Een kwaliteitsteam voerde in acht maanden tijd drie keer dezelfde corrigerende maatregel uit voor een defect aan de sealintegriteit. Elke keer wees de Pareto-analyse 'afwijking in sealtemperatuur' aan als voornaamste oorzaak. Elke keer paste het team de instelling van de sealmachine aan. En elke keer keerde het defect binnen zes weken terug.
De werkelijke oorzaak was trilling van de transportband, waardoor het product vóór de sealunit verschoof. Dit was zichtbaar op de inspectiebeelden, maar onzichtbaar in het handmatige logboek aan het einde van de dienst. De methode voor defectanalyse was correct, maar de data die als input dienden, waren incompleet.
Deze gids legt uit waarom dit gebeurt en hoe u dit kunt oplossen.
Productiedefectanalyse identificeert waar, wanneer en waarom productieafkeur optreedt, nog voordat een stijgend afkeurpercentage dwingt tot een productiestop of een klacht van een klant leidt tot een recall. De drie methoden die zorgen voor het achterhalen van de werkelijke bronoorzaak zijn Pareto-analyse (om de kritieke 20% van de oorzaken te vinden), visgraatdiagrammen (om bijdragende factoren in kaart te brengen) en 5 Whys (om voorbij symptomen te kijken naar de bronoorzaak). Alle drie zijn afhankelijk van nauwkeurige, gestructureerde data uit de productieanalyse.
Wat productiedefectanalyse is en waar handmatige methoden tekortschieten
Productiedefectanalyse is het systematisch identificeren en classificeren van productieafkeur om de bronoorzaak te vinden en herhaling te voorkomen. Wanneer productiedefectanalyse in real-time plaatsvindt, leiden stijgende afkeurpercentages tot corrigerende acties voordat ze uitmonden in productiestops. Wanneer dit pas 24 uur na de dienst gebeurt, is het moment om in te grijpen al voorbij.
Ongecontroleerde procesvariatie veroorzaakt tot 70% van de productiedefecten, en het merendeel van dit verlies blijft bestaan omdat teams op de eerste dag de verkeerde bronoorzaak vaststellen (Qualityze, mei 2026). Teams die zijn overgestapt van handmatige methoden op basis van spreadsheets naar geïntegreerde platforms voor bronoorzaakanalyse, verkorten de onderzoekstijd met gemiddeld 35% (Qualityze intern onderzoek 2024). De bottleneck is de datakwaliteit, niet de methodologie.
De vier categorieën productiedefecten die elke analyse moet classificeren
Een raamwerk voor defectanalyse is alleen nuttig als defecten consistent worden ingedeeld in categorieën die gekoppeld zijn aan actiegerichte oorzaken. Een defectenlogboek waarin 40% van de vermeldingen onder 'overig' of 'onbekend' valt, is geen input voor een analyse. Het is een probleem dat geregistreerd moet worden.
1. Productdefecten
Maatafwijkingen, krassen op het oppervlak, cosmetische gebreken en functionele defecten. Categorie bronoorzaak: tekortkoming in ontwerpspecificaties of procesvariatie. Detectiemethode: KOMPASS inline inspectie met 100% dekking, waardoor defecten worden opgemerkt die bij periodieke steekproeven worden gemist.
2. Procesdefecten
Afwijkingen in machineparameters (temperatuur, snelheid, druk), afwijkingen in de handelingen van de operator en het overslaan van stappen in de SOP. Categorie bronoorzaak: falen van procesbeheersing. Detectiemethode: NAGARE real-time stapmonitoring identificeert welke actie van de operator de afwijking veroorzaakte voordat de volgende eenheid wordt geproduceerd.
3. Materiaalfouten
Non-conformiteit van inkomende materialen en variaties tussen batches in de eigenschappen van grondstoffen. Categorie hoofdoorzaak: tekortkoming in kwaliteitscontrole bij de leverancier. Vereist uitgebreide traceerbaarheid om de specifieke batch te isoleren, wat geautomatiseerde sorteer- en telgegevens bieden.
