In deze webinar gingen we dieper in op de verborgen bottlenecks in productieprocessen. We legden uit hoe OEE wordt opgebouwd en hoe je hiermee verliezen in beschikbaarheid, performance en kwaliteit zichtbaar maakt.
Aan de hand van een virtual factory toonden we hoe stilstanden en productiedata real-time worden opgevolgd en gevisualiseerd, zodat problemen sneller opvallen en concreet aangepakt kunnen worden.
Tot slot lieten we zien hoe AI-analyse gebruikt kan worden om patronen en oorzaken in productiedata te detecteren, waardoor je niet alleen reageert op problemen, maar ook proactief kan verbeteren.
Waarom meten cruciaal is
Veel productiebedrijven voelen het: er zit meer in hun lijnen dan eruit komt. Machines draaien, orders worden afgewerkt en toch blijft de output achter. De vraag is niet of er verlies is, maar waar het zit.
Voor wie lokaal wil blijven produceren, is efficiëntie geen luxe meer. Meer doen met minder kan alleen als je weet:
- waar je tijd verliest
- welke lijn onderpresteert
- waarom dat gebeurt
Zonder die inzichten blijf je optimaliseren op buikgevoel.
Snel starten: inzicht met minimale setup
Je hoeft geen complex digitalisatietraject op te starten. Met slechts twee sensoren kan je al verrassend veel ontdekken.
Daaruit haal je meteen:
- stilstanden, geen flow betekent een probleem
- werkelijke snelheid van je lijn
- kwaliteitsverliezen (met een uitwerpsysteem of manuele invoer)
Dit vormt de basis voor een van de belangrijkste KPI's in productie: OEE
OEE: krachtig, maar vaak verkeerd gebruikt
OEE (Overall Equipment Effectiveness) meet hoe efficiënt je productielijn draait. De formule bestaat uit drie onderdelen die met elkaar vermenigvuldigd worden:
Belangrijk: OEE is geen rapport dat je maandelijks bekijkt. De echte waarde zit in real-time inzicht per uur, per shift, per dag. Zo kan je onmiddellijk ingrijpen waar het misloopt.
Het cijfer met grote impact
Wat vaak onderschat wordt: zelfs "goede" scores leiden tot grote verliezen. Kijk maar:
Dat is geen klein verlies en dat is pure winst die blijft liggen.
Waar zitten de verborgen verliezen?
De grootste bottlenecks zijn zelden de evidente stilstanden. Ze zitten onder de oppervlakte.
Deze verliezen zie je niet in klassieke rapporten maar ze kosten uren per shift.
Praktijkvoorbeeld uit de webinar
In een gesimuleerde productielijn analyseerden we een shift van 8 uur. Dit is wat we vonden:
Belangrijkste oorzaken:
- frequente kalibraties
- onderhoud en wissels
- operatorinterventies
- technische issues (overheating, encoderproblemen)
Zonder data blijft dit verborgen. Met data wordt het concreet en oplosbaar.
Van data naar actie
Een dashboard alleen is niet genoeg. Het verschil maak je door:
- real-time zicht te hebben op verliezen
- trends te herkennen (bv. elke ochtend problemen)
- lijnen onderling te vergelijken
- bottlenecks te prioriteren
En door die productiedata te combineren met operatornotities, kwaliteitsmetingen en machinedata, dat geeft het volledige beeld.
Met AI-analyse gaat het een stap verder. Wat vroeger weken duurde, gebeurt nu in seconden: patronen herkennen over databronnen, verbanden leggen (bv. temperatuur ↔ stilstand), oorzaken detecteren en concrete acties voorstellen, van slimmere changeover-planning tot gerichte technische interventies.
Concrete impact
Zelfs kleine verbeteringen maken een groot verschil. Een concreet voorbeeld:
Productie verbeteren start niet op de werkvloer, maar met inzicht. Verborgen verliezen zichtbaar maken, je grootste bottlenecks identificeren, gerichte acties nemen met directe impact. Zonder complexe trajecten of lange implementaties.