Kunstmatige intelligentie wordt steeds meer geïntegreerd in de industriële productie en gaat verder dan data-analyse en experimentele toepassingen naar praktische productieplanning, kwaliteitsinspectie en fabrieksactiviteiten.
Een opmerkelijke ontwikkeling vond plaats op 19 oktober 2026, toen Siemens en NVIDIA nieuwe industriële AI-toepassingen presenteerden in de elektronicafabriek van Siemens in Erlangen, Duitsland. De projecten combineren digitale tweelingen, door AI gegenereerde trainingsgegevens en door AI ondersteunde productieplanning om fabrikanten te helpen productieprocessen virtueel voor te bereiden en efficiënter te reageren op veranderende bedrijfsomstandigheden.
De aankondiging weerspiegelt een bredere richting in de industriële automatisering: fabrikanten zoeken steeds vaker naar manieren om engineeringsoftware, productiegegevens en fysieke apparatuur met elkaar te verbinden binnen een meer adaptieve productieomgeving.

Digitale tweelingen worden praktische productiehulpmiddelen
Digital twins worden traditioneel gebruikt om producten, machines of productiefaciliteiten in een virtuele omgeving weer te geven. Ze stellen ingenieurs in staat ontwerpen te bestuderen, bedrijfsomstandigheden te simuleren en potentiële veranderingen te evalueren voordat ze fysiek worden geïmplementeerd.
Recente ontwikkelingen breiden deze rol uit.
In de fabriek in Erlangen gebruiken Siemens en NVIDIA digitale tweelingen naast AI-technologieën om productieprocessen voor te bereiden en productiescenario's te evalueren. In plaats van volledig te vertrouwen op fysieke prototypes en herhaalde aanpassingen aan de productielijn, kunnen fabrikanten meer voorbereiding en validatie digitaal uitvoeren.
Deze aanpak is vooral relevant voor de productie van elektronica, waar productieveranderingen, variaties in componenten en inspectie-eisen aanzienlijk technisch werk met zich mee kunnen brengen.
Volgens Siemens kan de virtuele productievoorbereidingsaanpak de engineeringinspanningen voor nieuwe assemblageprocessen voor printplaten met wel 85% verminderen en de time-to-market met wel 40% verkorten. Dit zijn door het bedrijf gerapporteerde doelstellingen en resultaten die verband houden met de specifieke toepassingen, en niet zozeer gegarandeerde verbeteringen voor elke fabriek.
Het onderliggende principe is belangrijk: fabrikanten kunnen productieveranderingen steeds vaker evalueren voordat ze apparatuur, materialen en productietijd aan fysieke implementatie besteden.
AI verandert de manier waarop fabrikanten kwaliteitsinspecties voorbereiden
Een van de door Siemens en NVIDIA gedemonstreerde toepassingen richt zich op geautomatiseerde optische inspectie (AOI) voor printplaatassemblages.
In conventionele workflows kan het voorbereiden van een inspectiesysteem fysieke monsters, beeldverzameling, identificatie van defecten en herhaalde aanpassingen van inspectieparameters vereisen. Deze activiteiten kunnen engineeringtijd in beslag nemen, vooral als producten regelmatig veranderen.
De nieuwe aanpak maakt gebruik van digitale tweelingen en door AI gegenereerde synthetische gegevens om inspectieprocessen voor te bereiden voordat de fysieke productie begint. Virtuele referentieborden en gesimuleerde defectafbeeldingen kunnen de ontwikkeling en kalibratie van inspectietoepassingen ondersteunen.
Siemens meldt dat het project tot 85% minder handmatige engineering-inspanningen beoogt bij het genereren van AOI-programma's, meer dan 40% minder valse oproepen en een verbetering van meer dan 5% in de first-pass-opbrengst.
Deze cijfers beschrijven de doelstellingen van het project, en niet de universele resultaten voor alle inspectiesystemen.
De bredere implicatie voor de industrie is dat AI fabrikanten kan helpen een deel van het technische werk stroomopwaarts te verplaatsen, waardoor de voorbereiding van de inspectie eerder kan beginnen en de afhankelijkheid van fysieke monsters tijdens de initiële ontwikkeling kan worden verminderd.
Voor fabrikanten die te maken hebben met frequente productwijzigingen zou dit de flexibiliteit van de productievoorbereiding kunnen verbeteren en tegelijkertijd kwaliteitsteams kunnen helpen potentiële problemen eerder te identificeren.
De productieplanning wordt steeds adaptiever
AI wordt ook toegepast op productieplanning en operationele besluitvorming.
In het Siemens- en NVIDIA-project kunnen AI-agenten verschillende productiescenario's genereren wanneer er nieuwe orders binnenkomen. Deze scenario's kunnen worden geëvalueerd aan de hand van operationele vereisten en prestatie-indicatoren, terwijl een digitale tweeling helpt bij het valideren van voorgestelde plannen vóór implementatie.
Dit is van belang omdat de productieomstandigheden zelden constant blijven. Materiaaltekorten, veranderingen in orderprioriteiten, capaciteitsbeperkingen en veranderende leveringseisen kunnen allemaal van invloed zijn op de productieschema's.