4. Omgevingsfactoren
Verontreiniging door de omgeving, temperatuurschommelingen en defectclusters die correleren met de luchtvochtigheid. Categorie hoofdoorzaak: falen van facilitaire beheersing. Deze defecten worden in handmatige logboeken vaak onterecht als 'onbekend' gelabeld, omdat de omgevingsgegevens bij invoer niet worden gekoppeld aan de productiegegevens.
De drie methoden voor hoofdoorzaakanalyse die leiden tot echte productiefoutanalyse
De drie methoden voor hoofdoorzaakanalyse die worden gebruikt bij productiefoutanalyse zijn Pareto-analyse, visgraatdiagrammen en de 5 Whys. Ze zijn het meest effectief wanneer ze opeenvolgend worden gebruikt, niet als onafhankelijke alternatieven. Pareto identificeert wat er onderzocht moet worden. Visgraat brengt in kaart waarom het zou kunnen gebeuren. 5 Whys graaft door naar de corrigeerbare oorzaak.
Stap 1: Pareto-analyse om de prioriteitscategorie voor defecten te bepalen
Het Pareto-principe toegepast op productiefoutanalyse: 80% van de defecten wordt doorgaans veroorzaakt door 20% van de faalwijzen (ResearchGate, Root Cause Analysis Using Fishbone Diagram). Een praktijkstudie naar een productieproces toonde aan dat slechts twee soorten defecten verantwoordelijk waren voor meer dan 55% van alle afkeuringen (International Journal of Indonesian Business Review, 2025). Het eerst identificeren van die twee typen maakt productiefoutanalyse actiegericht.
De kritieke beperking: de Pareto-grafiek is slechts zo nauwkeurig als het logboek voor defectclassificatie dat de gegevens levert. Een logboek waarin 30% van de defecten wordt ingevoerd als 'afdichtingsfout' zonder subcategorie, en nog eens 20% als 'visuele afkeuring' zonder verdere classificatie, levert geen betrouwbare Pareto-prioriteit op. De Pareto is wiskundig accuraat, maar prioriteert het verkeerde probleem omdat de invoer onvolledig is. Dit is precies het dataprobleem dat het scenario met de afdichtingsfout aan het begin van deze blog illustreert.
Stap 2: Visgraatdiagram om bijdragende factoren in kaart te brengen
Het visgraatdiagram (Ishikawa) brengt aannemelijke oorzaken in kaart aan de hand van zes categorieën: Mens, Methode, Machine, Materiaal, Meting en Milieu. Het vereist input van een cross-functioneel team: kwaliteitsingenieurs kennen de categorieën meting en methode; onderhoud kent de machinecategorie; procesingenieurs kennen de categorieën methode en materiaal. Geen enkele kwaliteitsingenieur die vanuit een spreadsheet werkt, heeft volledig zicht op alle zes.
De output van het visgraatdiagram is een shortlist van bijdragende factoren, geen hoofdoorzaak. Het team stemt over de waarschijnlijkheid per factor en brengt dit terug tot twee of drie kandidaten voor de 5 Whys-analyse. MES-systemen ondersteunen in toenemende mate digitale visgraatdiagrammen die gekoppeld zijn aan defectgegevens, zodat het bewijsmateriaal voor het diagram uit het productiesysteem komt in plaats van uit het geheugen van vergaderdeelnemers (Tulip, root cause analysis tools).
Stap 3: 5 Whys om de corrigeerbare bronoorzaak te achterhalen
De 5 Whys-methode graaft door elke bijdragende factor heen door op elk niveau 'waarom' te vragen totdat een fysieke, corrigeerbare systeemconditie is bereikt. De regel om te stoppen: wanneer het antwoord op 'waarom' iets is wat het team daadwerkelijk kan veranderen. 'Bedieningsfout' is geen bronoorzaak. 'De koppelingsspecificatie was niet zichtbaar op het assemblagestation' is wel een bronoorzaak, omdat dit een specifieke correctie aanwijst.
