In een FMEA-productiedocument werd 'foutieve etikettering' vermeld als faalwijze met een detectiescore van 3, wat het vertrouwen van het team in hun visuele controle aan het einde van de lijn, twee keer per ploeg, weerspiegelde.
De etiketteringsfout die de terugroepactie veroorzaakte, vond plaats op woensdag om 02:47 uur, precies tussen die controles in. Het FMEA-productieproces faalde niet in het identificeren van de faalwijze. Het faalde in het rekening houden met het tijdsverschil tussen het moment waarop de fout optrad en het moment waarop de detectiecontrole deze zou opmerken.
Deze gids legt uit hoe dat gat wordt gedicht.
FMEA in de productie is een gestructureerde methode voor het identificeren van potentiële faalwijzen in een product of proces, waarbij elke faalwijze wordt gescoord op Ernst, Frequentie en Detectie, en corrigerende maatregelen worden geprioriteerd op basis van die scores. De berekening van het risicoprioriteitsgetal (S x O x D) bepaalt waar middelen worden ingezet. AI-visionsystemen dichten het gat dat statische FMEA openlaat: ze vervangen geschatte detectiescores door feitelijke inspectiegegevens en voeren live frequentiecijfers continu terug in het risicoregister.
Wat is FMEA in de productie en waarom schiet de klassieke RPN-methode tekort?
De FMEA-productiemethodiek identificeert elke faalwijze die een product of proces kan voortbrengen, scoort deze op Ernst (S), Frequentie (O) en Detectie (D), en rangschikt ze op basis van het risicoprioriteitsgetal (S x O x D = RPN). De FMEA stuurt vervolgens corrigerende acties aan, waardoor wordt voorkomen dat defecten de klant bereiken of productieprocessen stilvallen.
FMEA is in de jaren 40 ontstaan uit de Amerikaanse militaire praktijk voor faalanalyse in de productie en werd door de automobielsector (IATF 16949), de lucht- en ruimtevaart, de medische hulpmiddelenindustrie (ISO 13485) en de algemene productie overgenomen als een verplichte of aanbevolen kwaliteitsdiscipline (Overzicht van de ASQ FMEA-methodiek). De methodiek is solide. Het scoresysteem heeft echter een bekend gebrek.
Het AIAG- en VDA-FMEA-handboek introduceerde een actieprioriteitssysteem (AP) om de vlakke RPN-drempel te vervangen, juist omdat een RPN van 90 met S=9, O=2, D=5 (een veiligheidskritiek defect) belangrijker is dan een RPN van 120 met S=2, O=6, D=10 (een cosmetisch probleem). De klassieke formule scoort het cosmetische probleem hoger. Het bestuursorgaan van de norm erkende dit probleem en heeft de richtlijnen herschreven. (Symestic FMEA-productiegids, april 2026)
De drie componenten die elke RPN-score opbouwen
Elke berekening van het risicoprioriteitsgetal is het product van drie onafhankelijke beoordelingen, elk gescoord van 1 tot 10, waarbij elk een andere aanname bevat over wat het productieteam kan beheersen.
1. Ernst (S)
Ernst meet de impact van het defect op de klant of het stroomafwaartse proces als het zich voordoet, niet hoe waarschijnlijk het defect is. De beoordelingsschalen lopen van 1 (geen effect) via 5 tot 6 (verminderde productfunctie) naar 9 tot 10 (veiligheidsimpact of wettelijke overtreding).
Het cruciale punt: Ernst kan niet worden verminderd door meer inspecties toe te voegen. Een hoge ernstscore vereist een technische wijziging in het productontwerp of proces. Het toevoegen van een camera aan het einde van de lijn verlaagt de impact van het defect niet als het zich voordoet. Alleen het wegnemen van de bronoorzaak doet dat.
2. Frequentie (O)
Frequentie scoort hoe vaak de faalwijze optreedt onder de huidige preventieve controles. Een score van 1 betekent dat het defect zo zeldzaam is dat het als onwaarschijnlijk wordt beschouwd. Een score van 10 betekent dat het defect herhaaldelijk optreedt en de huidige preventieve controles niet functioneren. Frequentie wordt verlaagd door preventieve acties te implementeren, niet door detectiecontroles.
