Produktionsplanung automatisiert: MES-Daten in Echtzeit nutzen

Das Problem: MES-Daten liegen vor, werden aber nicht genutzt

Viele mittelständische Fertigungsbetriebe haben ein Manufacturing Execution System (MES) im Einsatz. Es erfasst Maschinenlaufzeiten, Stückzahlen, Ausschuss, Stillstände und Materialverbräuche. Die Daten landen in einer Datenbank, werden aber selten aktiv genutzt. Stattdessen plant die Produktionsleitung weiterhin mit Excel-Tabellen, Bauchgefühl und wöchentlichen Jour-fixe-Terminen.

Das Ergebnis: Engpässe werden zu spät erkannt, Liefertermine geraten unter Druck, und die Geschäftsführung erhält einmal im Monat einen Report, der längst überholt ist. Die wertvollen MES-Daten bleiben Rohmaterial, das niemand systematisch in Entscheidungen übersetzt.

Genau hier setzt automatisierte Produktionsplanung an: MES-Daten werden in Echtzeit ausgewertet, Abweichungen erkannt und Planungsvorschläge generiert. Dieser Artikel zeigt die technische Architektur, konkrete Datenquellen und realistische Ergebnisse für Betriebe mit 50 bis 300 Mitarbeitenden.

Was bedeutet automatisierte Produktionsplanung?

Automatisierte Produktionsplanung bedeutet, dass ein System kontinuierlich MES-Daten abruft, mit Soll-Werten vergleicht, Abweichungen klassifiziert und daraus Handlungsempfehlungen ableitet. Das System ersetzt nicht den Produktionsleiter, sondern liefert ihm täglich morgens eine priorisierte Liste: Welche Maschine läuft kritisch, welcher Auftrag droht zu verzögern, wo steht Wartung an.

MES steht für Manufacturing Execution System. Es erfasst operative Produktionsdaten direkt an der Maschine oder am Arbeitsplatz. Typische Datenquellen sind SPS (Speicherprogrammierbare Steuerungen), Barcode-Scanner, Zeitstempel-Terminals und manuelle Eingaben.

Die Automatisierung baut auf drei Schritten auf:

1. Daten-Pipeline: MES-Daten werden regelmäßig abgerufen, normalisiert und in ein zentrales Data Warehouse geschrieben.
2. Auswertungslogik: Regeln und KI-Modelle erkennen Abweichungen, berechnen Restlaufzeiten und klassifizieren Risiken.
3. Handlungsempfehlung: Das System erzeugt Reports, verschickt Alerts oder schlägt Umplanungen vor.

Der entscheidende Unterschied zu klassischem Reporting: Die Auswertung läuft automatisiert und täglich, nicht manuell und monatlich.

Schritt 1: MES-Anbindung und Datenquellen definieren

Die meisten MES-Systeme bieten eine Datenbankschnittstelle (SQL Server, PostgreSQL, Oracle) oder eine REST-API. Ziel ist es, stündlich oder minütlich die aktuellen Produktionsdaten abzurufen.

Typische Datenfelder:

• Auftragsnummer
• Maschinen-ID
• Produktions-Start und Produktions-Ende (Zeitstempel)
• Soll-Stückzahl und Ist-Stückzahl
• Ausschussmenge
• Stillstandszeiten mit Ursachencode
• Materialverbrauch (Charge, Menge)

Wenn das MES keine API bietet, kann ein Datenbankexport per ODBC oder JDBC erfolgen. In n8n oder Make wird ein Polling-Workflow eingerichtet, der alle 15 Minuten neue Datensätze abruft. Wichtig: Die MES-Datenbank wird niemals direkt beschrieben, nur lesend abgefragt. Schreibvorgänge laufen weiterhin über das MES-Frontend, um Datenintegrität zu wahren.

Die abgerufenen Daten werden in ein normalisiertes Schema überführt. Beispiel:

{
  "order_id": "A-",
  "machine_id": "CNC-03",
  "start_time": "2026-08-04T06:15:00Z",
  "end_time": null,
  "target_quantity": 500,
  "actual_quantity": 320,
  "scrap_quantity": 8,
  "downtime_minutes": 45,
  "downtime_reason": "Werkzeugwechsel"
}

Dieses Schema wird in ein Data Warehouse geschrieben, typischerweise PostgreSQL auf EU-Hosting oder eine selbst gehostete Instanz auf dem Firmenserver. Datenschutz ist hier unkritisch, da personenbezogene Daten fehlen. Dennoch sollte der Zugriff über VPN oder IP-Whitelist abgesichert werden.

Schritt 2: Auswertungslogik bauen

Sobald die Daten im Warehouse liegen, beginnt die eigentliche Intelligenz. Drei Ebenen sind üblich:

Ebene 1: Regelbasierte Alerts

Einfache SQL-Abfragen erkennen Schwellwertüberschreitungen:

• Ist-Stückzahl liegt mehr als 20 Prozent unter Soll nach halber Laufzeit.
• Ausschussquote überschreitet 5 Prozent.
• Stillstandszeit länger als 60 Minuten ohne dokumentierten Grund.

Diese Regeln werden als SQL-Views abgebildet. Ein n8n-Workflow fragt diese Views alle 30 Minuten ab und verschickt eine E-Mail an die Produktionsleitung, falls ein Treffer vorliegt.

