AI-kwaliteitscontrole en predictief onderhoud in de maakindustrie

De camera boven je productielijn ziet elke dag duizenden producten voorbijkomen, en de motor die de lijn aandrijft meet continu zijn eigen trilling en temperatuur. Toch belandt vrijwel al die informatie nergens: de operator keurt met het blote oog en onderhoud gebeurt volgens een vast schema of pas als er iets stilvalt. Daar ligt een van de meest onderschatte vormen van AI-winst in de maakindustrie, en je hebt er geen data-wetenschapper voor nodig. En de inzet is groot: slecht onderhoud kan de inzetbare capaciteit van een fabriek met 5 tot 20 procent verlagen, en elk uur ongeplande stilstand op een kritische lijn kost direct geld.

Deze gids is voor de fabrikant, de productieleider of de onderhoudsverantwoordelijke, van een MKB-maakbedrijf tot een productieafdeling binnen een groter concern, die AI van de offerte en de boekhouding naar de werkvloer wil halen. Niet met een groot transformatieproject, maar met één afgebakende pilot die je in een paar weken draaiend krijgt: een model dat afwijkingen herkent in beeld of sensordata, een alert dat de juiste persoon bereikt, en een onderhoudsschema dat zichzelf bijwerkt. De echte AI-winst in de maakindustrie ligt op de lijn zelf en niet in de administratie, in kwaliteit, onderhoud en planning. Dit is hoe je daar concreet aan begint.

Wat je nodig hebt

Voordat je iets installeert, zorg je dat deze zes dingen op orde zijn. De meeste heb je al, ze liggen alleen verspreid.

• Eén afgebakende use-case. Eén machine of één controlepunt, met één duidelijke vraag: herkent dit systeem een kras op dit product, of gaat deze lager binnenkort stuk? Niet „de hele fabriek slimmer maken”.
• Een databron die al draait. Voor kwaliteitscontrole een camera in een vaste opstelling met stabiele belichting (een industriële camera, of voor een eerste test een goede webcam of smartphone). Voor predictief onderhoud trillings- en temperatuursensoren op de machine, of de data die je PLC of SCADA-systeem al wegschrijft.
• Een plek om te labelen en te trainen. Een no-code platform voor beeldinspectie of een conditiemonitoring-tool waarin je de data verzamelt en een model opbouwt. Welke, daar kom ik bij stap 2 op terug.
• Het oordeel van je vakmensen. De operator die aanwijst wat goed en afgekeurd is, de monteur die normaal van afwijkend onderscheidt. Zonder dat menselijke label valt er voor het model niets te leren.
• Een baseline. Genoeg voorbeelden van goede en foute producten (kwaliteit), of een aaneengesloten periode van normale werking (onderhoud), zodat het model weet hoe „normaal” eruitziet.
• Een route voor de uitkomst. Een manier om een alert bij de juiste persoon te krijgen en er een werkorder van te maken: een automatiseringslaag zoals n8n of Make, gekoppeld aan je planning, Slack of WhatsApp.

In vijf stappen van meetdata naar een werkend alert

Een AI-pilot voor kwaliteitscontrole of predictief onderhoud zet je in vijf stappen op: kies één machine of controlepunt, verzamel en label beeld- of sensordata, train een model dat afwijkingen herkent, stel alerts in op die afwijkingen, en koppel ze aan een geautomatiseerd onderhoudsschema met een mens als laatste check.

Doorloop de stappen in deze volgorde, en weersta de verleiding om er meteen de hele fabriek bij te betrekken:

1. Kies één lijn en één vraag

Begin smal. Pak de machine of het controlepunt waar een fout je het meest kost: de lijn met de meeste afkeur, of de machine waarvan een storing de hele productie platlegt. Formuleer één meetbare vraag, bijvoorbeeld „herkent het systeem een ontbrekend onderdeel voordat het product wordt ingepakt” of „zien we een lager warmlopen voordat het bezwijkt”. Eén machine, één vraag, één succescriterium. Een pilot die werkt op één lijn rol je daarna uit; een project dat overal tegelijk begint, strandt overal tegelijk.

2. Verzamel en label je data

Hier wordt de pilot gemaakt of gebroken, want een model is precies zo goed als de voorbeelden die je het geeft.

Voor kwaliteitscontrole verzamel je beelden van goede en afgekeurde producten onder de belichting en hoek die je straks ook in productie gebruikt. In een no-code platform als LandingLens of Roboflow upload je die beelden en markeer je per beeld wat er mis is; beide bieden labelhulp met AI en draaien op de werkwijze uploaden, labelen, trainen, uitrollen, uitdrukkelijk zonder dat je een ML-team nodig hebt. Honderden goede voorbeelden en enkele tientallen per type defect zijn een realistisch begin; je vult ze later aan met de gevallen die het model in de praktijk mist.

Voor predictief onderhoud verzamel je een aaneengesloten periode sensordata van een gezonde machine: trilling, temperatuur, stroomverbruik. Die periode is je baseline, het beeld van „normaal” waartegen het model latere metingen afzet. Heb je historische storingen met data eromheen, dan zijn die goud waard, want daarmee leert het model hoe een aanloop naar uitval eruitziet.