Het scenario met het defecte zegel uit de inleiding van deze blog doorliep drie keer de 5 Whys, waarbij telkens werd geconcludeerd dat 'de zegeltemperatuur buiten de tolerantie viel'. Dat was een correct antwoord op de verkeerde vraag. De vraag had moeten beginnen bij het daadwerkelijke defect: productverschuiving vóór de zegelkop. Die vraag verscheen nooit in de Pareto-analyse omdat deze nooit in het defectenlogboek stond. De oorzaak, trillingen van de transportband, was alleen zichtbaar op de inspectieafbeelding, niet in het geheugen van de operator aan het einde van de dienst.
Hoe AI Vision het datagat dicht dat defectanalyse doet falen
De nauwkeurigheid van defectanalyse in de productie wordt begrensd door de kwaliteit van de defectclassificatiegegevens waarop deze is gebaseerd. Handmatige logboeken aan het einde van de dienst lopen 8 tot 24 uur achter, worden inconsistent gecategoriseerd en zijn vaak onvolledig. Een Pareto-grafiek die is gebaseerd op handmatige loggegevens geeft prioriteit aan het probleem dat het best wordt onthouden, niet noodzakelijkerwijs aan het probleem dat het vaakst voorkomt.
KOMPASS levert geclassificeerde defectgegevens op het punt van productie
KOMPASS classificeert elk defect op het moment van detectie: defecttype, ernst, lotcode, lijn-ID, tijdstempel en geannoteerde afbeelding. Die classificatie gebeurt automatisch, consistent en met 100% inspectiedekking, waardoor het gestructureerde logboek voor productieanalyse wordt gegenereerd dat nodig is voor nauwkeurige Pareto-grafieken en visgraatdiagrammen.
Het structurele verschil: een handmatig logboek registreert wat operators zich aan het einde van de dienst herinneren over defecten. Een KOMPASS-logboek registreert wat het inspectiesysteem waarnam over elke eenheid op het moment van productie. De casus met het defecte zegel had een cluster van afkeuringen laten zien die correleerden met verschuivingen bij specifieke transportbandsnelheden, zichtbaar in de data als een patroon dat geen enkel handmatig logboek zou hebben vastgelegd. Zie hoe Jidoka's defectdetectie en labelherkenning in de praktijk dit gestructureerde overzicht genereren.
NAGARE detecteert procesdefecten die productinspectie niet kan zien
Procesdefecten (afwijkingen in de volgorde van handelingen door de operator, het overslaan van SOP-stappen, onjuiste machineparameters) laten geen gegarandeerd spoor achter op het eindproduct. KOMPASS inspecteert het product. NAGARE bewaakt het proces. Wanneer er een procesafwijking optreedt, markeert NAGARE dit in realtime en logt het type afwijking, de tijdstempel en de operator, nog voordat de volgende eenheid met hetzelfde defect wordt geproduceerd.
Dit is de categorie defecten die de meeste programma's voor productieanalyse toeschrijven aan een 'onbekende oorzaak': het productdefect is reëel, de Pareto-data zijn reëel, maar geen enkel productinspectierapport koppelt het defect aan de procesmatige oorsprong. NAGARE biedt die verbinding door de procesgebeurtenis te loggen naast de productinspectiegebeurtenis, waardoor visgraatanalyse de werkelijke oorzaak kan aanpakken.
Het gesloten systeem: van detectie naar geverifieerde correctie
Een volledige architectuur voor productieanalyse gebruikt KOMPASS en NAGARE samen: KOMPASS detecteert en classificeert het productdefect; het geclassificeerde logboek voedt de realtime Pareto-analyse; de Pareto-analyse stuurt het visgraat- en 5 Whys-onderzoek aan; corrigerende maatregelen worden toegewezen en als digitale SOP-update in NAGARE geladen; NAGARE verifieert of de corrigerende maatregel bij elke volgende cyclus wordt opgevolgd; KOMPASS bevestigt dat het defectpercentage daalt.