Het structurele probleem met Occurrence-scores in de meeste faciliteiten: de score is een schatting op basis van teamervaring, niet afgeleid van een logboek met defectfrequenties. Wanneer KOMPASS voor elke productiecyclus een geclassificeerd inspectielogboek genereert, wordt de Occurrence-score een cijfer op basis van data in plaats van een onderbouwde gok.
ML-geïntegreerde FMEA-productiebenaderingen hebben R-kwadraatwaarden van 0,985 behaald in RPN-voorspellingsnauwkeurigheid wanneer ze getraind zijn op gestructureerde inspectiedata (ScienceDirect, januari 2026).
3. Detectie (D)
Detectiescores beoordelen de waarschijnlijkheid dat huidige controles het defect vinden voordat het de klant bereikt. Een score van 1 betekent dat het defect vrijwel zeker wordt gedetecteerd. Een score van 10 betekent dat de huidige controles het defect helemaal niet kunnen detecteren.
Het scenario van 02:47 uur uit de inleiding van deze blog is een probleem met de Detectiescore. Het team beoordeelde de Detectie met een 3, wat hun vertrouwen in de eindcontrole weerspiegelde. Dat vertrouwen was terecht voor de controle die daadwerkelijk plaatsvond.
Het was niet terecht voor de productie die tussen de controles door liep. Een handmatig inspectie-interval is niet hetzelfde als een detectiecontrole. De kwaliteit van risicobeoordeling hangt af van het begrijpen van het verschil tussen die twee concepten.
Wat is het verschil tussen proces-FMEA en ontwerp-FMEA in de productie?
Een proces-FMEA-gids analyseert faalwijzen in het productieproces zelf: de stappen die een defect product kunnen opleveren. Ontwerp-FMEA-productieanalyse identificeert faalwijzen in het ontwerp van het product voordat er wordt geïnvesteerd in gereedschappen. Beide zijn vereist in een compleet kwaliteitssysteem. Het overslaan van ontwerp-FMEA-productieanalyse veroorzaakt terugkerende productiedefecten waarvoor in de proces-FMEA geen bronoorzaak kan worden gevonden.
Wanneer DFMEA wordt uitgevoerd en wat het oplevert
Ontwerp-FMEA wordt uitgevoerd vóór de eerste gereedschapsaanpassing, door een team dat bestaat uit productontwerpingenieurs, betrouwbaarheidsingenieurs en klantapplicatie-ingenieurs. De input bestaat uit de ontwerpvereisten en de functionele specificaties van de klant. De output bestaat uit aanbevelingen voor ontwerpwijzigingen, revisies van specificaties en validatietestvereisten die voorkomen dat de geïdentificeerde faalwijzen in het productieproces verschijnen.
DFMEA beantwoordt de vraag: 'Zou dit ontwerp, zoals getekend, een product kunnen opleveren dat niet naar behoren functioneert in de praktijk?' Het gaat niet in op wat er gebeurt nadat de gereedschappen zijn vastgelegd en de productie begint. Dat is de rol van PFMEA.
Wanneer PFMEA wordt uitgevoerd en wat het oplevert
Proces-FMEA-productie wordt uitgevoerd vóór de start van de productie, meestal door een cross-functioneel team bestaande uit kwaliteitsingenieurs, productie-ingenieurs, procesingenieurs en productieactiviteiten. De input bestaat uit het processtroomdiagram en het concept-controleplan. De output bestaat uit updates van het controleplan, upgrades van detectiecontroles, CAPA-toewijzingen en SOP-revisies.
PFMEA beantwoordt de vraag: 'Op welke manieren zou dit productieproces een defect product kunnen opleveren en welke controles voorkomen dat?' Het is het levende kwaliteitsdocument dat de meeste faciliteiten bijhouden en dat in de meeste gevallen na de initiële lanceringsevaluatie niet meer wordt bijgewerkt.
Waarom FMEA cross-functioneel moet zijn en niet alleen bij Kwaliteit moet liggen
FMEA-productie is een gestructureerde methode voor risicobeoordeling die potentiële faalwijzen in een productontwerp of productieproces identificeert, deze scoort op ernst, waarschijnlijkheid van optreden en detecteerbaarheid, en vervolgens corrigerende maatregelen prioriteert.
