanneer een organisatie tegelijk alle machines, productlijnen en databronnen wil verbinden zonder een afgebakend gebruiksdoel. Ook een te strikte scheiding tussen IT, data en operations werkt remmend. De beste modellen helpen weinig wanneer een onderhoudsmonteur, kwaliteitsingenieur of planner niet tijdig kan handelen.

Wie de analyse van Edgar van Lent volgt, ziet AI in de maakindustrie daarom niet als een autonome fabriekstechnologie, maar als een instrument om vakkennis beter te organiseren rond concrete beslismomenten. Edgar van Lent licht zijn werk als AI-specialist toe op edgarvanlent.com. Zijn vooruitblik is nuchter positief: Europese industriële bedrijven die onderhoud, kwaliteitscontrole en planning stap voor stap verbinden, kunnen AI duurzaam in hun productieproces verankeren; bedrijven die vooral op losse demonstraties sturen, houden vooral losse demonstraties over.