AI in de Fabriek: Van Sensordata naar Slimme Beslissingen

Uw machines genereren al data — u gebruikt het alleen nog niet

Elke fabriek zit vol met data. Uw PLC's registreren cycli, temperaturen en druk. Sensoren meten trillingen, doorvoer en energieverbruik. Maar in de meeste productiebedrijven blijft die data opgesloten in losse systemen die niet met elkaar praten. Het gevolg: als iemand vraagt "welke pers heeft de meeste cycli gedraaid afgelopen week?", kost het uren om dat antwoord bij elkaar te zoeken.

AI verandert dat, maar niet door magie. Het begint bij een duidelijke stap: uw data op één plek brengen zodat die bevraagbaar wordt.

Stap 1: Sensoren en PLC's aansluiten

De eerste stap is het ophalen van data uit uw bestaande apparatuur. Moderne PLC's (van merken als Siemens, Allen-Bradley of Beckhoff) ondersteunen protocollen als OPC UA of MQTT. Oudere machines kunt u ontsluiten met compacte gateways die signalen vertalen naar een standaardformaat.

Die data stroomt vervolgens naar een centrale plek: een database die zowel de sensorwaarden als de context eromheen opslaat. Denk aan: welke machine staat op welke lijn, in welke hal, op welke locatie. Die structuur noemen we een Unified Namespace — elke sensor krijgt een logisch adres zoals bedrijf/locatie/hal/lijn/machine/meting. De ingestuurde data verwerken we met Python-scripts of een FastAPI-service die de berichten ontvangt en doorgeeft aan de database.

Stap 2: Data opslaan met context

Hier maken veel fabrieken een verkeerde keuze. Ze slaan sensordata op in een apart systeem en de machinegegevens ergens anders. Elke keer dat iemand een vraag stelt, moeten twee systemen aan elkaar geknoopt worden.

Een betere aanpak: gebruik één database die beide combineert. PostgreSQL met de TimescaleDB-extensie is hier bijzonder geschikt voor. U slaat de tijdreeksdata (sensorwaarden per tijdstip) op naast de hiërarchie van uw fabriek (locatie, lijn, machine). Eén query geeft u het antwoord inclusief de volledige context — zonder tussenliggende software of handmatige koppelingen.

Concreet betekent dit dat de database afdwingt dat elke meting gekoppeld is aan een bestaande machine. Komt er data binnen van een sensor die niet geregistreerd staat? Die wordt geweigerd. Zo houdt u uw data schoon zonder dat iemand er handmatig op hoeft te letten. De gehele infrastructuur draait op Docker-containers in de cloud — bijvoorbeeld op AWS, Hetzner of Google Cloud. Om dataverlies te voorkomen installeren we ook lokale hardware op de werkvloer. Deze slaat data lokaal op wanneer de internetverbinding wegvalt en stuurt alles automatisch door zodra de verbinding hersteld is — een zogenaamd store-and-forward principe. Zo gaat er nooit een meting verloren, ook niet bij netwerkproblemen.

Stap 3: Een AI-agent die uw fabriek begrijpt

Met gestructureerde, schone data in één database kunt u een AI-agent aansluiten. De agent — aangestuurd door een AI-model zoals Claude of ChatGPT — heeft directe toegang tot uw PostgreSQL-database. Hij leest het databaseschema, begrijpt daaruit de structuur van uw fabriek en bevraagt de data rechtstreeks. Geen tussenlaag, geen extra software. Vervolgens kunt u in gewoon Nederlands vragen stellen:

• "Welke machines hebben de meeste cycli gedraaid deze week?"
• "Is de temperatuur op lijn 2 vandaag hoger dan normaal?"
• "Vergelijk het energieverbruik van locatie Eindhoven en Venlo"

De agent vertaalt uw vraag naar een databasequery, voert die uit en geeft u het antwoord in begrijpelijke taal. Geen dashboards bouwen, geen Excel-exports, geen wachten op een rapportage. Wilt u de resultaten tóch visueel zien? Dan koppelen we de data aan Power BI of bouwen we een maatwerk dashboard in React — binnen enkele uren operationeel.

Wat kunt u ermee? Use cases uit de praktijk

Zodra uw productiedata met context in één database staat, opent dat de deur naar toepassingen die voorheen ondenkbaar waren — of simpelweg te arbeidsintensief.

Realtime kostprijsberekening

Door machinedata te koppelen aan materiaalverbruik, energiekosten en urenregistratie berekent u de werkelijke kostprijs per product of order — niet achteraf in een spreadsheet, maar realtime tijdens de productie. Afwijkingen ziet u direct: als een order meer energie of machinecycli verbruikt dan verwacht, weet u dat vóór de factuur de deur uit gaat.

