De oorzaak van afkeur vinden: root cause analyse met productiedata

Afkeur onderscheppen is het begin, niet het doel

Steeds meer productiebedrijven hebben hun kwaliteitscontrole goed op orde: een controleur aan de lijn, een visionsysteem, een inline meting. Foute producten worden onderschept voordat ze de fabriek verlaten, en dat is winst. Maar wie alleen onderschept, blijft betalen: het materiaal is al verbruikt, de machinetijd is al besteed en de capaciteit is al weg. De afkeurbak wordt netjes gevuld, week na week.

De echte vraag is dan ook niet of een product goed of fout is. De echte vraag is waarom het fout ging. Dat is het domein van root cause analyse: van het symptoom (afkeur) terug naar de oorzaak (een grondstof, een instelling, een versleten onderdeel), zodat je die kunt wegnemen.

Waarom de oorzaak zoeken meestal blijft liggen

Vraag een productieteam waarom afkeur ontstaat, en je krijgt zelden een antwoord uit data. Niet omdat de wil ontbreekt, maar omdat de informatie verspreid staat:

• Inspectieresultaten blijven op het scherm bij de lijn of in een losse kwaliteitsregistratie.
• Procesdata zoals temperaturen, drukken en cyclustijden zit in de PLC en verdwijnt daar weer.
• Batch- en ordergegevens staan in het ERP, op een pakbon of op papier.

Tegen de tijd dat iemand tijd heeft om een afkeurpiek uit te zoeken, is het spoor koud. Welke grondstofbatch draaide er toen? Wat waren de instellingen? Welke shift stond er? Niemand die het nog precies weet. Dus valt het team terug op ervaring en onderbuik, en op symptoombestrijding: vaker controleren, normen aanscherpen, extra steekproeven. De afkeur zelf verandert er niet door.

De sleutel: inspectieresultaten naast je productiedata

Root cause analyse wordt pas praktisch haalbaar wanneer elk inspectieresultaat context krijgt. Elke controle levert een record op: het oordeel, de defectklasse en het tijdstip, gekoppeld aan machine, order en batch. Zet die records in dezelfde omgeving als je machinedata en procescondities, en de vraag "waarom hadden we deze week zoveel afkeur?" verandert van speurwerk in een filter.

Precies dat doet MeshOS: het brengt inspectieresultaten, machinedata, stilstanden en batchinformatie samen in één datalaag. De bron van de inspectiedata maakt daarbij niet uit. Dat kan een visionsysteem zijn dat elk product beoordeelt, zoals bij AI vision kwaliteitsinspectie, een inline meting of een digitale kwaliteitsregistratie.

Bij stroopwafelbakkerij Daelmans meet een 3D-lasercamera bijvoorbeeld elke stroopwafel op de lijn: diameter, dikte en vorm. Afwijkingen zijn zichtbaar terwijl de batch nog draait, en alle kwaliteitsdata wordt gelogd per lijn en per batch. Zo'n dataset, elk product gemeten en voorzien van context, is precies het fundament dat root cause analyse nodig heeft.

Drie patronen die de oorzaak verraden

Zodra inspectieresultaten en productiedata naast elkaar staan, zie je in de praktijk steeds dezelfde drie patronen terugkomen.

1. Afkeur piekt na een wissel

Loopt afkeur op na een grondstofbatch, omstelling of receptwijziging? Doordat elk resultaat aan order en batch hangt, wordt het verband direct zichtbaar. Denk aan sealfouten die beginnen bij een nieuwe batch verpakkingsfolie, of maatafwijkingen na een omstelling. Zonder data is dit het soort verband dat pas na weken opvalt; met data zie je het dezelfde dag nog.

2. Eén machine, matrijs of shift wijkt af

Dezelfde controle, een andere uitkomst: vergelijk defectklassen per machine, lijn, matrijs of shift en zie waar het verschil ontstaat. Eén matrijsholte die het merendeel van de vormfouten veroorzaakt. Eén lijn die structureel meer vervuiling laat zien. Een shift die met andere instellingen draait dan de rest. Het verschil is de aanwijzing: wat doet die ene machine, matrijs of ploeg anders?

3. Kwaliteit schuift mee met het proces

Leg defecten naast temperatuur, snelheid, cyclustijd of slijtage en zie welke procescondities aan afkeur voorafgaan. Zo wordt sluipende drift zichtbaar voordat normen worden overschreden: afkeur die langzaam oploopt naarmate gereedschap slijt, of een kwaliteitsdip die steeds samenvalt met dezelfde procesconditie. Dat maakt ingrijpen datagestuurd: onderhoud op het moment dat de data erom vraagt, in plaats van op de kalender.