Deze gesloten lus verandert productieanalyse van een retrospectieve oefening in een preventiemechanisme. Elke productiecyclus levert feedback aan de data die het volgende onderzoek zal gebruiken. De CAPA die drie keer op hetzelfde zegeldefect werd uitgevoerd, had slechts één keer nodig geweest als de inspectiebeelden vanaf het begin de Pareto-prioriteit hadden bepaald.
De statistieken die bevestigen dat productieanalyse werkt
Drie statistieken bevestigen dat productieanalyse zorgt voor een nauwkeurige identificatie van de bronoorzaak: de trend in het defectpercentage (daalt de prioriteitscategorie voor defecten na CAPA?), het ontsnappingspercentage (bereiken defecten nog steeds klanten?) en het herhalingspercentage van CAPA (wordt dezelfde corrigerende maatregel vaker dan eens geopend?)
Defectpercentage en escapepercentage
Het defectpercentage meet afgekeurde producten die vóór verzending door inspectie zijn gevonden. Het escapepercentage meet defecten die door de inspectie zijn geglipt en door de klant zijn ontdekt. Een fabriek met een laag defectpercentage en een hoog escapepercentage heeft een gat in de detectiedekking, geen verbetering in de productiekwaliteit. Het verlagen van het escapepercentage vereist het dichten van dit inspectiegat, wat direct wordt aangepakt door 100% AI-inspectiedekking.
Beide statistieken moeten per defectcategorie worden bijgehouden. Als de Pareto-prioriteit 'sealintegriteit' was en de CAPA zich richtte op de sealtemperatuur, dan is de juiste validatiestatistiek het defectpercentage voor sealintegriteit gedurende 90 dagen na afronding van de CAPA. Algemene tracking van uitvalreductie kan niet bevestigen of de specifieke bronoorzaak is aangepakt.
CAPA-effectiviteitsstatistieken
Drie CAPA-effectiviteitsstatistieken bevestigen de kwaliteit van de analyse van productiedefecten: herhalingspercentage (dezelfde defectcategorie die binnen 90 dagen opnieuw wordt geopend, wijst op een onjuist geïdentificeerde bronoorzaak), CAPA-doorlooptijd (openstaande CAPA's van langer dan 30 dagen wijzen op een onopgelost risico) en het bijhouden van het afkeurpercentage na CAPA (een daling van het defectpercentage per categorie bevestigt dat de corrigerende maatregel de werkelijke oorzaak heeft aangepakt, en niet slechts het symptoom).
De CAPA-historie van drie cycli van het sealdefect-team had na de tweede opening een probleem met het herhalingspercentage moeten signaleren. Een raamwerk voor analyse van productieafval dat herhalingsregistratie bevat, had vóór het uitvoeren van de derde identieke correctie moeten aanzetten tot een controle van de gegevensbron.
Jidoka Technologies en analyse van productiedefecten
KOMPASS en NAGARE pakken het dataprobleem aan waardoor tools voor analyse van productiedefecten onjuiste antwoorden geven: ze vervangen handmatige logboeken aan het einde van de dienst door gestructureerde, realtime, geclassificeerde inspectierecords met 100% productiedekking.
- KOMPASS: Gestructureerde defectclassificatie op het punt van productie. Elke eenheid: defecttype, ernst, tijdstempel, batch, lijn. Voedt Pareto met door AI geclassificeerde gegevens, niet met het geheugen van de operator.
- NAGARE: Registratie van procesafwijkingen per operatorstap. Verbindt procesgebeurtenissen met productdefecten. Verifieert elke cyclus of wordt voldaan aan de corrigerende maatregelen.
- Industrieën: Actief in automotive, FMCG, elektronica, farmaceuticaen algemene productie.
Ontdek hoe KOMPASS elk productiedefect omzet in een gestructureerd datarecord voor methoden voor het achterhalen van de hoofdoorzaak op jidoka-tech.
Conclusie
Het kwaliteitsteam dat drie keer dezelfde CAPA uitvoerde, gebruikte de juiste methode voor defectanalyse op basis van verkeerde gegevens. De corrigerende maatregel richtte zich op het geregistreerde symptoom (temperatuurinstelling) en niet op de werkelijke oorzaak (trillingen van de transportband), die alleen zichtbaar was op de inspectieafbeelding.