3. Train of kalibreer het model

Met je gelabelde data train je het model. Op een no-code platform is dat vaak letterlijk één knop: het platform kiest het model, traint het en laat zien waar het nog twijfelt. Voor onderhoud draait het meestal niet om classificeren maar om anomaliedetectie: het model leert de baseline en slaat aan zodra de live-metingen daarvan afwijken. Begin bewust simpel. Een model dat betrouwbaar „dit wijkt af van normaal” zegt, is in een pilot waardevoller dan een model dat de exacte restlevensduur van een lager probeert te voorspellen en er net naast zit. Test het op data die het nog niet zag voordat je het op de lijn vertrouwt.

4. Stel alerts in op afwijkingen

Een model dat in een dashboard afwijkingen aanstreept maar niemand bereikt, verandert niets. Bepaal een drempel waarboven een afwijking de moeite waard is en stuur dat signaal naar de plek waar de juiste persoon toch al kijkt. Met een automatiseringslaag als n8n koppel je de uitkomst van het model aan een bericht in Slack, een WhatsApp-melding aan de dienstdoende monteur of een regel in je planning. Belangrijk: zet de drempel niet te scherp. Een systeem dat tien keer per dag vals alarm slaat, leert je mensen om alle alerts te negeren, en dan ben je slechter af dan voorheen.

5. Koppel het aan een onderhoudsschema of werkorder

De laatste stap maakt van een signaal een ingreep. Laat een bevestigde afwijking automatisch een werkorder aanmaken in je onderhouds- of planningssysteem, en plan het onderhoud in een venster waarin de lijn toch stilstaat in plaats van midden in een batch. Zet hier bewust een mens tussen het voorstel en de uitvoering. Welke acties je zonder tussenkomst laat doorrollen en welke pas mogen na een akkoord, bepaal je per actie met een goedkeuringspoort op basis van impact en omkeerbaarheid: een alert die een monteur waarschuwt mag automatisch, een opdracht om een lijn stil te leggen niet.

Valkuilen

De techniek is zelden waar een pilot op stukloopt. Dit zijn de fouten die ik het vaakst zie.

• Een model op slechte of te weinig data. Dit is de belangrijkste. Ford werd dit jaar voor het eerst in zestien jaar nummer één in de kwaliteitsranglijst van JD Power, maar moest daarvoor ruim 350 ervaren ingenieurs terughalen nadat te veel vertrouwen op automatisering de kwaliteit juist omlaag had gehaald. Automatisering versterkt een goed proces en vergroot de fouten van een slecht proces. Leg het oordeel van je beste mensen vast in je labels voordat die kennis met pensioen gaat.
• Te breed beginnen. Wie tien machines tegelijk uitrust, heeft tien half-werkende modellen en geen enkele winst om te laten zien. Eén machine goed laten werken levert het bewijs en het draagvlak voor de rest.
• Een instabiele opstelling bij beeldinspectie. Verandert de belichting, de camerahoek of de achtergrond, dan ziet het model ineens overal defecten. Fixeer de opstelling voordat je gaat trainen, anders train je op ruis.
• Modeldrift. Een ander materiaal, een nieuwe leverancier of slijtage aan de machine verandert wat „normaal” is. Plan vanaf het begin in dat je het model periodiek herijkt met verse voorbeelden; een model is geen eenmalige installatie.
• Vastzitten aan een verdwijnende dienst. Kant-en-klare diensten zijn handig, maar je bouwt je vloer niet op een product dat morgen kan verdwijnen. Amazon stopte zijn beeldinspectiedienst Lookout for Vision op 31 oktober 2025, en sloot conditiemonitoring-dienst Monitron eind 2024 voor nieuwe klanten. Houd je data exporteerbaar en geef open modellen die je zelf kunt draaien de voorkeur waar dat kan.

Kant-en-klaar vs. maatwerk

De grote keuze is of je een kant-en-klaar platform gebruikt of het zelf bouwt op je eigen infrastructuur. Voor een eerste pilot is kant-en-klaar bijna altijd het verstandige startpunt: je valideert in dagen of het probleem überhaupt met AI op te lossen is, zonder eerst maanden te bouwen. De afweging verschuift zodra je opschaalt naar veel machines, met gevoelige data werkt, of als de inspectie zelf je onderscheidende kunde is.

Een nuchtere route is om kant-en-klaar te beginnen en pas te verbouwen wat je bewezen waardevol vindt. Veel bedrijven blijven op een platform voor het labelen en trainen, maar halen de alert- en werkorderlaag naar hun eigen automatisering toe, zodat de koppeling met hun planning en hun voorraadprognoses zonder duur WMS in eigen hand blijft. Het terugkerende abonnement per machine is voorspelbaar maar telt op naarmate je groeit; de hogere startinvestering van maatwerk verdient zich pas terug bij volume of bij data die je niet buiten de deur wilt hebben.

De eerste machine kiezen

De winst van AI in de fabriek zit niet in het grootste model of de duurste sensor, maar in de discipline om klein te beginnen op de plek waar een fout het meeste kost, het oordeel van je vakmensen serieus te nemen en pas op te schalen wat aantoonbaar werkt. De data stroomt al langs je lijn. De vraag is niet of je hem kunt gebruiken, maar of jij de eerste machine kiest voordat je concurrent dat doet.