Van patroon naar structureel minder afkeur

Een patroon is nog geen oorzaak. De werkwijze die in de praktijk werkt, is steeds dezelfde:

1. Signaleer het patroon in de data: waar en wanneer wijkt afkeur af van normaal?
2. Vorm een hypothese met het team: operators en technologen kennen het proces en zien in het patroon vaak direct een mogelijke verklaring.
3. Doe een gerichte ingreep: pas één ding aan, bijvoorbeeld de instelling, de grondstof of het onderhoudsmoment.
4. Toets het effect in dezelfde data: daalt de afkeur echt, of was het toeval?

De data wijst de richting, maar het duiden blijft mensenwerk. Wat verandert, is dat discussies niet meer over meningen gaan maar over metingen, en dat het effect van elke ingreep zwart op wit terug te zien is. Kwaliteit wordt zo een processignaal waar je dagelijks op stuurt, net als beschikbaarheid en prestatie in een live OEE-dashboard.

Wat heb je ervoor nodig?

Root cause analyse vraagt geen datawarehouse-project van een jaar. In de kern heb je vier dingen nodig:

• Inspectie of meting die elk resultaat vastlegt: een visionsysteem, een inline meting of een digitale kwaliteitsregistratie, als het oordeel maar wordt gelogd in plaats van alleen getoond.
• Machinedata en procescondities: uitgelezen uit bestaande PLC's en sensoren, via een edge computer naast de lijn.
• Koppeling aan order en batch: zodat elk resultaat context heeft en terug te voeren is naar wat er toen draaide.
• Eén omgeving die het samenbrengt: zodat kwaliteit, procesdata en batchinformatie naast elkaar staan in plaats van in drie systemen.

Beginnen kan klein: één lijn, één controle die er nu toe doet, en van daaruit uitbouwen. Meer voorbeelden van hoe dat er in de praktijk uitziet, vind je bij onze klantcases.

Veelgestelde vragen over root cause analyse

Wat is root cause analyse?

Root cause analyse is het terugvoeren van een probleem, zoals afkeur of een kwaliteitsafwijking, naar de onderliggende oorzaak, zodat je die kunt wegnemen in plaats van het symptoom te blijven bestrijden. In productie betekent dat: van een afgekeurd product terug naar de grondstof, instelling, machine of procesconditie die het defect veroorzaakte.

Heb ik hiervoor een visionsysteem nodig?

Nee. Elke bron die kwaliteitsresultaten vastlegt kan het startpunt zijn: een 3D-meting, een weegcel, een digitale kwaliteitsregistratie door operators. Wel geldt: hoe automatischer de inspectie, hoe dichter de dataset. Een visionsysteem dat elk product beoordeelt, geeft per batch honderden datapunten waar een steekproef er een handvol geeft.

Welke data heb ik minimaal nodig?

Het minimum is een inspectieresultaat met tijdstip, gekoppeld aan machine, order of batch. Daarmee zie je al pieken na wissels en verschillen tussen machines en shifts. Voeg je procescondities toe, zoals temperaturen, snelheden en cyclustijden, dan wordt ook drift zichtbaar en kun je oorzaken verder terugvoeren het proces in.

Vindt het systeem de oorzaak automatisch?

Nee, en wees voorzichtig met leveranciers die dat beloven. De data maakt verbanden zichtbaar die anders verborgen blijven, maar het duiden van die verbanden en het kiezen van de juiste ingreep blijft werk voor mensen die het proces kennen. Het verschil is dat zij niet meer hoeven te gissen.

Conclusie: stop niet bij het onderscheppen van afkeur

Kwaliteitscontrole die alleen onderschept, houdt de afkeurbak gevuld. De echte winst zit een stap verder: inspectieresultaten naast machinedata, procescondities en batchinformatie leggen, patronen zien en oorzaken wegnemen. Zo wordt root cause analyse een kwestie van data naast elkaar leggen in plaats van gissen, en daalt de afkeur structureel.

Meshnex bouwt de keten die daarvoor nodig is, van inspectie op de lijn tot de datalaag die alles samenbrengt. Bekijk onze oplossing voor AI vision kwaliteitsinspectie, lees hoe MeshOS je productiedata samenbrengt of neem contact op om te bespreken wat er in jouw fabriek mogelijk is.