Realisme-disclaimer: dit is een realistische reconstructie gebaseerd op publiek bekende informatie over Tesla-class body shops (Model Y assembly, KUKA mxAutomation, Cognex In-Sight, Warp Drive MES). Het pretendeert niet een interne Tesla-implementatie te zijn. Het laat zien hoe een mid-size discrete OEM in Tesla-class manufacturing hetzelfde 7-stappen patroon zou implementeren — adresserend de drie reële uitdagingen: 100Hz data, traceability terug naar VIN, en sub-seconde beslissingen voor de volgende body die de cell inkomt.
De uitdaging
Tesla-class body shop (Model Y assembly, ongeveer 800K voertuigen/jaar, 6 KUKA cells, 24/6 productie). Stack vóór de transformatie: KUKA KR C5 controllers met mxAutomation libraries, Cognex In-Sight 3D-L4000 vision systems voor post-weld QA, Tesla Warp Drive MES (closed maar webhook-out beschikbaar), interne SAP-equivalent voor VIN-tracking, interne Grafana voor OEE.
De aanhoudende pijn: weld #2147 (body-side-outer naar B-pillar boven achterwiel) had een Cognex-failure rate van 0,34% — drie keer hoger dan de rest. €380 rework per failure. Bij 800K voertuigen/jaar: 2160 reworks plus downstream capacity recovery en warranty exposure: €1,2M/jaar op één lasspoor.
De oplossing — 7 stappen
- Connect — Industrial NUC binnen cell-4 cabinet leest 11 OPC-UA tags van KUKA controllers (current + voltage at 100Hz windowed tijdens weld events, force-X at 100Hz, TCP positie X/Y at 50Hz, cycle event, program version) en duwt ze via outbound MQTT/TLS naar een lokale MonsterMQ-edge instance met bridge naar MonsterMQ-cloud op €5,77/mnd VPS. Cognex-bridge luistert op TCP poort 23000 en publiceert per-weld pass/fail naar MQTT met VIN-koppeling.
- Condition — De eerste 5ms van elke weld trace droppen (electrode strike artefact), deadbands, dedup Cognex retries. Binnen dezelfde flow draait continue rolling-baseline berekening per weld_id (laatste 100 succesvolle welds) — de enige manier waarop deviation thresholds zinvol blijven naarmate electrodes verslijten.
- Model — ISA-95 hierarchie plus een discrete-specifiek element:
weld_signatures. Elke weld_id draagtpower_baseline_envelope(rolling avg + stdev, configurable threshold),trajectory_offset_eligibleflag, ensolve_titrate_overrides(action:trajectory_offset_x_mm, delta: 0,4 mm, safety floor: ±2,0 mm). De beslissingsruimte en de safety envelope leven in het model, afgetekend door Vision-QA Engineering. - Store — MongoDB 7 time-series met millisecond granularity (niet seconden), 365-dagen retentie (IATF 16949 minimum), sharded op
meta.body_vin. Sister-collections:welds(per-weld events met Cognex outcome, applied trajectory offset, observed power, baseline op tijdstip, VIN, program version) enbodies(Warp Drive body genealogy). - Orchestrate — Zeven N8N workflows plus één Python microservice.
weld-power-watcher.pyis geen N8N — het omzeilt de circa 150ms N8N node-overhead omdat het sub-50ms weld window niet kan wachten. De microservice luistert direct op cloud MonsterMQ, accumuleert current/voltage samples per weld_id, berekent power zodra het window sluit, vergelijkt met baseline + threshold, en POSTet (als Solve QA-actief is en laatste 250 welds safe waren) een trajectory-offset binnen circa 30ms — ruim vóór de volgende body de cell inkomt. - Visualize — Grafana voor body shop manager en vision-QA engineer (per-weld trace overlay, per-VIN failure heatmap, IATF audit live feed); Next.js floor screen voor cell-4 operators. Beide via FastAPI.
- Distribute — FastAPI exposeert 14 endpoints.
