Hoe kun je AI testen voor kwaliteitscontrole zonder meteen te investeren in een nieuwe productielijn? In dit gebruikersverhaal laten we zien hoe Inno-group, samen met Blue Engineering via AI-MATTERS, een AI-gestuurde visieoplossing voor geautomatiseerde eindcontrole heeft getest. Door eerst een haalbaarheidsstudie uit te voeren, kon het bedrijf onderzoeken of AI menselijke fouten in complexe productieprocessen kan opsporen en verminderen, zonder meteen grote investeringen te doen. De resultaten waren positief en vormen de basis voor de volgende stap naar implementatie.
Kwaliteit leveren in een omgeving waarin mensen het verschil maken
Inno-group is een leverancier die gespecialiseerd is in hoogwaardig plaatwerk en laswerk voor onder meer de medische en laboratoriumsector en de machinebouw. Het bedrijf heeft vestigingen in Eindhoven en Zaandam en produceert complexe producten waaraan hoge nauwkeurigheidseisen worden gesteld.
Voor veel klanten gelden kwaliteitseisen die vergelijkbaar zijn met die in de automobielindustrie. Tegelijkertijd werkt Inno-group niet in een volledig geautomatiseerde fabriek. De productieomgeving is een typische ‘high-mix, low-volume’-omgeving waarin veel handmatige handelingen plaatsvinden. Voor Gertjan van den Hazelkamp, commercieel directeur bij Inno-group, was één vraag daarom essentieel: hoe kunnen we de kwaliteit verder verbeteren als menselijke fouten nooit volledig uit een proces kunnen worden geëlimineerd?
De uitdaging: het beperken van menselijke fouten in complexe productieprocessen
Gertjan: “Veel producten van Inno-group doorlopen een groot aantal productiestappen voordat ze klaar zijn voor levering. Sommige producten doorlopen zelfs twintig verschillende bewerkingen en worden twintig keer door medewerkers verwerkt. Ondanks voortdurende procesverbeteringen en opleidingen blijven menselijke fouten mogelijk. Volgens onze eigen schattingen gaat er, als we alle handmatige bewerkingen bij elkaar optellen, bij ongeveer 1% van deze bewerkingen iets mis. Dit kan een vergeten bewerking zijn, een moment van onoplettendheid of een kleine afwijking tijdens de assemblage. Bij grote volumes kan dit aanzienlijke gevolgen hebben. Een klant die jaarlijks 6.000 producten ontvangt, krijgt bij een foutpercentage van 2% ongeveer 120 defecte producten. We moeten dat aantal drastisch terugdringen; onze klanten ondervinden hier te veel hinder van.”
De aanpak: een haalbaarheidsstudie via AI-MATTERS
Gertjan kwam via LinkedIn in contact met Blue Engineering. Daarnaast werd het bedrijf via zijn eigen netwerk gewezen op de mogelijkheden die Blue Engineering biedt en op samenwerking op het gebied van vision-technologie. Inno-group en Blue Engineering hebben gezamenlijk besloten om binnen het AI-MATTERS-programma een haalbaarheidsstudie uit te voeren.
Het doel van het onderzoek was duidelijk:
- Om te onderzoeken of AI-gestuurde beeldverwerkingstechnologie geschikt is voor geautomatiseerde eindcontrole.
- Om na te gaan of het systeem menselijke fouten kan herkennen.
- Om te bepalen of een businesscase voor de implementatie haalbaar is.
“Dankzij AI-MATTERS konden we dit onderzoek op een toegankelijke manier en met beperkte risico’s uitvoeren”, zegt Gertjan. “Zo kunnen we eerst leren en de resultaten valideren, voordat er in apparatuur wordt geïnvesteerd.” Door te experimenteren kan SOFIA MED de haalbaarheid en de praktische impact beoordelen voordat het besluit tot productie-implementatie wordt genomen.
Wat is er getest?
De technologie
Het proefproject was gericht op AI-ondersteunde beeldtechnologie voor geautomatiseerde kwaliteitscontrole. Het systeem maakt gebruik van camera’s en kunstmatige intelligentie om producten te analyseren en bekende defecten te herkennen.
De use case
De toepassing was gericht op de eindcontrole van complexe plaatwerkproducten.
In plaats van te beoordelen of een product volledig correct is, leert het systeem welke fouten er kunnen voorkomen. De AI controleert vervolgens of er sprake is van een van deze bekende afwijkingen.
Testopstelling
Voor het proefproject zijn twee soorten belangrijke producten geselecteerd:
- Producten met een hoge omzetwaarde.
- Producten waarbij zich relatief veel kwaliteitsproblemen hebben voorgedaan.
Aan het einde van het productieproces werd het vision-systeem ingezet om te controleren of alle bewerkingen correct waren uitgevoerd.
Gertjan zegt: “Inno-group beschikte al over een uitgebreide database met bekende foutcondities. Deze database, in combinatie met de kennis van ervaren kwaliteitsinspecteurs, werd gebruikt om de AI-oplossing deze afwijkingen aan te leren. Hierdoor kon het systeem leren waar het tijdens inspecties specifiek op moest letten.”
