De machine heeft het onderdeel tenslotte echt gemaakt — wat kan een betere waarheid zijn dan de werkelijke productietijd?
Het probleem is dat werkelijk niet hetzelfde betekent als representatief.
Een gerealiseerde tijd bevat meer dan het maakproces
Stel dat een NC-programma normaal veertig minuten draait, en tijdens één order duurt dezelfde bewerking zestig minuten. Dat kan betekenen dat de voorcalculatie fout was. Het kan echter net zo goed betekenen dat er gereedschap is gebroken, een operator heeft ingegrepen, een proces tijdelijk is stilgezet, materiaal anders reageerde, een storing optrad, of de registratie niet correct is afgesloten.
Onderzoek naar afwijkingen in cyclustijd bij CNC-productie laat precies zien waarom die filtering nodig is: werkelijke duurdata worden expliciet gecorrigeerd voor operationele verstoringen zoals onderhoud, ploegenwissels en andere niet-representatieve gebeurtenissen, vóórdat de data worden gebruikt voor analyse.1
Een afwijking is niet automatisch slechte data
Daar zit de moeilijkste nuance. Een afwijkende productietijd is niet automatisch slechte data: een terugkerende gereedschapsbreuk kan bijvoorbeeld wijzen op een proceskeuze die niet robuust is, terwijl een uitzonderlijk lange insteltijd juist een structureel probleem in werkvoorbereiding of opspanning kan blootleggen. Het relevante onderscheid is daarom niet normale data versus slechte data, maar representatieve procesvariatie versus verklaarbare uitzondering versus onverklaarde afwijking. Dat vraagt herleidbaarheid: weten onder welke omstandigheden een resultaat is ontstaan.
Van nacalculatie naar leren
Een goede nacalculatie vergelijkt daarom niet alleen twee getallen, maar probeert te begrijpen waarom voorcalculatie en werkelijke uitvoering verschillen. Dat verschil kan informatie opleveren over systematische onderschatting, machinespecifieke afwijkingen, insteltijd-variatie, gereedschapskeuze en processtabiliteit.
Dat maakt geregistreerde productietijden en -gebeurtenissen ontzettend waardevol voor AI voor de maakindustrie. Maar alleen als het systeem leert dat een datapunt bewijs is van één gebeurtenis, niet automatisch de waarheid over hoe iedere volgende order zal verlopen.
Noten en bronnen
Vlaminck, N., Nicolas, M., Benamara, T. & Raddoux, H. (2025), “Analyzing Machining Cycle Time Anomalies via CNC and Operational Data,” Procedia CIRP, 133, 471–476 (20th CIRP Conference on Modeling of Machining Operations). DOI: 10.1016/j.procir.2025.02.081