Traditionele planningsprocessen kunnen aanzienlijke handmatige coördinatie vereisen om deze variabelen te evalueren. Door AI ondersteunde planning kan teams helpen alternatieven te vergelijken en de potentiële operationele gevolgen ervan sneller te begrijpen.
Siemens stelt dat haar op agenten gebaseerde productieplanningsaanpak kostenbesparingen tot wel 20% kan opleveren.
De waarde ligt niet alleen in het gebruik van AI om aanbevelingen te genereren. Het is de verbinding tussen deze aanbevelingen, feitelijke productiegegevens en virtuele validatie van voorgestelde wijzigingen.
Voor fabrikanten biedt dit de mogelijkheid om de productieplanning responsiever te maken zonder uitsluitend te vertrouwen op handmatige analyse of proefondervindelijke aanpassingen op de fabrieksvloer.
Industriële AI is nog steeds afhankelijk van een betrouwbare automatiseringsinfrastructuur
Ondanks de groeiende rol van AI blijft intelligente productie afhankelijk van de fysieke apparatuur die de productie controleert en bewaakt.
PLC's, I/O-modulesSensoren, industriële communicatieapparatuur, frequentieregelaars en motorbesturingscomponenten blijven softwaretoepassingen verbinden met machines en productieprocessen.
AI kan helpen bepalen hoe de productie moet worden gepland, potentiële kwaliteitsproblemen identificeren of operationele aanpassingen aanbevelen. Fysieke apparatuur moet echter nog steeds besturingsopdrachten uitvoeren, signalen verzamelen en de vereiste bedrijfsomstandigheden handhaven.
Dit onderscheid is vooral belangrijk voor fabrieken die AI introduceren in bestaande productieomgevingen.
Veel faciliteiten gebruiken apparatuur van verschillende generaties, met gevestigde besturingssystemen die machines ondersteunen die niet in één keer kunnen worden vervangen. Nieuwe digitale toepassingen moeten daarom naast geïnstalleerde automatiseringshardware, industriële netwerken en bestaande productieprocedures bestaan.
Modernisering vindt vaak stapsgewijs plaats. Een fabrikant kan nieuwe inspectiesoftware introduceren met behoud van bestaande besturingsapparatuur, of de productieplanning verbeteren zonder de onderliggende PLC's te vervangenschijven.
Naarmate industriële AI zich uitbreidt, zal het vermogen om nieuwe mogelijkheden te integreren met de bestaande automatiseringsinfrastructuur een belangrijke overweging blijven.

Onderhouds- en vervangingsplanning blijven essentieel
De toenemende integratie van productiesystemen maakt ook de betrouwbaarheid van apparatuur en onderhoudsplanning belangrijk.
Een productieomgeving kan digitale inspectie, geautomatiseerde handling, industriële controllers, communicatienetwerken en aandrijfsystemen combineren. Een storing in één component kan de werking van aangesloten apparatuur onderbreken of de productie verder stroomafwaarts beïnvloeden.
Voor onderhouds- en inkoopteams betekent dit dat de digitale transformatie de noodzaak van gevestigde diensten niet wegneemtreserveonderdelen voor automatisering.
PLC's, I/O-modules, aandrijvingen, relais, sensoren encommunicatie componentenkan gedurende verschillende stadia van de modernisering van de fabriek in dienst blijven. Wanneer apparatuur moet worden gerepareerd of vervangen, kan het identificeren van het juiste model en het beveiligen van compatibele componenten onnodige stilstand helpen verminderen.
Fabrikanten worden daarom geconfronteerd met twee parallelle prioriteiten: het adopteren van nieuwe digitale mogelijkheden en het onderhouden van de apparatuur die de huidige productie ondersteunt.
Betrouwbare inkoop van reserveonderdelen blijft relevant, zelfs nu steeds meer productieprocessen AI-ondersteund worden.
Van virtuele voorbereiding tot adaptieve productie
De ontwikkelingen van Siemens en NVIDIA laten zien hoe industriële AI verschillende fasen van de productie begint te verbinden, waaronder productievoorbereiding, inspectie, planning en operationele besluitvorming.
Digital twins bieden een virtuele weergave van producten en fabrieksprocessen. AI kan deze context gebruiken om trainingsgegevens te genereren, alternatieven te evalueren en planningsbeslissingen te ondersteunen. Gevestigde automatiseringsapparatuur blijft dan verantwoordelijk voor het besturen van fysieke processen en het verbinden van die beslissingen met de productie.
De aanpak is geen universele vervanging voor conventionele automatisering, noch bewijst één fabrieksdemonstratie dat volledig autonome productie overal al praktisch is.
In plaats daarvan illustreert het een geleidelijke verschuiving naar productiesystemen die virtuele validatie, AI-ondersteunde beslissingen en gevestigde industriële controletechnologieën combineren.
Voor fabrikanten is de volgende uitdaging het bepalen waar deze mogelijkheden meetbare waarde bieden, hoe ze kunnen worden geïntegreerd in bestaande activiteiten en hoe het volledige systeem betrouwbaar kan worden onderhouden.
Naarmate industriële AI dichter bij de dagelijkse fabrieksactiviteiten komt te staan, zal de combinatie van intelligente software, betrouwbare automatiseringshardware en effectieve onderhoudspraktijken centraal blijven staan in de productieprestaties.

