Agentische AI-oplossing voor anomaliedetectie in de productie

Uitdaging

De productielijn kende 8 tot 12 uur ongeplande stilstand per maand doordat CNC-machines plots stilvielen zonder duidelijke oorzaak.

Dat leidde tot:

gemiste leverdata en boetes
hogere loonkosten door ongepland overwerk
verstoring van de strak afgestemde productiestroom

De klant had een voorspellende oplossing nodig die vroege tekenen van storingen herkent, operators waarschuwt en kostbare onderbrekingen voorkomt zonder extra handmatige bewaking.

De oplossing die wij leverden

We bouwden een systeem voor anomaliedetectie op basis van agentische AI, opgezet volgens een manager/worker-architectuur die weerspiegelt hoe een productieleider een team specialisten aanstuurt:

Manageragent – orkestreert het proces en verdeelt de binnenkomende CNC-data over de juiste workeragents.
Workeragents – werken als gerichte specialisten, elk met eigen hulpmiddelen voor anomaliedetectie en data-analyse.

De detectiepipeline combineerde twee aanvullende benaderingen:

Vectorzoekdatabase

Binnenkomende sensorwaarden worden omgezet in embeddings en vergeleken met een bibliotheek van historische storingspatronen in een vectordatabase (Qdrant). Zo wordt elke herhaling van een bekend probleem direct gemarkeerd.

Temporeel LSTM-model

Voor problemen die het systeem nog niet eerder heeft gezien, analyseert een deep-learningmodel (LSTM) tijdreeksen om vroege signalen van opkomende afwijkingen te vinden.

De uitkomsten van beide methoden worden samengevoegd tot één betrouwbaarheidsscore. Worden de drempels overschreden, dan krijgen operators direct bericht via Slack of e-mail, zodat ze kunnen ingrijpen voordat er stilstand ontstaat.

Begin met één machine

Vertel ons welke machines zonder waarschuwing stilvallen en welke sensordata u al verzamelt. Wij vertellen u of een AI-agent de vroege signalen kan opvangen, welke data daarvoor nodig zijn en waar u het best kunt beginnen.

Praat met een AI-expert

Aanpak van de implementatie

Om het systeem robuust, veilig en productieklaar te maken, rolden we het uit op een moderne cloud-native stack:

Apache Kafka – verzorgde de realtime datastroom van de CNC-machines naar de AI-engine.
OAuth2 met JWT – borgde veilige toegang tot gevoelige machinedata en meldingen.
Containerisatie met Docker – zorgde voor schaalbaarheid, portabiliteit en soepele integratie in de bestaande monitoringomgeving van de klant.
Centrale logging en monitoring (via Prometheus en Grafana) – gaf volledig zicht op de modelbeslissingen en de gezondheid van het systeem.

Deze combinatie leverde de klant een systeem dat doorlopend leert en naadloos aansluit op de dagelijkse bedrijfsvoering. Dat verlaagt het risico op stilstand en legt een basis voor blijvende operationele verbetering.

Resultaten voor de klant

De uitgerolde AI-oplossing:

elimineerde de stilstand uit alle eerder bekende storingsscenario’s door ze te voorspellen voordat ze optraden
maakte proactieve onderhoudsplanning mogelijk, wat verstoringen op het laatste moment terugdringt
leverde een systeem dat blijft leren — het LSTM-model wordt beter met elke nieuwe storing, wat de stilstand verder terugdringt
leverde een veilige, schaalbare en goed te onderhouden oplossing die is geïntegreerd in de bestaande monitoringstack van de klant