Elke bedrijfsleider weet welk station het knelpunt vormt. Dat zie je zo op de werkvloer. Maar weten dat een station achterloopt en weten waarom dat zo is, zijn twee totaal verschillende problemen. De meeste fabrieken beschikken niet over live data om die twee van elkaar te scheiden.
Is het een machinefout? Slaat een operator stappen over? Komt materiaal van toeleveranciers te laat aan? Zonder de juiste tools voor workflowmonitoring komt het antwoord pas achteraf via klemborden aan het einde van de dienst en schattingen op basis van onderbuikgevoel. Tegen die tijd is de productiecapaciteit al verloren.
Deze gids zet vijf soorten tools voor workflowmonitoring uiteen die elk een specifiek type knelpunt aanpakken en die inzetbaar zijn op de infrastructuur waarover uw fabriek al beschikt.
De vijf soorten knelpunten en de bijbehorende oplossing
Voordat u een tool voor workflowmonitoring kiest, begint de beslissing bij één vraag: met welk type knelpunt heeft u te maken? De meeste vergelijkingen van workflowmonitoring-tools slaan deze stap volledig over en presenteren tools als uitwisselbare opties. Dat zijn ze niet. Elk type is gericht op een specifiek storingspatroon.
Gebruik deze tabel als diagnostisch filter. Bepaal welk type uw knelpunt beschrijft en lees vervolgens het bijbehorende gedeelte.
Tool 1: OEE-monitoring op basis van IoT-sensoren
OEE-monitoring op basis van IoT-sensoren is de tool voor workflowmonitoring die beschikbaarheids- en snelheidsverliezen van machines aanpakt door stroomtangen op de bestaande bedrading van machines te bevestigen. Dit vereist geen aanpassingen aan de PLC, geen productiestop en geen budget voor kapitaalgoederen.
Dit is de oplossing voor knelpunten van type 1 en 2. Het legt de status van machines (draait/gestopt), cyclustijden, de duur van stilstand met redencodes en de frequentie van micro-stops op de gehele werkvloer vast.
Het implementatiemechanisme is hierbij doorslaggevend. Stroomtangen worden op de stroomkabel van elke machine geklemd en detecteren de machinestatus aan de hand van stroomverbruikpatronen. Toegang tot de PLC is niet nodig. Een hydraulische pers uit de jaren 90 zonder controlenetwerk wordt in dezelfde sessie uitgerust als een modern CNC-bewerkingscentrum. De meeste implementaties leveren binnen 48 uur na installatie van de sensoren live OEE-data op. (Bron)
De juiste monitoringssoftware voor machinebeschikbaarheid begint hier: het is de enige laag die automatisch micro-stops registreert zonder de bestaande machinearchitectuur aan te raken.
Wat er verandert op de werkvloer
De eerste twee weken met IoT OEE-data roepen een consistente reactie op bij bedrijfsleiders: de werkelijke OEE is lager dan de geschatte OEE. Het verschil komt bijna volledig door micro-stops — stops van korter dan vijf minuten die operators niet betrouwbaar kunnen loggen en die PLC-systemen volledig missen. (Bron)
Zodra die stops zichtbaar worden, volgt het verbeterpad een duidelijke volgorde:
- Identificeer welke machine de hoogste frequentie aan micro-stops genereert
- Traceer de top drie stopredenen per machine
- Stel real-time waarschuwingen in voor operators op machineniveau
Het workflow-volgsysteem wordt het instrument voor dagelijkse prestatiebesprekingen in plaats van retrospectieve rapportages aan het einde van de dienst.
Beperking
IoT OEE-monitoring bevestigt dat een machine is gestopt. Het kan niet bepalen of de stop werd veroorzaakt door een toevoerprobleem stroomopwaarts, een ophoping stroomafwaarts of een actie van de operator. Dat onderscheid vereist een tweede datalaag.
Genoemde tools in deze categorie: TeepTrak, MachineMetrics, Evocon, Tractian OEE.
Hoe een machine stopt en waarom deze stopte zijn afzonderlijke vragen, en dat is precies waar het volgende type tool voor is ontwikkeld.
Tool 2: Digitale Andon- en visuele managementplatforms
Digitale Andon is de workflow-monitoringtool die blokkades in de materiaalstroom aanpakt door door de operator geactiveerde productiegebeurtenissen (stops, materiaaltekorten, kwaliteitsstops) om te zetten in real-time waarschuwingen die de juiste persoon binnen enkele seconden bereiken.