Het geclassificeerde inspectierecord van KOMPASS zou hebben aangetoond dat defecten door verplaatsing piekten bij een specifieke lijnsnelheid; dit was zichtbaar in de data, maar onzichtbaar in het handmatige logboek.
Ontdek hoe KOMPASS elk productiedefect omzet in een gestructureerd datarecord op jidoka-tech.ai.
Veelgestelde vragen
1. Wat is productiedefectanalyse?
Productiedefectanalyse is het systematische proces van het identificeren, classificeren en onderzoeken van productieafkeur om hoofdoorzaken te vinden en corrigerende maatregelen te implementeren voordat defectpercentages leiden tot productiestops of defecte producten bij de klant. Het steunt op drie opeenvolgende methoden: Pareto-analyse om de prioritaire defectcategorie te bepalen, visgraatdiagrammen om bijdragende oorzaken in kaart te brengen, en de 5 Whys-methode om van bijdragende factoren door te dringen tot de corrigeerbare hoofdoorzaak.
2. Wat zijn de meest gebruikte methoden voor het achterhalen van de hoofdoorzaak van productiedefecten?
De drie meest gebruikte methoden voor bronoorzaakanalyse bij productiefouten zijn Pareto-analyse, het visgraatdiagram (Ishikawa) en de 5 Whys. Pareto identificeert welk type defect moet worden onderzocht. Het visgraatdiagram brengt alle aannemelijke bijdragende factoren in kaart op basis van Mens, Methode, Machine, Materiaal, Meting en Milieu. De 5 Whys graaft door elke bijdragende factor heen naar de corrigeerbare bronoorzaak. Deze drie methoden zijn het meest effectief wanneer ze in die volgorde worden gebruikt, en niet als onafhankelijke alternatieven.
3. Wat is het verschil tussen het afkeurpercentage en het ontsnappingspercentage bij defectanalyse?
Het afkeurpercentage meet defecten die tijdens de inspectie aan de productielijn vóór verzending worden gevonden; het ontsnappingspercentage meet defecten die door de inspectie zijn geglipt en door de klant zijn ontdekt. Beide statistieken zijn nodig voor een volledige analyse van het defectpercentage in de productie. Een fabriek met een laag afkeurpercentage en een hoog ontsnappingspercentage heeft een inspectiegat: het detectiesysteem mist bepaalde soorten defecten. Het verlagen van het ontsnappingspercentage vereist verbetering van de detectiedekking, niet alleen van het productieproces.
4. Hoe verbetert AI-visie de bronoorzaakanalyse van defecten in de productie?
AI-visiesystemen verbeteren de bronoorzaakanalyse van defecten door volledige, consistent geclassificeerde, real-time defectgegevens te genereren met een inspectiedekking van 100%. Hiermee worden handmatige logboeken aan het einde van de dienst vervangen, die vaak vertraagd, inconsistent en onvolledig zijn. Wanneer een Pareto-grafiek wordt opgebouwd op basis van AI-inspectiegegevens in plaats van op het geheugen van operators, weerspiegelt deze wat er daadwerkelijk aan de lijn is gebeurd in plaats van wat men zich herinnert. Die nauwkeurigheid bepaalt of de corrigerende maatregel de juiste bronoorzaak aanpakt.
5. Hoe verlaag je het uitvalpercentage in de productie?
Het verlagen van het uitvalpercentage begint met het identificeren van de top drie defectcategorieën via Pareto-analyse, het uitvoeren van een bronoorzaakonderzoek voor elk daarvan met behulp van het visgraatdiagram en de 5 Whys, het implementeren van geverifieerde corrigerende maatregelen en het gedurende 90 dagen na sluiting van de CAPA monitoren op herhaling. Een doelstelling voor het verlagen van het uitvalpercentage die niet gekoppeld is aan de vermindering van specifieke defectcategorieën, is niet uitvoerbaar. Richt je eerst op de 20% van de defectoorzaken die verantwoordelijk zijn voor 80% van de uitval.