Het moet worden uitgevoerd door een cross-functioneel team met daarin kwaliteits-, productie-, proces- en operationele ingenieurs. Eén kwaliteitsingenieur die vanuit een spreadsheet werkt, kan onmogelijk nauwkeurige kennis hebben van alle faalwijzen in het proces.
Hoe bouw je een proces-FMEA in zeven stappen?
Een proces-FMEA-gids volgt zes tot zeven opeenvolgende stappen: bepaal de procesomvang, identificeer faalwijzen per stap, analyseer de effecten op de klant of het vervolgproces, identificeer oorzaken, beoordeel huidige preventie- en detectiecontroles, bereken de RPN of pas de AIAG-VDA Action Priority-tabel toe, en wijs corrigerende maatregelen toe met benoemde verantwoordelijken en deadlines.
Stap 1 tot 3: Omvang, faalwijzen en effecten
Stap 1 definieert de kaders: welke productiestappen vallen binnen de scope, wat doet elke stap en wat is de verwachte output. Stap 2 identificeert faalwijzen per stap: op welke manieren kan deze stap de verkeerde output produceren of zijn functie niet vervullen. Het doel is om alle aannemelijke faalwijzen te identificeren, inclusief die met een lage waarschijnlijkheid, en niet alleen de voor de hand liggende faalhistorie.
Stap 3 analyseert het effect van elke faalwijze op de klant of het volgende proces in de keten. Hier wordt de ernstscore (Severity) bepaald. Een faalwijze met gevolgen voor de veiligheid moet een score van 9 tot 10 krijgen, ongeacht hoe zelden deze voorkomt. De ernstscore in de FMEA-productiepraktijk is een niet-onderhandelbare input; deze kan niet worden verlaagd op basis van frequentiegegevens.
Stap 4 en 5: Oorzaken en huidige controles
Stap 4 identificeert de specifieke oorzaak van elke faalwijze. Hierbij worden zowel de '5 Whys'-methode als het Ishikawa-visgraatdiagram gebruikt. De oorzaak moet fysiek en verifieerbaar zijn, niet 'bedienersfout', wat een symptoombeschrijving is in plaats van een oorzaak. Een geldige oorzaak is: 'de temperatuur van de seal-kop overschrijdt de tolerantie omdat het temperatuurregelrelais geen driftalarm heeft.'
Stap 5 beoordeelt de huidige preventiecontroles (wat voorkomt dat de oorzaak optreedt) en de huidige detectiecontroles (wat de fout zou vinden nadat deze is opgetreden). Hier wordt de detectiescore bepaald. Een handmatige controle om de 30 minuten krijgt in de meeste scoringsschema's een detectiescore van 5 tot 7. De FMEA-productiepraktijk vereist dat de detectiescore de werkelijke waarschijnlijkheid weerspiegelt om de fout met de huidige controle te vinden, niet de waarschijnlijkheid als de controle perfect zou functioneren.
Stap 6 en 7: Risico-evaluatie en afsluiting van acties
Stap 6 berekent de RPN (S x O x D) en past de AIAG-VDA Action Priority-tabel toe, die faalwijzen indeelt in Hoog (direct actie ondernemen), Medium (actie plannen) en Laag (documenteren en monitoren) op basis van een op ernst gewogen evaluatie in plaats van een vaste RPN-drempelwaarde. Deze stap bepaalt waar de technische middelen worden ingezet.
Stap 7 wijst corrigerende maatregelen toe met benoemde verantwoordelijken en vaste deadlines. Na afronding worden de scores opnieuw geëvalueerd om te bevestigen dat de RPN tot een acceptabel niveau is gedaald. FMEA-productiedocumenten die na afronding van corrigerende maatregelen niet opnieuw worden gescoord, zijn slechts een nalevingsdocument en geen risicobeheertool.
Hoe dicht AI-visie de kloof in detectie en optreden bij FMEA?
