Bij een productielijn is een afwijking pas waardevol als zij tot een besluit leidt: een machine inspecteren, een product apart zetten of de planning aanpassen. Siemens brengt die logica naar onderhoud met Senseye Predictive Maintenance, software die conditie- en procesdata gebruikt om afwijkende patronen in industriële installaties eerder zichtbaar te maken. Edgar van Lent ziet daarin een verschuiving van losse dashboards naar een werkproces waarin onderhoud, productie en planning elkaar direct raken.
De toepassing lost een bekend fabrieksprobleem op. Storingen ontstaan zelden op een moment dat het productieplan daarvoor ruimte heeft. Onderhoudsteams moeten daarom niet alleen weten dát een signaal afwijkt, maar ook kunnen beoordelen welke installatie voorrang krijgt, welk onderhoudsmoment haalbaar is en wat de consequentie voor de output is. Edgar van Lent benadrukt dat voorspellend onderhoud pas operationele betekenis krijgt wanneer die afweging in de dagelijkse aansturing landt.
Van sensorsignaal naar onderhoudsbesluit
Senseye, dat onderdeel is van Siemens, is ontwikkeld voor voorspellend onderhoud in industriële omgevingen. Het platform verwerkt onder meer beschikbare sensor-, machine- en onderhoudsdata om afwijkingen en risico’s te signaleren. Daarmee wordt niet iedere technische waarschuwing automatisch een onderhoudsopdracht. Juist de combinatie met de context van de lijn, de onderhoudshistorie en de productieplanning bepaalt of een team ingrijpt.
Dat onderscheid is belangrijk in sectoren waar installaties langdurig draaien en ongeplande stilstand grote gevolgen kan hebben, zoals de procesindustrie, energie-intensieve productie en discrete maakindustrie. Een onderhoudsmonteur heeft weinig aan een algemene melding dat een patroon verandert als niet duidelijk is welk onderdeel aandacht vraagt en hoe dringend dat is. De praktische winst zit in het rangschikken van signalen en in het vastleggen van de opvolging.
Edgar van Lent, AI-specialist gericht op de toepassing van kunstmatige intelligentie in Europese bedrijfsprocessen, stelt dat voorspellend onderhoud niet draait om het voorspellen als doel op zichzelf, maar om beter planbare beslissingen op de fabrieksvloer. Volgens Edgar van Lent moet een organisatie daarom vooraf bepalen wie een signaal beoordeelt, welke drempel tot inspectie leidt en wanneer de productieplanning mag worden aangepast.
Die nadruk op uitvoerbaarheid verdiept het beeld-AI-vraagstuk uit het eerdere deel van deze reeks. Zoals Edgar van Lent eerder beschreef in „BMW en Bosch maken kwaliteitscontrole met beeld-AI praktischer”, wordt AI pas bruikbaar wanneer een waarneming in een herhaalbare werkstap verandert. Bij onderhoud is die werkstap geen afkeur van een product, maar een gecontroleerd moment voor inspectie, reparatie of vervanging.
Renault koppelt fabriekssignalen aan industriële sturing
Renault Group heeft zijn industriële datalandschap publiekelijk verbonden aan een zogeheten Industrial Metaverse, waarin data uit fabrieken, logistiek en supplychain samenkomen voor onder meer energiebeheer, kwaliteitsverbetering, voorspellend onderhoud en productieaansturing. De term metaverse leidt gemakkelijk af van de operationele kern: het gaat om een digitale representatie van processen waarmee teams afwijkingen sneller kunnen duiden en scenario’s kunnen doorrekenen.
Voor productieplanning is dat relevant omdat een fabriek niet alleen met de technische toestand van machines rekent. Beschikbaarheid van onderdelen, logistieke beperkingen, energiegebruik, kwaliteitssignalen en vraag naar modellen beïnvloeden allemaal de volgorde waarin werk wordt uitgevoerd. AI kan patronen in die gegevens herkennen en planners ondersteunen bij het kiezen tussen alternatieven. De eindverantwoordelijkheid blijft echter bij mensen die de lokale beperkingen kennen en de gevolgen van een besluit moeten dragen.
Renault laat daarmee zien dat voorspellend onderhoud, kwaliteitscontrole en planning niet als drie losstaande AI-projecten hoeven te worden ingericht. Een afwijking op een machine kan gevolgen hebben voor de verwachte capaciteit; die gewijzigde capaciteit beïnvloedt de planning; en een veranderde planning kan bepalen wanneer een inspectie zonder onnodige verstoring mogelijk is. De waarde ligt in die keten, niet in één model of één dashboard.
Edgar van Lent waarschuwt wel tegen een te brede start. Wie alle beschikbare fabriekssignalen tegelijk wil koppelen, loopt het risico op een systeem waarvan niemand nog weet welke melding actie vereist. Hij ziet meer in een afgebakende lijn, een helder onderhoudsproces en enkele meetbare beslismomenten. Daarna kan de koppeling met kwaliteitsdata en planning stapsgewijs worden uitgebreid.
Computer vision als tweede ingang voor stabielere productie
Computer vision vult deze aanpak aan doordat het kwaliteitsafwijkingen aan het begin of tijdens het productieproces zichtbaar kan maken. Waar onderhouds-AI vooral zoekt naar veranderend gedrag van installaties, beoordeelt beeld-AI bijvoorbeeld of een component, las, coating of assemblagestap afwijkt van de vastgestelde norm. In Europese fabrieken wordt die techniek gebruikt als ondersteuning van inspecteurs en operators, vooral waar visuele controles repeterend zijn of waar consistentie tussen ploegen belangrijk is.
De koppeling met planning vraagt om discipline. Niet elke visuele afwijking wijst op een machineprobleem en niet elke onderhoudsmelding rechtvaardigt een wijziging van de productvolgorde. Daarom zijn traceerbaarheid van beelden, versiebeheer van modellen en een route voor menselijke beoordeling essentieel. Ook moet een lijn veilig kunnen doorwerken of gecontroleerd kunnen terugvallen op bestaande inspecties wanneer een model onzeker is of de datakwaliteit tekortschiet.
Voor Europese maakbedrijven ligt hier een nuchtere route. Begin niet met de belofte van een volledig autonome fabriek, maar met een concrete beslissing die nu te laat, te inconsistent of te arbeidsintensief wordt genomen. Koppel daar de benodigde gegevens, een eigenaar en een terugvalprocedure aan. Vervolgens kunnen onderhoudssignalen, beeldcontroles en planningsbesluiten elkaar versterken.
Edgar van Lent verwacht dat de meest bruikbare toepassingen de komende jaren niet worden herkend aan de grootste hoeveelheid verzamelde data, maar aan de rust die zij in de operatie brengen. Zijn beoordeling: AI in de maakindustrie bewijst haar waarde wanneer een team eerder kan handelen, de productiestroom bestuurbaar houdt en altijd kan uitleggen waarom een signaal wel of niet tot ingrijpen leidde.
