MES-Daten für Predictive Quality nutzen: Ausschuss verhindern

Die Qualitätskontrolle läuft in vielen mittelständischen Fertigungsbetrieben noch immer nach dem gleichen Muster: Stichproben am Ende der Linie, manuelle Messungen, Ausschuss in der Kiste. Wenn der Bediener merkt, dass etwas nicht stimmt, sind oft schon Dutzende oder Hunderte Teile falsch produziert. Das MES (Manufacturing Execution System) protokolliert Temperatur, Druck, Taktzeit und Werkzeugverschleiß mit, aber die Daten liegen in Tabellen, niemand schaut sie an, und Alarm gibt es erst, wenn die SPS eine harte Grenze überschreitet. Predictive Quality dreht das um: Die Pipeline wertet Prozessparameter in Echtzeit aus, erkennt Abweichungen, bevor sie zu Ausschuss führen, und alarmiert sofort.

Was Predictive Quality bedeutet

Predictive Quality meint die kontinuierliche Vorhersage der Teilequalität auf Basis von Prozessdaten, nicht erst nachträglich durch Messung des fertigen Teils. Statt nach jedem hundertsten Stück zu prüfen, ob die Maßhaltigkeit stimmt, korreliert die Pipeline laufend Temperatur, Druck, Zykluszeit, Werkzeugverschleiß und andere Sensorsignale mit den Sollwerten und historischen Gut-Teilen. Sobald die Kombination der Parameter in einen Bereich driftet, der früher zu Ausschuss geführt hat, löst die Pipeline einen Alarm aus. Der Bediener kann eingreifen, die Maschine nachjustieren oder eine Pause einlegen, bevor die nächsten Teile fehlerhaft werden.

Im Unterschied zu festen SPS-Grenzwerten arbeitet Predictive Quality mit Mustern: Ein einzelner Parameter mag noch im grünen Bereich liegen, aber die Kombination aus steigender Temperatur, sinkender Zykluszeit und höherem Druck signalisiert den Beginn eines Qualitätsproblems. Klassische Regelwerke fangen das nicht ab, weil sie nur hart kodierte Schwellen kennen. Eine Pipeline mit einfacher Statistik oder einem trainierten Modell erkennt solche Muster.

Warum das im Mittelstand nötig ist

Ausschuss kostet dreifach: Material, Maschinenzeit und Nacharbeit oder Entsorgung. In Branchen mit engen Toleranzen, etwa Kunststoffspritzguss, Metallbearbeitung oder Oberflächenveredelung, reicht eine Abweichung von wenigen Hundertstel Millimetern oder ein paar Grad, um ein Teil zu Ausschuss zu machen. Wer das erst am Ende der Schicht merkt, hat unter Umständen eine ganze Charge verloren. Predictive Quality schiebt den Erkennungszeitpunkt nach vorne: vom fertigen Teil auf den laufenden Prozess.

Viele mittelständische Betriebe haben bereits ein MES, das Prozessdaten sammelt. Oft läuft es als Modul der Warenwirtschaft oder als Standalone-System mit SQL-Datenbank. Die Daten sind da, werden aber nur für Rückverfolgbarkeit und Reporting genutzt. Eine Pipeline, die diese Daten in Echtzeit abholt, aufbereitet und gegen Schwellwerte oder ein einfaches Modell prüft, lässt sich mit überschaubarem Aufwand aufsetzen, wenn die Schnittstellen sauber definiert sind.

Architektur der Pipeline

Die Pipeline besteht aus vier Blöcken: Datenquelle, Normalisierung, Auswertung, Alarmierung.

Datenquelle ist typischerweise das MES, entweder über REST-API, OPC UA oder eine direkte Datenbankverbindung (MSSQL, PostgreSQL, Oracle). Manche Anlagen schreiben Prozessdaten auch in CSV-Dateien auf einem Netzlaufwerk oder schicken sie per MQTT. Wichtig ist, dass die Pipeline im Sekundentakt oder mindestens alle 30 Sekunden die neuesten Werte abholt, sonst entsteht Verzögerung. Bei OPC UA lässt sich ein Subscription-Modell nutzen, sodass die Maschine Änderungen pusht, statt dass die Pipeline pollt.