AI-visiesystemen veranderen FMEA-productie van een periodieke nalevingsoefening in een continu risicobeheersysteem. Voor de scoring van faalwijze- en effectenanalyse zijn altijd nauwkeurige gegevens over optreden en detectie vereist. AI-inspectiesystemen leveren deze continu, automatisch en op een schaal die handmatige gegevensverzameling niet kan bereiken.
Hoe KOMPASS geschatte optreedfrequenties vervangt door echte data
KOMPASS voert 100% inline inspectie uit en registreert elk inspectie-event: type defect, batch, lijn, ploeg en tijdstempel. Na 30 dagen productie bevat dat logboek de werkelijke frequentie van elke faalwijze die KOMPASS is geconfigureerd om te detecteren. De score voor optreden in het FMEA-register kan worden bijgewerkt op basis van deze data, in plaats van op basis van het geheugen van het team over hoe vaak zij 'denken' dat de fout optreedt.
Dit verschil maakt een risicoscore gebaseerd op schattingen tot een score gebaseerd op data. De methode voor faalwijze- en effectenanalyse is altijd uitgegaan van nauwkeurige gegevens over het optreden. AI levert die. Jidoka's KOMPASS AI-visie-inspectie registreert elk defect met classificatie en genereert zo het gestructureerde dossier dat nodig is voor FMEA-scores voor optreden.
Hoe 100% inspectiedekking de detectiescore verandert
Een handmatige inspectiecontrole om de 30 minuten heeft een bekend structureel gat: defecten die tussen de controles door optreden, worden niet opgemerkt op het detectiepunt. De detectiescore die aan die controle wordt toegekend, moet de waarschijnlijkheid van detectie over het volledige productie-interval weerspiegelen, inclusief de niet-gecontroleerde minuten tussen de checks.
KOMPASS inspecteert elke eenheid. Er zijn geen niet-gecontroleerde intervallen. De detectiescore voor een faalwijze die door KOMPASS wordt gedekt, zou in elke FMEA-productiescoretabel 1 tot 2 moeten zijn. AI verandert faalwijze- en effectenanalyse van een periodiek naar een continu risicosysteem (MAD AI, augustus 2025). Het gat van 02:47 uur in het openingsscenario van deze blog wordt gedicht, niet omdat de FMEA is veranderd, maar omdat de vermelde detectiecontrole werkelijkheid is geworden.
Hoe NAGARE verifieert of corrigerende maatregelen worden opgevolgd
Corrigerende FMEA-maatregelen vereisen vaak proceswijzigingen: een nieuwe SOP-stap, een herziene operatorvolgorde of een aanpassing van poka-yoke. De FMEA gaat ervan uit dat die wijzigingen consistent worden opgevolgd. Zonder verificatiemechanisme is die aanname net zo optimistisch als de aanname voor de detectiescore vóór de komst van AI.
Jidoka's NAGARE-procesmonitoring digitaliseert de corrigerende SOP en controleert elke actie van de operator hiertegen. Wanneer de corrigerende maatregel van de FMEA vereist dat 'de sealtemperatuur binnen de tolerantie wordt gecontroleerd voordat men verdergaat', bevestigt NAGARE dat deze verificatiestap bij elke productiecyclus en in elke ploeg wordt uitgevoerd. De veronderstelde verbetering in detectie in het FMEA-risicoregister wordt hiermee een geverifieerde verbetering.
Jidoka Technologies en FMEA-integratie
KOMPASS en NAGARE pakken de twee inputs aan die bepalen of FMEA-productiescores de werkelijkheid weerspiegelen of slechts een schatting zijn: data over het optreden door 100% inspectiedekking en detectieverificatie door continue procesmonitoring.
- KOMPASS: 100% inline defectdetectie genereert gestructureerde defectlogboeken op type, frequentie, batch en ploeg. Voedt FMEA-registers met echte data over het optreden. Verbetert detectiescores naar het bereik van 1-2.
- NAGARE: Handhaving van digitale werkinstructies controleert bij elke productiecyclus of de corrigerende maatregelen voldoen aan de SOP. Zet aannames over de effectiviteit van corrigerende maatregelen om in geverifieerde data.
- Industrieën: Actief in automotive, farmaceutische industrie, elektronicaen FMCG omgevingen waar FMEA een vereiste is voor wettelijke of klant-audits.