Realtime productieplanning

Combineer actuele machinestatus, cyclustijden en orderstatus om uw planning dynamisch bij te sturen. Valt een machine uit of loopt een order vertraging op? Het systeem signaleert dit direct en laat zien wat de impact is op de rest van de planning. Uw planner hoeft niet meer rond te lopen op de werkvloer om te weten wat de status is.

Voorspellend onderhoud

Sensoren meten trillingen, temperatuur en slijtage-indicatoren continu. Door patronen in deze data te herkennen, signaleert het systeem wanneer onderhoud nodig is — voordat een machine daadwerkelijk uitvalt. Eén voorkomen ongeplande stilstand bespaart al snel duizenden euro's.

Kwaliteitscontrole en traceerbaarheid

Koppel procesparameters aan productkwaliteit. Als een product afgekeurd wordt, kunt u direct terugzien onder welke omstandigheden het geproduceerd is: temperatuur, druk, snelheid, operator. Dat maakt root-cause analyse een kwestie van seconden in plaats van dagen.

Energiemonitoring en verduurzaming

Meet het energieverbruik per machine, per lijn of per product. Identificeer pieken, vergelijk shifts en ontdek waar u kunt besparen. Voor bedrijven die werken aan CO₂-reductie levert dit direct bruikbare stuurinformatie op.

Van 10 medewerkers tot 500+ operators

Deze aanpak schaalt mee met uw organisatie. Een klein productiebedrijf met 10 medewerkers begint met één lijn en een handvol sensoren — de investering is beheersbaar en het resultaat direct zichtbaar. Een fabriek met 500+ operators en meerdere locaties gebruikt dezelfde architectuur, maar dan met honderden meetpunten, geïntegreerde ERP-data en AI-agents die vragen beantwoorden voor operators, planners en management tegelijk. De technologie is identiek; alleen de schaal verschilt.

Wat levert het op versus wat kost het?

De investering in zo'n traject hangt af van de omvang, maar laten we concreet zijn:

Kosten:

• Gateways en aansluiting van machines: afhankelijk van het aantal machines en de ouderdom van de apparatuur
• Database-opzet en datastructuur: eenmalige inrichting
• AI-agent configureren en testen: afhankelijk van het aantal use cases
• Een typisch pilotproject begint bij enkele duizenden euro's en levert binnen weken een werkend resultaat

Opbrengsten:

• Directe tijdsbesparing — vragen beantwoorden die nu uren kosten, gaan in seconden
• Vroegtijdig problemen signaleren — afwijkingen detecteren voordat ze tot stilstand leiden
• Betere beslissingen — op basis van actuele data in plaats van buikgevoel of verouderde rapportages
• Schaalbaar — start met één lijn en breid uit naar de hele fabriek zonder de architectuur te wijzigen

De terugverdientijd zit vaak al in het voorkomen van één ongeplande stilstand of het sneller opsporen van kwaliteitsproblemen.

Hoe wij dit aanpakken

Wij beginnen altijd met een inventarisatie: welke machines heeft u, welke data is al beschikbaar en welke vragen wilt u kunnen stellen? Op basis daarvan ontwerpen we de datastructuur en sluiten we uw apparatuur aan. We werken in fases — eerst een werkend pilot op één lijn, dan uitbreiden op basis van bewezen resultaten. Waar nodig koppelen we ook uw ERP-systeem of productieplanning aan, zodat de AI-agent naast sensordata ook werkorders en planningsdata kan meenemen.

U hoeft geen IT-afdeling van tien man te hebben. Wij regelen de technische inrichting en zorgen dat uw team ermee kan werken.

Veelgestelde vragen

Werkt dit ook met oudere machines? Ja. Met industriële gateways kunt u ook oudere PLC's en machines ontsluiten. Zelfs analoge signalen zijn om te zetten naar digitale data.

Moet ik al mijn machines tegelijk aansluiten? Nee. Begin met één lijn of één kritiek proces. Dat houdt de investering beheersbaar en levert snel bewijs dat de aanpak werkt.

Is mijn data veilig? De database draait in een beveiligde omgeving en de AI-agent heeft uitsluitend leestoegang. Uw productiedata verlaat uw eigen infrastructuur niet tenzij u dat expliciet wilt.

Heb ik technische kennis nodig om de AI-agent te gebruiken? Nee. Het idee is juist dat u in gewone taal vragen kunt stellen. De technische complexiteit zit onder de motorkap.

Conclusie

AI in de fabriek begint niet bij een algoritme, maar bij het structureren van data die u al heeft. Door sensoren en PLC's aan te sluiten op één database met context, maakt u uw hele productie bevraagbaar. Voeg daar een AI-agent aan toe en u heeft een systeem dat vragen beantwoordt die voorheen niemand stelde — omdat het te veel moeite kostte. Benieuwd wat dit voor uw fabriek kan betekenen? Neem contact op voor een vrijblijvend gesprek.