POST /api/trajectory-offset(Solve-feedback, sub-second pad),GET /api/weld-signature/{id}(model-driven thresholds),GET /api/iatf-audit/{vin}(per-VIN traceability voor IATF 16949 — elke weld + elke auto-correctie + elke program version). De edge-subscriber zet trajectory-offset MQTT commands om in OPC-UA writes naar de KUKA recipe namespace, gegrendeld door KRL hard limits:IF requested < -2.0 THEN actual := -2.0; SafetyFloorActive := TRUE.
De val (lees dit twee keer)
Na stap 7 had deze body shop een prachtige data layer. 100Hz traces stroomden, ISA-95 + per-weld signatures gemodelleerd, MongoDB ms-granularity sharded op VIN, Grafana toonde de correlatie tussen current-trace deviation en Cognex pass/fail in heldere kleuren, IATF audit-export endpoint werkte. Audit-ready, demo-able, "we hebben een real-time weld-monitoring data layer."
En weld #2147 faalde nog steeds op 0,34%. €1,2M/jaar lekte nog steeds.
Omdat niemand iets besliste. Manufacturing engineer Tom zag het dashboard en postte het in het team channel. Vision-QA engineer Sarah zag de correlatie maar dacht — terecht — "als ik autonome KUKA trajectory adjustment autoriseer en één body's offset maakt Cognex slechter, staat mijn naam in het IATF audit report."
In IATF 16949-rated discrete is detectie zonder VIN-traceable autonomie geen controle — het is een audit-failure die staat te wachten.
Solve — de loop, gesloten (met KUKA hard limit + IATF audit-trail)
De Solve vraag: als KUKA robot-2 in cell 4 een current-trace power deviation > 8% boven rolling baseline (laatste 100 welds) laat zien binnen 50ms tijdens weld #2147, kunnen we dan autonoom een +0,4mm X-axis trajectory offset op de volgende body toepassen — en bewijzen dat Cognex vision-QA failure rate onder 0,10% zakt, met elke correctie traceable naar VIN voor IATF 16949 audit, en de KUKA controller die de daadwerkelijk toegepaste offset clamp't tot [-2,0, 2,0] mm ongeacht cloud-waarde?
De loop draait autonoom binnen een envelope die IATF-signed is op controller-niveau, met elke actie traceable naar VIN voor jaren. Cloud bug, race condition, compromised credential, runaway agent — niets kan de offset buiten [-2,0, 2,0] mm drijven, en niets kan een offset toepassen zonder automatisch IATF audit-event dat het koppelt aan de body die het raakte. Dat is wat de loop closeable maakt in IATF 16949-rated automotive.
Resultaat
| Metric | Voor | Na |
|---|---|---|
| Weld #2147 Cognex failure rate | 0,34% | 0,07% |
| Time-to-detection | 90 min (pre-paint) | 50 ms (tijdens weld) |
| Time-to-correction | n.v.t. (handmatig rework) | circa 150 ms (volgende body) |
| Gemiddelde power deviation | 6,2% | 2,8% |
| IATF audit-trail compleetheid | spreadsheet exports | 100% per-VIN per-weld online |
| KUKA hard-limit breaches | n.v.t. | 0 van 13.200 correcties |
| Marginale infra-kost jaar 1 | n.v.t. | €720 |
| Jaarlijkse opportunity (één weld) | onbenut | €1,2M/jaar |
ROI jaar 1 op alleen weld #2147: 1666×.
Wat dit bewijst
Open source kan wat een Cognex VisionPro Deep Learning licentie (€252K/jaar over 6 cells) zou doen — maar dat is het proof point, niet de pitch. De villain is de ontbrekende laag waardoor AI faalt in IATF 16949-rated automotive met echte traceability-eisen.
Je kunt alle 7 stappen bouwen en alsnog falen — als Solve de IATF 16949 traceability niet respecteert waar automotive-grade manufacturing onder opereert. AI mag het niet eens proberen zonder een data layer die een automatisch VIN-traceable audit-event emit voor elke correctie.
"You're missing one layer — and AI can't fix what it can't understand."
Wil jij ook zulke resultaten?
Plan een gratis AI check van 30 minuten en ontdek welke quick wins er voor jouw bedrijf mogelijk zijn
Plan Gratis AI Check