Resultaten: AI blijkt veelbelovend te zijn voor geautomatiseerde kwaliteitscontrole
De resultaten van de haalbaarheidsstudie waren positief. Uit de proef bleek dat:
- AI-gestuurde beeldverwerkingstechnologie kan bekende fouten betrouwbaar herkennen.
- Geautomatiseerde inspectie is haalbaar in complexe productieomgevingen met een grote verscheidenheid aan producten en kleine productievolumes.
- Moderne visieoplossingen kunnen veel sneller worden getraind dan vroeger.
- Er is voldoende potentieel om verder te investeren in een operationele inspectiemachine.
Een ander opvallend resultaat was de impact binnen de organisatie. Een medewerker die aanvankelijk zeer sceptisch was over de mogelijkheden van AI, raakte tijdens het project bijzonder enthousiast toen hij de resultaten zag. Hieruit blijkt dat een haalbaarheidsstudie niet alleen technische inzichten oplevert, maar ook helpt om draagvlak voor innovatie te creëren.
Het uiteindelijke doel is om het aantal foutieve leveringen drastisch te verminderen.
Terwijl een klant momenteel nog steeds ongeveer 120 defecte producten per jaar ontvangt, wil Inno-group dit aantal terugbrengen tot ongeveer tien stuks per jaar.
Dit betekent:
- Hogere klanttevredenheid.
- Lagere kwaliteitskosten.
- Minder nabewerking.
- Betere leveringsbetrouwbaarheid.
- Meer vertrouwen in complexe productieprocessen.
Hoewel deze resultaten nog moeten worden gerealiseerd, heeft de haalbaarheidsstudie aangetoond dat de technologie een realistische basis biedt om ze te verwezenlijken.
Belangrijkste inzichten
“De snelheid waarmee moderne AI-systemen kunnen worden getraind, maakte indruk”, zegt Gertjan. “Hierdoor wordt beeldverwerkingstechnologie toegankelijk voor toepassingen in bedrijven zoals het onze, die een paar jaar geleden nog niet commercieel haalbaar zouden zijn geweest.”
Wat werkte goed?
- Testen met echte producten uit de productieomgeving.
- Gebruikmaken van de bestaande kennis op het gebied van kwaliteit van ervaren inspecteurs.
- De nauwe samenwerking tussen Inno-group en Blue Engineering.
- Het uitvoeren van een haalbaarheidsstudie alvorens investeringen te doen.
De belangrijkste les? “Begin klein, toets eerst of het werkt en investeer daarna pas. Door eerst te testen, krijg je inzicht in zowel de technische haalbaarheid als de potentiële zakelijke waarde.”
Wat zijn de volgende stappen?
Na de succesvolle proef wil Inno-group de volgende fase inluiden:
- Ontwikkel op basis van de resultaten een inspectiemachine.
- Zet de oplossing in productie.
- Leid medewerkers op in het gebruik van de technologie.
- Het aantal toepassingen voor geautomatiseerde inspectie verder uitbreiden.
De haalbaarheidsstudie heeft voldoende vertrouwen gegeven om deze stap in de richting van de uitvoering te zetten.
Waarom is AI belangrijk?
AI-MATTERS helpt productiebedrijven om AI-oplossingen in een realistische productieomgeving te testen voordat ze hierin investeren. Voor Inno-group lag de toegevoegde waarde vooral in:
- De juiste partners bij elkaar brengen.
- Toegang tot expertise op het gebied van AI en beeldverwerkingstechnologie.
- Het uitvoeren van een haalbaarheidsstudie met beperkte risico’s.
- Het verkrijgen van concrete inzichten voor toekomstige investeringsbeslissingen.
Door samen te experimenteren en te valideren, kunnen bedrijven sneller en met meer zekerheid vaststellen welke AI-oplossingen daadwerkelijk een meerwaarde bieden.
Veelgestelde vragen
AI-haalbaarheidsstudie voor geautomatiseerde visuele kwaliteitscontrole. Een haalbaarheidsstudie waarin een AI-gestuurde beeldverwerkingsoplossing werd getest en gevalideerd voor de geautomatiseerde eindcontrole van complexe producten.
Via AI-MATTERS kunnen bedrijven een proof of concept of haalbaarheidsstudie uitvoeren in een realistische productieomgeving. Zo kan de technische en economische haalbaarheid worden getoetst voordat er investeringen worden gedaan.
Voor meer informatie en een gedetailleerde bespreking van uw specifieke situatie nodigen wij u van harte uit om contact met ons op te nemen voor een vrijblijvend gesprek.
Ja. Dankzij recente ontwikkelingen op het gebied van AI kunnen beeldverwerkingssystemen sneller worden getraind en aangepast aan verschillende producten. Dit maakt geautomatiseerde kwaliteitscontrole ook interessant voor productieomgevingen met een grote variatie en kleinere series.
Wilt u weten hoe onze projectmanagers uw organisatie kunnen helpen?
Neem contact met ons op voor een vrijblijvend gesprek: https://ai-matters.eu/contact/