Ontdek hoe KOMPASS en NAGARE echte productiegegevens integreren in uw kwaliteitsborging voor risicoanalyses op jidoka-tech.
Conclusie
De etiketteringsfout om 02:47 uur was geen falen van het FMEA-productieproces. Het was een falen van de detectiecontrole waarvan de FMEA aannam dat deze toereikend was. Wanneer KOMPASS 100% inspectie uitvoert en die gegevens terugkoppelt naar het FMEA-register, wordt het gat van 02:47 uur gedicht. Niet omdat de Failure Mode and Effects Analysis is veranderd, maar omdat de daarin vermelde detectiecontrole werkelijkheid is geworden.
Ontdek hoe KOMPASS en NAGARE echte productiegegevens integreren in uw kwaliteitsborging voor risicoanalyses op jidoka-tech.ai.
Veelgestelde vragen
1. Wat is FMEA in de productie?
FMEA in de productie is een gestructureerde risicobeoordelingsmethode die potentiële faalwijzen in een productontwerp of productieproces identificeert, deze scoort op basis van ernst, waarschijnlijkheid van optreden en detecteerbaarheid, en vervolgens corrigerende maatregelen prioriteert. Dit moet worden uitgevoerd door een cross-functioneel team bestaande uit kwaliteitsmedewerkers, productie-engineers, procesengineers en operationele medewerkers, en niet door één enkele kwaliteitsengineer die vanuit een spreadsheet werkt.
2. Hoe wordt het Risk Priority Number berekend in FMEA?
De berekening van het Risk Priority Number (RPN) in FMEA vermenigvuldigt drie scores: Ernst (S) x Optreden (O) x Detectie (D), elk beoordeeld op een schaal van 1 tot 10, wat resulteert in een RPN tussen 1 en 1.000. Het AIAG-VDA FMEA-handboek adviseert nu om naast of in plaats van de vaste RPN-drempelwaarde een actieprioriteitstabel te gebruiken, omdat gelijke RPN's zeer verschillende risicoprofielen kunnen vertegenwoordigen wanneer de ernstscores aanzienlijk verschillen.
3. Wat is het verschil tussen proces-FMEA en ontwerp-FMEA in de productie?
Ontwerp-FMEA analyseert potentiële faalwijzen in het ontwerp van een product voordat er wordt geïnvesteerd in gereedschappen; proces-FMEA analyseert faalwijzen in het productieproces zelf. Beide zijn noodzakelijk in een compleet kwaliteitssysteem. Ontwerp-FMEA in de productie detecteert ontwerpfouten vóór de productie; proces-FMEA detecteert procesfouten aan de lijn. Het overslaan van DFMEA leidt tot terugkerende productiedefecten waarvan de bronoorzaak niet in de PFMEA wordt gevonden.
4. Hoe verbetert AI de detectiescore in een FMEA?
AI-visiesystemen verbeteren de FMEA-detectiescore door periodieke handmatige inspectie te vervangen door 100% continue inspectiedekking, waardoor het gat tussen inspectie-intervallen waarin ongedetecteerde fouten zich ophopen, wordt geëlimineerd. KOMPASS AI-visie registreert elk inspectie-event en genereert de werkelijke optredings- en detectiegegevens waarop FMEA-productiescores gebaseerd zouden moeten zijn, ter vervanging van de geschatte scores die de meeste faciliteiten vandaag de dag gebruiken.
5. Hoe vaak moet een FMEA worden bijgewerkt in een productieomgeving?
Een FMEA moet worden beoordeeld en bijgewerkt wanneer er een ontwerpwijziging, proceswijziging, nieuwe faalwijze of klantklacht optreedt, en niet alleen volgens een vast jaarlijks schema. De AIAG-VDA-norm behandelt FMEA-productiedocumenten als levende kwaliteitsdossiers. AI-systemen die defecten continu registreren en afwijkingspatronen signaleren, kunnen automatisch FMEA-beoordelingen activeren, waardoor de cyclus van driemaandelijkse of nooit uitgevoerde updates wordt vervangen door event-gestuurde beoordelingen.
