Nieuwe generatie AI-gedreven intelligente besluitvorming en voorraadoptimalisatie in de volledige levenscyclus van complexe productfabricage door integratie van LSTM en Q-learning

Slimmere fabrieken voor alledaagse technologie

Van smartphones en laptops tot auto’s en vliegtuigen—veel van de producten waarop mensen dagelijks vertrouwen bevatten complexe onderdelen die via lange, gevoelige productieketens worden gemaakt. Deze fabrieken moeten beslissen hoeveel er in elke stap geproduceerd wordt, hoeveel op voorraad wordt gehouden, en hoe te reageren wanneer de vraag plotseling stijgt of daalt. Deze studie onderzoekt een nieuwe manier waarop kunstmatige intelligentie die beslissingen slimmer kan beheren, waarbij verspilling en tekorten worden verminderd terwijl waardevolle producten blijven doorstromen.

Waarom het maken van geavanceerde producten zo moeilijk is

Complexe producten zoals halfgeleiderchips en lucht- en ruimtevaartcomponenten doorlopen vele nauw gekoppelde fasen, van snijden en verbinden tot testen en verpakken. De vraag naar deze producten is vaak volatiel: bestellingen schieten omhoog wanneer een nieuw apparaat populair is en kelderen wanneer markten verschuiven. Traditionele planningsmethoden hebben moeite om met deze schommelingen om te gaan. Ze produceren ofwel te veel, waardoor kapitaal in magazijnen vastzit, of te weinig, wat pijnlijke tekorten veroorzaakt waarbij klanten moeten wachten of elders gaan zoeken. Tegelijk genereren fabrieken enorme hoeveelheden data van sensoren, kwaliteitscontroles en voorraadregistraties die moeilijk door menselijke planners in real time te verwerken zijn.

Het combineren van twee AI-vormen in een gesloten lus

De auteurs stellen een geïntegreerd AI-kader voor dat twee elkaar ergänzende technieken verbindt: een voorspellingsmodule en een besluitvormingsmodule. De voorspellingszijde gebruikt een type neuraal netwerk genaamd Long Short-Term Memory (LSTM) om patronen in eerdere orders en sensorsignalen te leren, zoals seizoensgebonden vraagpieken of vertragingen door apparatuurproblemen. In plaats van deze voorspelling als vast te beschouwen, verfijnt het systeem die continu met nieuwe data. De beslissingszijde gebruikt Q-learning, een vorm van reinforcement learning waarbij een virtuele besluitvormer experimenteert met verschillende productiekeuzes in een gesimuleerde omgeving en leert welke keuzes na verloop van tijd leiden tot lagere kosten en minder tekorten. Cruciaal is dat deze twee modules in een feedbacklus gekoppeld zijn: voorspellingen sturen beslissingen, en de uitkomsten van die beslissingen voeden terug om toekomstige voorspellingen te verbeteren.

Het balanceren van kosten, voorraad en onzekerheid

Reële fabrieken moeten gelijktijdig meerdere kostensoorten afwegen: de kosten om elk artikel te produceren, de kosten om extra voorraad aan te houden, en vaak veel hogere kosten van het zonder voorraad komen te zitten en orders niet te kunnen nakomen. Het kader modelleert een productielijn met meerdere fasen en houdt expliciet voorraad en achterstanden in elke fase bij. Het voegt ook een beschermende laag toe voor onzekerheid met behulp van een robuuste optimalisatietechniek die voorbereid is op plotselinge verschuivingen in de vraag in plaats van aan te nemen dat vroegere patronen altijd blijven gelden. In de praktijk betekent dit dat het systeem minder snel verrast wordt door extreme scenario’s, zoals plotselinge marktbeloften of verstoringen in de toeleveringsketen, terwijl het toch de neiging om ‘voor alle zekerheid’ te overproduceren vermijdt.

Wat de experimenten in echte fabrieken aantonen

Om de aanpak te testen pasten de onderzoekers deze toe op echte gegevens van een halfgeleiderverpakkings- en testfabriek die over vijf productiestadia opereert. Ze vergeleken hun kader met traditionele materiaalbehoefteplanningssystemen en meerdere geavanceerde AI-concurrenten. De LSTM-voorspellingen verminderden de voorspellingsfout met ongeveer 40 procent vergeleken met een klassieke statistische methode, en het volledige kader verlaagde de totale kosten met 15,7 procent ten opzichte van het legacy-systeem en met 8,3 procent ten opzichte van een sterke moderne benchmark. Opmerkelijk was dat het een nul tekorten-percentage behaalde terwijl de voorraad 4,2 keer per jaar draaide, wat betekent dat onderdelen niet lang stil lagen. Verdere analyses toonden aan dat het systeem stabiel bleef, zelfs wanneer de vraag onregelmatiger werd, voorspellingen minder nauwkeurig waren of sensordata ruis bevatten—omstandigheden die de alledaagse industriële realiteit weerspiegelen.

Schaalvergroting en verspreiding over sectoren

De studie onderzocht ook hoe het kader schaalt naarmate fabrieken groeien of in andere hoogwaardige sectoren opereren. Simulaties met meer productiestadia lieten slechts bescheiden toename in rekentijd zien, wat suggereert dat grotere fabrieken de aanpak kunnen overnemen zonder hun digitale infrastructuur te overbelasten. Toen het werd aangepast aan de productie van luchtvaartcomponenten, verminderde de methode opnieuw de kosten en hield tekorten zeldzaam door eenvoudigweg kost- en capaciteitsparameters af te stemmen op die sector. De auteurs betogen dat, met ondersteuning van edge-computinghardware en zorgvuldige systeemintegratie, het kader in bestaande fabriekssoftware kan worden ingevoegd die veel fabrikanten vandaag gebruiken.

Wat dit betekent voor toekomstige productie

In eenvoudige bewoordingen toont de studie aan dat het geven van een ‘digitale copiloot’ aan fabrieken die zowel vraag voorspelt als leert hoe daarop te handelen, de productie soepeler, goedkoper en betrouwbaarder kan maken. Door voorspelling strak te koppelen aan beslissingen op de werkvloer en het systeem zó te ontwerpen dat het om kan gaan met ruis en verrassingen uit de echte wereld, zet het kader ruwe data om in praktische richtlijnen voor hoeveel er in elke stap geproduceerd en opgeslagen moet worden. Voor consumenten kan dit soort intelligentie achter de schermen betekenen dat er minder vertragingen zijn bij nieuwe apparaten en een veerkrachtiger aanvoer van de geavanceerde componenten die het moderne leven aandrijven.

Bronvermelding: Jiang, Z., Dan, W. & Yu-fei, C. New-generation AI-driven intelligent decision-making and inventory optimization in the full lifecycle of complex product manufacturing integrating LSTM and Q-learning. Sci Rep 16, 11077 (2026). https://doi.org/10.1038/s41598-026-41629-6

Trefwoorden: slimme productie, voorraadoptimalisatie, halfgeleiderproductie, versterkend leren, vraagvoorspelling