Het verbruik is zichtbaar, de oorzaak niet
Op veel productiebedrijven hangt er een stroommeter op de hoofdaansluiting. De factuur komt maandelijks en wordt geboekt onder 'energie'. Wat ontbreekt is de koppeling naar de werkvloer: welke lijn draaide die dag, hoeveel uur stond de oven aan voor een batch die uiteindelijk afgekeurd werd, op welke momenten piekte het verbruik terwijl er nauwelijks output tegenover stond? Zonder die koppeling is energiebeheer een boekhoudkundige exercitie in plaats van een operationeel stuurmiddel.
Waarom de energiefactuur geen stuurinformatie is
De traditionele werkwijze is: meter registreert, leverancier factureert, finance boekt. Drie weken na de feiten, geaggregeerd over de hele locatie. Voor een bedrijf met meerdere productielijnen, wisselende ordermix en variabele draaitijden is dat geen informatie, dat is ruis. Wat je wilt weten is het energieverbruik per order, per machine of per ploeg. Dat geeft je twee dingen: de werkelijke kostprijs van een product, en een vroeg signaal als een machine meer verbruikt dan verwacht. Dat laatste is vaak de eerste indicator van slijtage, een foutieve instelling of een procesafwijking.
Hoe koppel je productiedata aan energieverbruik?
De technische route is in principe recht door zee: submeeters per lijn of machine, gekoppeld aan de tijdstempels uit je productieregistratie. Het knelpunt zit zelden in de hardware. Het zit in de software die beide databronnen bij elkaar brengt en er iets bruikbaars van maakt voor de planner of de calculator. Als de productieregistratie in een losstaand systeem zit, de meterdata ergens in een energiebeheerpakket staat en de calculatie in Excel wordt gedaan, is er geen enkele automatische verbinding. Iemand moet het elke maand handmatig aaneenrijgen, en dat gebeurt dus niet. De oplossing is een systeem dat de productie-events en de meterdata in hetzelfde datamodel vastlegt, zodat je per batch of per order kunt aflezen wat het daadwerkelijk heeft gekost aan energie. Dat hoeft geen groot platform te zijn. Het moet wel aansluiten op hoe jouw lijnen en orders geregistreerd worden, en dat is per bedrijf anders.
Wanneer is een AI Worker hier zinvol?
Als het onderliggende productiesysteem redelijk gestructureerde data heeft maar de vertaalslag naar energieverbruik handmatig blijft, is een gerichte automatisering een logische stap. Een AI Worker kan meterdata ophalen, matchen met productie-events uit het MES of ERP, en een dagelijkse rapportage aanmaken per lijn of order. De medewerker ziet 's ochtends de afwijkingen van de vorige dag, niet drie weken later op een factuur. Dat is geen zelflerende magie: het is een gestructureerde koppeling die het handmatige aaneenrijgen overneemt. Waar het niet werkt: als de meterdata niet op voldoende granulariteit beschikbaar is, of als de productieregistratie zelf al niet klopt. Dan los je met automatisering niets op. Je maakt de rotzooi alleen sneller zichtbaar.
Wat levert het de operatie op?
Directe marge-inzicht per product is de eerste opbrengst. Als blijkt dat een bepaalde productgroep structureel meer energie kost dan gecalculeerd, kun je dat verwerken in de tarieven of de productieplanning aanpassen: de zwaarste lijnen in de daluren draaien als dat contractueel mogelijk is. De tweede opbrengst is vroegtijdige signalering van afwijkingen. Een machine die twintig procent meer verbruikt dan de voorgaande week, zonder dat de output is gestegen, is een signaal. Geen bewijs, maar een aanleiding om te kijken. Dat soort vroege signalen zijn in een productieomgeving letterlijk geld waard, omdat gepland onderhoud altijd goedkoper is dan stilstand. De derde opbrengst is calculatie. Als je energieverbruik per batch kunt meten, kun je offertes bouwen op werkelijke kosten in plaats van op historische gemiddelden die al lang niet meer kloppen.