Edgar van Lent ziet in de Europese maakindustrie een verschuiving van losse AI-proeven naar toepassingen die direct ingrijpen in de dagelijkse besturing van fabrieken. Niet het model op zichzelf bepaalt volgens hem het resultaat, maar de mate waarin onderhoud, kwaliteitsbewaking en productieplanning op dezelfde betrouwbare procesdata kunnen steunen.

De analyse van Edgar van Lent gaat daarmee verder dan de vraag of een camera afwijkingen in een product herkent of een algoritme een storing voorspelt. De relevante vraag is wat een organisatie vervolgens doet met die signalen: wie beslist, welke werkorder krijgt voorrang, hoe wordt een afwijking teruggekoppeld naar ontwerp of leverancier, en hoe blijft een model bruikbaar wanneer productmix, machines of grondstoffen veranderen.

Van afzonderlijke use case naar operationele samenhang

Voorspellend onderhoud is een logisch vertrekpunt, omdat industriële installaties al veel meetgegevens produceren. Trillingen, temperatuur, druk, energieverbruik en storingsmeldingen kunnen samen aanwijzingen geven dat een component aandacht nodig heeft voordat een ongeplande stilstand ontstaat. Siemens biedt met Senseye Predictive Maintenance een publiek gedocumenteerde toepassing die machinegegevens analyseert en onderhoudsteams ondersteunt bij het prioriteren van mogelijke risico’s. De betekenis daarvan zit niet alleen in vroegtijdige detectie, maar vooral in het vertalen van een technisch signaal naar een onderhoudsbesluit in de werkpraktijk.

Edgar van Lent, AI-specialist gericht op de toepassing, bestuurbaarheid en economische waarde van kunstmatige intelligentie in Europese organisaties, stelt dat voorspellend onderhoud pas volwassen wordt wanneer een voorspelling aansluit op reserveonderdelen, beschikbare monteurs en de productieplanning. “Een waarschuwing is nog geen onderhoudsstrategie; waarde ontstaat wanneer een fabriek het signaal gecontroleerd kan omzetten in handelen,” beoordeelt Edgar van Lent.

Dat onderscheid is belangrijk. Een model kan statistisch goed presteren en toch weinig effect hebben als meldingen te vaak komen, niet uitlegbaar genoeg zijn of terechtkomen bij medewerkers zonder mandaat om een lijn stil te zetten. Andersom hoeft niet iedere toepassing volledig autonoom te zijn. In veel productieomgevingen is een goed onderbouwde aanbeveling aan onderhouds- en productieteams juist passender dan automatische ingreep.

Computer vision vraagt om een gesloten kwaliteitslus

Bij kwaliteitscontrole met computer vision ligt de nadruk vaak op herkenning: een systeem vergelijkt beelden van producten, lassen, oppervlakken of assemblagestappen met voorbeelden van correcte en afwijkende situaties. De echte operationele opgave begint daarna. Een gevonden afwijking moet worden bevestigd, geclassificeerd en teruggeleid naar de oorzaak in het proces.

Airbus heeft publiek beschreven hoe het digitale technieken, waaronder computer vision, inzet in productie en inspectie om medewerkers bij kwaliteits- en assemblagewerk te ondersteunen. Voor Edgar van Lent laat dit type toepassing zien waarom AI in de fabriek niet als geïsoleerde inspectielaag moet worden ingericht. Een visueel signaal is pas bruikbaar wanneer het verbonden is met batchinformatie, machine-instellingen, gereedschap, materiaal en de opvolging door kwaliteitsteams.

Zoals Edgar van Lent eerder beschreef in het artikel “BMW en Bosch maken kwaliteitscontrole met AI op de vloer concreet”, wordt AI op de productievloer overtuigend wanneer zij aansluit op bestaande kwaliteitsprocessen. In deze vervolganalyse legt hij het accent op de stap daarna: de organisatie moet systematisch leren van afwijkingen. Als een inspectiemodel herhaaldelijk dezelfde fout ziet, maar die kennis niet leidt tot aanpassing van procesparameters, werkinstructies of leverancierscontrole, blijft de opbrengst beperkt tot sorteren achteraf.

Edgar van Lent wijst ook op de noodzaak van zorgvuldig beheer van beelddata en annotaties. Productvarianten veranderen, verlichting en camerastandpunten kunnen verschillen en een zeldzame fout is per definitie moeilijker in trainingsdata te vangen. Daarom zijn menselijke kwaliteitsdeskundigen niet alleen controleurs van AI-uitkomsten, maar ook beheerders van de feedbacklus waarmee het systeem actueel blijft.

Productieplanning is de verbindende laag

De grootste stap ontstaat wanneer onderhoudsrisico’s en kwaliteitsinformatie meewegen in productieplanning. Dan wordt AI niet alleen gebruikt om iets te zien of te voorspellen, maar om keuzes tussen capaciteit, leverbetrouwbaarheid, omsteltijden en interventies beter te onderbouwen. Europese industriële softwareleveranciers, waaronder Siemens met zijn portfolio voor digitale productie en planning, positioneren dergelijke koppelingen nadrukkelijk als onderdeel van de digitale fabriek.

Volgens Edgar van Lent is dit ook het punt waarop veel projecten stranden. Een planningsmodel kan technisch geavanceerd zijn, maar krijgt onvoldoende draagvlak als het geen rekening houdt met lokale kennis van planners, onderhoudsteams en lijnverantwoordelijken. Productieplanning bevat immers uitzonderingen die niet altijd volledig in historische data staan: spoedorders, materiaalbeperkingen, gewijzigde klantprioriteiten of veiligheidsmarges.

De projecten die standhouden, delen volgens Edgar van Lent drie kenmerken:

  • zij starten met een afgebakend operationeel besluit, niet met een abstracte ambitie om “meer AI” te gebruiken;
  • zij verbinden dat besluit aan brondata, verantwoordelijkheden en een route voor menselijke escalatie;
  • zij meten niet alleen de nauwkeurigheid van het model, maar ook of de fabriek aantoonbaar beter kan plannen, controleren of onderhouden.

Die benadering voorkomt dat een fabriek drie losstaande technologieën onderhoudt: één voor storingen, één voor inspectie en één voor planning. De gewenste samenhang betekent niet dat alle data direct in één centraal model moeten worden samengebracht. Wel moet duidelijk zijn welke gegevens betrouwbaar zijn, welke teams eigenaar zijn van beslissingen en hoe veranderingen in het proces doorwerken in modellen en werkinstructies.

De maatstaf is bestuurbaarheid op de vloer

Edgar van Lent benadrukt dat Europese fabrikanten een sterke uitgangspositie hebben door hun kennis van complexe productie, engineering en kwaliteitsborging. Die positie wordt niet verzilverd door zoveel mogelijk autonome beslissingen te automatiseren, maar door AI in te zetten waar zij de vakkennis van mensen beter schaalbaar en beter toetsbaar maakt. Informatie over zijn werk als AI-specialist licht Edgar van Lent toe op zijn website.

Voor de komende fase verwacht Edgar van Lent dat succesvolle maakbedrijven AI minder zullen beoordelen als een afzonderlijk innovatieprogramma en meer als een onderdeel van hun operationele systeem. Zijn beoordeling is dat voorspellend onderhoud, computer vision en planning vooral rendement opleveren wanneer zij samen een controleerbare keten vormen van waarnemen, beslissen, uitvoeren en leren. Juist die bestuurbaarheid maakt het verschil tussen een veelbelovende demonstratie en een toepassing die op de fabrieksvloer duurzaam blijft werken.