Hoe mkb-bedrijven hun productie slimmer en efficiënter maken met data

De Nederlandse maakindustrie staat voor een dubbele uitdaging: klanten verwachten meer flexibiliteit en maatwerk, terwijl personeelstekorten, stijgende kosten en krappe marges druk zetten op de productiecapaciteit. Tegelijkertijd biedt machine learning (ML) concrete kansen om efficiënter te produceren, fouten te verminderen en betere beslissingen te nemen op basis van data.

‍

In deze whitepaper belichten we twee praktijkgerichte toepassingen van ML die direct relevant zijn voor mkb-maakbedrijven: visuele kwaliteitscontrole en procesoptimalisatie.

‍‍

Toepassing 1: automatische kwaliteitscontrole met computer vision

‍

Situatie 
Een kunststofspuitgieter in Almelo produceert technische onderdelen voor de automobielsector. De kwaliteitseisen zijn hoog: zelfs een minimale vervorming of verkleuring kan leiden tot afkeur door de klant. Tot voor kort inspecteerden medewerkers de onderdelen handmatig op zichtbare fouten. Dit leidde regelmatig tot gemiste defecten, met retourzendingen en kosten tot gevolg.

‍

Oplossing 
Het bedrijf installeerde een camerasysteem bij de afvoer van de spuitgietmachines en koppelde dit aan een machine learning-algoritme dat getraind is op duizenden voorbeeldbeelden van correcte en foutieve producten.

‍

Hoe het werkt

• Tijdens productie maakt de camera continu beelden van elk onderdeel
• Het algoritme vergelijkt deze met het ideale profiel en detecteert afwijkingen zoals luchtinsluitingen, bramen en verkleuringen
• Foutieve onderdelen worden automatisch uit de lijn verwijderd

‍

Resultaat

• 95% van de fouten wordt nu automatisch herkend
• Het aantal retourzendingen daalde met 60%
• Klanttevredenheid en leverbetrouwbaarheid namen merkbaar toe
• Operators kunnen zich richten op het proces in plaats van visuele inspectie

‍

Deze toepassing zorgde voor een directe kwaliteitsverbetering, minder kosten en een hogere output per FTE.

‍‍

Toepassing 2: procesoptimalisatie via data-analyse

‍

Situatie 
Een metaalverwerkend bedrijf in Noord-Brabant produceert onderdelen in kleine series op drie productielijnen. De planning leek efficiënt, maar de productieleider vermoedde dat de doorlooptijd hoger was dan nodig. Er waren geen duidelijke gegevens over waar in het proces vertragingen ontstonden.

‍

Oplossing 
Samen met een dataspecialist verzamelde het bedrijf gegevens uit de PLC-systemen, het ERP-pakket en via handmatige input van de operators. Vervolgens werd een machine learning-model getraind om knelpunten in het proces te identificeren.

‍

 Wat bleek?

• Insteltijden verschilden sterk tussen ploegen, vooral bij complexere opdrachten
• Ploegoverdracht leidde tot gemiddeld 20 minuten vertraging per dienst
• Eén lijn draaide structureel minder efficiënt door verkeerd geplande seriegroottes

‍

Acties

• De instelprocedures zijn gestandaardiseerd op basis van best practices uit het model
• De ploegoverdracht werd aangepast met een digitaal overdrachtsformulier
• De productieplanning werd geoptimaliseerd op basis van data-analyse

‍

 Resultaat

• De gemiddelde doorlooptijd daalde met 14%
• De output per ploeg steeg met 11% zonder extra uren
• Operators zijn meer betrokken dankzij inzicht in hun prestaties

‍

Dit project toont aan dat zelfs eenvoudige data-inzichten, gecombineerd met ML, kunnen leiden tot tastbare verbeteringen in efficiëntie en betrokkenheid.

‍

Conclusie

Machine learning is geen verre toekomstvisie. MKB-maakbedrijven in Nederland zetten het nu al in om kwaliteit te verbeteren en productieprocessen te stroomlijnen. Visuele inspectie en procesoptimalisatie zijn twee laagdrempelige toepassingen die snel resultaat opleveren, mits goed toegepast.

‍

TMC Media helpt maakbedrijven bij het vertalen van deze technologie naar heldere strategie en communicatie. Of je nu al data verzamelt of juist zoekt naar een praktische start: wij helpen je de stap naar slimme productie concreet te maken. 

‍