Deze tool draait op hardware die de fabriek al bezit: schermen op de werkvloer, tablets of smartphones. Er is geen nieuwe signaleringshardware nodig. De softwarelaag vervangt fysieke signaaltorens door configureerbare digitale waarschuwingen die direct naar de juiste supervisor of logistiek contactpersoon worden gestuurd zodra een probleem wordt gemeld.
Het knelpunt dat hiermee wordt aangepakt is de reactietijd. Een materiaaltekort bij Station 4 activeert een waarschuwing op de telefoon van de logistiek supervisor zodra de operator dit aangeeft. Bij een fysiek Andon-systeem moet voor diezelfde gebeurtenis worden gewacht tot een supervisor fysiek langs de signaaltoren loopt. (Bron)
Wat er verandert op de werkvloer
Het dichten van de kloof tussen probleemidentificatie en de reactie van de supervisor is de snelste manier om de productiviteit in een fabriek te verhogen zonder kapitaalinvesteringen. Het verkleinen van die kloof verandert het operationele ritme van de gehele werkvloer.
Een workflow-volgsysteem dat elke Andon-trigger registreert, creëert de data op ploegniveau die CI-leads nodig hebben om te bepalen welk type gebeurtenis de meeste cumulatieve reactietijd per maand verbruikt. Dat logboek voedt direct de retrospectieve knelpuntanalyse zonder dat er extra gegevensverzameling nodig is.
Beperking
Digitale Andon laat zien waar een probleem is opgetreden. Het verklaart niet of de oorzaak een machinefout, een procesafwijking of een daadwerkelijk tekort aan materiaal was. Voor het identificeren van de hoofdoorzaak is correlatie met OEE-data of procesbewakingsgegevens vereist.
Genoemde tools in deze categorie: TeepTrak (data-gestuurde Andon), Fabrico, MachineMetrics operator interface.
Weten waar een probleem is opgetreden is niet hetzelfde als begrijpen hoe het is ontstaan, en dat is het gat dat procesmining moet dichten.
Tool 3: Procesmining en workflow-analyse
Procesmining is de workflow-monitoringtool die gebeurtenislogboeken leest uit MES-, ERP- of QMS-systemen die al aanwezig zijn en in kaart brengt hoe productieorders, kwaliteitsstops en werkinstructies daadwerkelijk door de fabriek zijn gegaan in vergelijking met hoe ze ontworpen waren om te bewegen.
Er is geen nieuwe gegevensverzameling nodig. De data bestaat al. Wat procesmining toevoegt, is de analytische laag die afwijkingen in de volgorde en herbewerkingslussen voor het eerst zichtbaar maakt.
De knelpunten die het blootlegt, zijn een categorie die OEE-dashboards nooit registreren: vertragingen in goedkeuringsworkflows en herbewerkingsroutes. Een kwaliteitsstop die een productieorder vier uur lang pauzeert, verschijnt niet op een OEE-grafiek. In een procesmining-tool verschijnt dit als een afwijking van het ontworpen procespad over meerdere knooppunten, inclusief de exacte tijdstempel en het ordernummer.
Wat het onthult dat dashboards niet laten zien
AI-mogelijkheden voor procesworkflows in platforms zoals Celonis en Microsoft Power Automate Process Mining kunnen gelijktijdig meerdere objecttypen (orders, componenten, kwaliteitsgebeurtenissen) volgen en het specifieke interactiepunt aanwijzen waar de doorstroom stagneert.
Een workflow-volgsysteem gebaseerd op procesmining laat precies zien waar de orderroutering afweek, hoe vaak die afwijking voorkomt en welke goedkeurings- of kwaliteitsstap de kern van de vertraging vormt. Die precisie is wat OEE-dashboards en ploegenlogboeken op zichzelf niet kunnen bieden.
Beperking
Procesmining is retrospectief. Het identificeert waar het proces afweek; het voorkomt de afwijking niet in real-time. Voor real-time proceshandhaving op operatorniveau hoort die functie bij Tool 5.
Genoemde platforms: Celonis, Microsoft Power Automate Process Mining, SAP Signavio.