Normalisierung bringt die Rohwerte in ein einheitliches Format: Zeitstempel in UTC, Komma zu Punkt, fehlende Werte markieren. Gleichzeitig werden Ausreißer gefiltert, die durch Sensorfehler entstehen (etwa Temperatur springt von 180 °C auf 999 °C, weil der Fühler kurz ausfällt). Ein einfacher Median-Filter über die letzten fünf Werte glättet solche Artefakte.

Auswertung vergleicht die aktuellen Werte mit Referenzbereichen. In der einfachsten Variante sind das statische Schwellen pro Parameter, etwa Temperatur zwischen 175 °C und 185 °C, Druck zwischen 80 bar und 90 bar. Besser ist ein multivariater Ansatz: Die Pipeline berechnet die Mahalanobis-Distanz der aktuellen Parameterkombination zur Verteilung der historischen Gut-Teile. Steigt die Distanz über einen Schwellwert, gilt der Prozess als auffällig. Für mittelständische Anwendungen reicht oft ein lineares Modell (Logistische Regression) oder ein Random Forest, trainiert auf historischen Daten mit Label „gut” oder „Ausschuss”. Das Modell läuft in Python (scikit-learn), die Pipeline selbst kann in n8n, Node-RED oder einem Python-Skript implementiert sein.

Alarmierung schickt bei Auffälligkeit eine Nachricht per E-Mail, SMS, Telegram oder direkt ans Bedienpanel der Maschine. Wichtig ist, dass der Alarm sofort sichtbar wird und der Bediener in der Lage ist, zu reagieren. Zu viele Fehlalarme führen dazu, dass Alarme ignoriert werden, deshalb muss der Schwellwert sorgfältig kalibriert werden.

Technische Umsetzung

Als Plattform eignet sich n8n (selbst gehostet) oder ein Python-Service auf einem Edge-Gateway. n8n hat fertige Knoten für HTTP-Requests, Datenbankabfragen und Webhook-Trigger. Die Logik lässt sich per Function-Knoten in JavaScript abbilden, für komplexere Statistik kann ein Python-Skript per HTTP-Request aufgerufen werden.

Ein typischer Workflow in n8n:

1. Schedule-Trigger alle 30 Sekunden
2. SQL-Abfrage ans MES (SELECT TOP 1 Temperatur, Druck, Zykluszeit, WerkzeugID, Timestamp FROM Prozessdaten ORDER BY Timestamp DESC)
3. Function-Knoten: Werte normalisieren, Median über letzte fünf Messungen berechnen
4. HTTP-Request an Python-Service: Modell-Inferenz (JSON-Body mit aktuellen Parametern, Response ist Wahrscheinlichkeit für Ausschuss)
5. IF-Knoten: Falls Wahrscheinlichkeit > 0,7, sende Alarm
6. Telegram-Knoten: Nachricht an Bediener-Gruppe „Maschine 12: Qualitätsdrift erkannt, bitte prüfen”

Der Python-Service lädt beim Start das trainierte scikit-learn-Modell (Pickle-Datei), nimmt per Flask-Endpoint die Parameter entgegen, führt predict_proba aus und gibt das Ergebnis zurück. Der Service läuft auf einem kleinen Server im Produktionsnetz (4 Cores, 8 GB RAM reichen für Dutzende Modelle parallel).

Modelltraining und Kalibrierung

Das Modell braucht historische Daten mit Label. Idealerweise liegen für jedes produzierte Teil sowohl die Prozessparameter zum Zeitpunkt der Fertigung als auch das Qualitätsergebnis (gut, Ausschuss, Nacharbeit) vor. Falls das MES die Verknüpfung nicht automatisch herstellt, muss sie manuell aufgebaut werden: Zeitstempel der Stichproben-Messung mit den Prozessdaten im gleichen Zeitfenster matchen.

Ein Trainingsdatensatz sollte mindestens einige Hundert Gut-Teile und einige Dutzend Ausschuss-Teile umfassen, damit das Modell die Trennlinie lernen kann. Bei starkem Ungleichgewicht (99 % gut, 1 % Ausschuss) hilft Oversampling der Minderheitsklasse (SMOTE) oder Anpassung der Klassengewichte. Nach dem Training wird das Modell auf einem Validierungsdatensatz getestet; Precision und Recall zeigen, wie viele Alarme gerechtfertigt sind und wie viele Ausschuss-Fälle übersehen werden.