Tool 4: MES-geïntegreerde productietracking
MES-geïntegreerde productietracking is de tool voor workflowmonitoring die de werkelijke output in realtime vergelijkt met het geplande productieschema op werkorderniveau. Hierdoor ziet de ploegleider direct of de dienst op schema ligt, nog voordat een uur aan verloren productie onherstelbaar wordt.
Deze tool maakt gebruik van MES- of productieschema-data die al op locatie aanwezig is. De datalaag bestaat al; wat wordt toegevoegd is het realtime dashboard dat deze informatie tijdens de dienst zichtbaar maakt in plaats van pas na afloop.
De controleronde van de ploegleider met een klembord is het meest voorkomende zwakke punt in de monitoring op de werkvloer. Het proces is traag, steekproefsgewijs en bevestigt alleen wat er al is gebeurd in plaats van wat er nog bijgestuurd kan worden.
De vier realtime vragen waar een ploegleider antwoord op nodig heeft
Elk van de vijf tools voor workflowmonitoring beantwoordt een of meer van deze vier vragen die een supervisor tijdens elke dienst continu moet kunnen beantwoorden.
Een workflow-trackingsysteem dat al deze vier vragen beantwoordt, vereist meer dan één monitoringslaag. Dat is precies de reden waarom dit artikel vijf verschillende soorten tools beschrijft in plaats van één enkel platform.
Zichtbaarheid van productiedata op het niveau van planning versus werkelijkheid is de meest directe KPI waar een supervisor tijdens een dienst op kan sturen. Het maakt het verschil tussen een herstelbaar tekort en een gemiste dagdoelstelling.
Beperking
MES-tracking laat zien of de planning wordt gehaald. Het verklaart niet welk specifiek station achterblijft of waarom. Die diagnostische laag wordt ingevuld door OEE-monitoring voor machine-oorzaken en AI-vision-monitoring voor menselijke oorzaken.
Genoemde tools: ShopVue MES, Plex by Rockwell Automation, SAP DMC (productiemonitoringmodule).
Tool 5: AI-vision-gebaseerde procesmonitoring
AI-vision-gebaseerde procesmonitoring is de tool voor workflowmonitoring die is ontworpen voor de operator- en proceslaag en die 100% van de montagestappen volgt via bestaande IP-camera's, identificeert welk station boven de takttijd werkt en afwijkingen signaleert voordat het product verdergaat in het proces.
Dit pakt knelpuntcategorieën 3 en 5 aan: afwijkingen in het proces door de operator en variatie tussen verschillende diensten. Dit zijn de categorieën die geen enkele machinesensor, ERP-logboek of OEE-dashboard kan zien. De operator is aanwezig. De machine draait. Toch blijft de output achter. De oorzaak ligt volledig in de proceslaag.
Hoe het werkt op bestaande infrastructuur
De edge AI-inference-engine maakt verbinding met het bestaande IP-cameranetwerk en draait lokaal, zonder afhankelijkheid van de cloud, zonder PLC-koppeling en zonder onderbreking van de productie. Live productiedata van elk bewaakt station wordt continu vergeleken met de digitale standaardwerkinstructie.
Nagare fungeert als een workflow-volgsysteem voor de assemblageproceslaag en draait twee AI-stromen parallel:
- Objectdetectie: Welke onderdelen zijn aanwezig op elk station?
- Actieherkenning: Wat doet de operator en in welke volgorde?
Wanneer een stap wordt overgeslagen, in de verkeerde volgorde wordt uitgevoerd of langer duurt dan de standaard cyclustijd, signaleert het systeem dit in real-time voordat het product het volgende station bereikt.
Hoe Jidoka Technologies het monitoringgat dicht
Fabrieken die alleen OEE-monitoringssoftware gebruiken, hebben inzicht in machineverliezen. Fabrieken die met MES-tracking werken, weten of de dienst volgens plan verloopt. Jidoka Technologies bouwt workflow-monitoringtools voor de categorie die beide missen: de operator- en proceslaag die zorgt voor rework, afwijkingen in cyclustijden en kwaliteitsfouten die geen enkele sensor opmerkt.
Nagare volgt 100% van de assemblagestappen via bestaande camera's en signaleert afwijkingen in real-time. KOMPASS, hun uiterst nauwkeurige AI-inspectiesysteem, behaalt een nauwkeurigheid van 99,8%+ op live productielijnen met een frame-beoordeling van minder dan 10ms. Beide draaien op lokale edge-units zonder netwerklatentie en zonder afhankelijkheid van de cloud tijdens de productie.
Als de bottleneck in uw lijn zich in de operator- en proceslaag bevindt, ontdek dan hoe Nagare werkt met uw bestaande camera-infrastructuur. Plan een rondleiding met het Jidoka-team.
Conclusie
De juiste tool voor workflowmonitoring is afgestemd op jouw specifieke type knelpunt. Verliezen in machinebeschikbaarheid wijzen op IoT OEE-monitoring. Storingen in de materiaalstroom wijzen op digitale Andon. Afwijkingen in de volgorde in historische data wijzen op procesmining. Verschillen tussen planning en realiteit wijzen op MES-tracking. Afwijkingen in de werkwijze van operators en ploegvariaties wijzen op AI-visionmonitoring.
Elk van de vijf hier besproken tools voor workflowmonitoring richt zich op een ander type fout, en drie daarvan kunnen worden ingezet op infrastructuur die je fabriek al bezit. Het juiste systeem voor workflowtracking op jouw werkvloer is het systeem dat het gat in de monitoring dicht dat je huidige opstelling laat liggen.
Als de verliezen zich bevinden in de proces- en operatorlaag, laten we dan onderzoeken wat Nagare aan het licht brengt op jouw productielijn.
Veelgestelde vragen
1. Wat is een tool voor workflowmonitoring in de productie?
Een tool voor workflowmonitoring legt real-time data vast over hoe de productie door een faciliteit beweegt, inclusief machinestatus, acties van operators, naleving van de planning en naleving van de procesvolgorde. Verschillende soorten tools voor workflowmonitoring pakken verschillende categorieën knelpunten aan. De juiste keuze begint bij het identificeren van het type knelpunt dat je wilt diagnosticeren, niet bij welk platform de meeste integraties heeft.
2. Kan workflowmonitoring werken zonder nieuwe hardware te installeren?
Ja. Drie van de vijf hier besproken tools voor workflowmonitoring kunnen worden ingezet op bestaande infrastructuur. IoT-stroomtangen worden op bestaande machinebedrading aangesloten zonder aanpassingen aan de PLC. Procesmining leest gegevens uit bestaande MES- en ERP-eventlogs. AI-visionmonitoring draait op bestaande IP-camera's via edge AI-verwerking. Digitale Andon draait op tablets of smartphones die al op de werkvloer aanwezig zijn.
3. Wat is het verschil tussen OEE-monitoring en procesmonitoring voor het identificeren van knelpunten?
OEE-monitoring identificeert wanneer een machine is gestopt en of deze onder de nominale snelheid heeft gedraaid. Procesmonitoring identificeert of de operator de stappen in de juiste volgorde en met de juiste snelheid heeft uitgevoerd. Een compleet systeem voor workflowtracking dat OEE en procesmonitoring combineert, legt beide foutmodi vast, omdat een lijn een acceptabele OEE kan rapporteren terwijl afwijkingen in de volgorde leiden tot herbewerking die door geen enkele machinesensor wordt opgemerkt.
4. Hoe helpt AI bij het identificeren van knelpunten in de productie?
AI voegt twee specifieke mogelijkheden toe aan het inzicht in productiedata. Ten eerste analyseert AI machinesensordata om micro-stops en snelheidsafwijkingen te detecteren die te kort zijn voor handmatige logboeken. Ten tweede monitoren AI-visionsystemen de acties van operators in real-time en identificeren ze welk assemblagestation zorgt voor overschrijdingen van de cyclustijd. Nagare van Jidoka Technologies volgt cyclustijden continu op elk bewaakt station en signaleert overtredingen van de takt-tijd zodra ze zich voordoen, niet pas aan het einde van de dienst.
5. Welke tool voor workflowmonitoring is het meest geschikt voor knelpunten in de assemblagelijn?
Knelpunten in de assemblagelijn kunnen het meest effectief worden aangepakt door IoT OEE-monitoring voor verliezen op machineniveau te combineren met AI-gebaseerde procesmonitoring via beeldherkenning voor verliezen op operatorniveau. Een workflow-volgsysteem dat OEE en AI-beeldherkenning combineert, pakt zowel machine- als operatorgerelateerde oorzaken aan. OEE laat zien dat een station achterloopt op de planning, terwijl Nagare van Jidoka Technologies identificeert welke specifieke stap tijd kost en tijdens welke dienst dit gebeurt.