Der Schwellwert für den Alarm (hier 0,7 Wahrscheinlichkeit) wird so gewählt, dass Fehlalarmrate und Erkennungsrate im Gleichgewicht stehen. In der Praxis startet man konservativ (hoher Schwellwert, wenige Alarme) und senkt ihn schrittweise, sobald Vertrauen da ist.

Rechenbeispiel mit angenommenen Werten

Angenommen, ein Spritzgießbetrieb fertigt pro Schicht 2.000 Teile auf einer Maschine. Die durchschnittliche Ausschussquote liegt bei 3 %, also 60 Teile pro Schicht. Materialwert pro Teil: 2 Euro, Maschinenkosten anteilig 1 Euro, zusammen 3 Euro pro Ausschussteil. Der Ausschuss kostet damit 180 Euro pro Schicht, bei 250 Arbeitstagen im Jahr rund 45.000 Euro.

Die Predictive-Quality-Pipeline erkennt Qualitätsdrift im Schnitt 10 Minuten bevor Ausschuss entsteht. In dieser Zeit würden bei einem Takt von 18 Sekunden pro Teil etwa 33 Teile produziert. Wenn die Pipeline 80 % der Drift-Ereignisse rechtzeitig meldet und der Bediener in 90 % der Alarme erfolgreich eingreift (Prozess korrigiert, bevor Ausschuss entsteht), sinkt die Ausschussmenge um 0,8 mal 0,9 mal 60 Teile, also etwa 43 Teile pro Schicht. Das entspricht einer Einsparung von rund 129 Euro pro Schicht oder 32.250 Euro im Jahr.

Entwicklung und Inbetriebnahme der Pipeline (Schnittstelle ans MES, Datenaufbereitung, Modelltraining, Alarmlogik, Test): angenommen 40 Stunden Aufwand zu 120 Euro, macht 4.800 Euro. Server und Hosting auf eigener Infrastruktur: 50 Euro monatlich, 600 Euro im Jahr. Amortisation nach etwa zwei Monaten, im ersten Jahr Netto-Einsparung von rund 26.850 Euro.

Diese Zahlen sind Annahmen für ein Rechenbeispiel. Tatsächliche Ergebnisse hängen von Ausschussquote, Teilepreis, Taktzeit, Erkennungsrate und Reaktionsgeschwindigkeit ab.

Was nicht funktioniert

Predictive Quality scheitert, wenn die Datenqualität schlecht ist: fehlende Zeitstempel, Sensoren ohne Kalibrierung, MES-Logging mit Lücken. Ohne saubere Verknüpfung zwischen Prozessdaten und Qualitätsergebnis lässt sich kein Modell trainieren. Wenn das MES nur aggregierte Werte pro Schicht liefert, fehlt die Granularität für Echtzeit-Alarm.

Ein weiteres Problem sind zu viele Fehlalarme. Wenn die Pipeline jeden kleinen Ausreißer meldet, ignorieren die Bediener die Alarme, und das System wird wertlos. Deshalb ist Kalibrierung entscheidend: Schwellwerte müssen anhand echter Produktionsdaten justiert werden, nicht nach Gefühl.

Predictive Quality ersetzt keine Qualitätskontrolle, sondern verschiebt sie zeitlich nach vorne. Stichproben und Messung bleiben nötig, um das Modell zu validieren und nachzutrainieren.

Nächster Schritt

Wenn Sie Prozessdaten im MES sammeln und Ausschuss reduzieren möchten, prüfen wir gemeinsam Schnittstellen, Datenqualität und Alarm-Logik. Rufen Sie an oder nutzen Sie das Kontaktformular für ein erstes Gespräch.

Sprechen Sie mit uns

Sie möchten das in Ihrem Betrieb umsetzen? Wir bauen die passende Maschine mit Ihnen.

Telefon: 040 468 967 680
E-Mail: info@whitefox-automations.com
Oder über unser Kontaktformular.