Ebene 2: Restlaufzeit-Prognose

Für jeden laufenden Auftrag wird die voraussichtliche Fertigstellung berechnet. Eingangsdaten:

• Bisherige Produktionsgeschwindigkeit (Stück pro Stunde)
• Verbleibende Soll-Stückzahl
• Durchschnittliche Stillstandszeit pro Schicht (historisch)

Die Formel:

Restlaufzeit = (Soll, Ist) / Durchsatz + Puffer_Stillstand

Liegt die prognostizierte Fertigstellung nach dem Liefertermin, wird der Auftrag rot markiert. Der Workflow sendet eine Benachrichtigung mit konkreter Verzögerung in Stunden.

Ebene 3: Anomalie-Erkennung mit KI

Für fortgeschrittene Betriebe: Ein Modell (z. B. Isolation Forest oder LSTM) lernt historische Muster und erkennt Abweichungen, die keine feste Regel triggert. Beispiel: Maschine CNC-03 zeigt eine schleichende Verschlechterung der Durchsatzrate über drei Wochen. Das Modell schlägt präventive Wartung vor, bevor ein echter Ausfall entsteht.

Das Modell wird auf historischen MES-Daten trainiert (mindestens sechs Monate) und wöchentlich aktualisiert. Hosting erfolgt auf einem dedizierten Container (Docker auf eigenem Server oder Hetzner Cloud). Die Inferenz läuft täglich nachts, Ergebnisse werden als Zusatzspalte ins Warehouse geschrieben.

Schritt 3: Handlungsempfehlungen automatisiert versenden

Die Auswertung mündet in drei Ausgabeformate:

1. Morgenmail an Produktionsleitung: Priorisierte Liste der Top 5 kritischen Aufträge, prognostizierte Verzögerungen, offene Wartungshinweise. Versand täglich um 6:00 Uhr.
2. Dashboard: Grafana oder Metabase visualisiert Ist-Soll-Vergleich, Maschinenbelegung, Ausschussquoten. Zugriff via Browser, keine Mobile App nötig.
3. Eskalation bei Notfall: Falls ein Auftrag mehr als vier Stunden Verzug aufweist, erhält die Geschäftsführung eine SMS oder Signal-Nachricht.

Alle drei Kanäle werden in n8n orchestriert. Der Workflow holt Daten aus dem Warehouse, rendert HTML-E-Mails mit Tabellen und Charts (eingebettete Bilder via QuickChart API) und versendet via SMTP.

Ein Beispiel für die Morgenmail:

Betreff: Produktionsplanung 04.08.2026

Kritische Aufträge:

1. A- (CNC-03): -4h Verzug, Ursache: Werkzeugwechsel
2. A- (Laser-02): Ausschuss 7%, Prüfung Material empfohlen
3. A- (Montage-01): Verzögerung Vormaterial, ETA 14:00

Maschinen mit Wartungsbedarf:
- CNC-03: 1.200 Betriebsstunden erreicht
- Laser-01: Anomalie Durchsatz seit 3 Tagen

Dashboard: https://intern.example.com/produktion

Die Mail enthält Links zum Dashboard und zu Detailansichten im MES. Der Produktionsleiter kann direkt reagieren, ohne selbst Reports ziehen zu müssen.

Realistische Ergebnisse nach drei Monaten

Ein mittelständischer Kunststoffverarbeiter mit 120 Mitarbeitenden und fünf Spritzgussmaschinen hat diese Pipeline im Q1 2026 eingeführt. Die Ergebnisse nach 90 Tagen:

• Liefertreue stieg von 78 auf 89 Prozent. Verzögerungen wurden im Schnitt zwei Tage früher erkannt und kommuniziert.
• Ausschussquote sank von 6,2 auf 4,1 Prozent. Materialfehler wurden durch automatische Alerts schneller identifiziert.
• Planungsaufwand der Produktionsleitung reduzierte sich um ca. 6 Stunden pro Woche. Statt Excel-Listen zu pflegen, arbeitet das Team mit der täglichen Morgenmail.
• Wartungskosten sanken um geschätzt 15 Prozent, da präventive Hinweise Notfall-Reparaturen vermieden.

Die initiale Entwicklung dauerte acht Wochen, davon drei Wochen für die MES-Anbindung und Datennormalisierung. Kosten: ca. 18.000 Euro Setup plus 400 Euro monatlich für Hosting und Wartung.

Was nicht funktioniert

Drei häufige Fehlannahmen:

1. MES-Daten sind immer sauber: In der Praxis fehlen oft Zeitstempel, Auftragsnummern sind inkonsistent, Stillstandsgründe werden nicht erfasst. Plan Sie zwei Wochen für Datenbereinigung und Schulung der Maschinenbediener ein.
2. KI ersetzt Produktionsleitung: Die Pipeline liefert Empfehlungen, keine Befehle. Entscheidungen über Umplanungen, Eilaufträge oder Personalverschiebungen bleiben menschlich.
3. Einmalige Einrichtung reicht: MES-Systeme und Produktionsprozesse ändern sich. Die Pipeline braucht quartalsweise Wartung, um neue Maschinen, Auftragstypen oder Materialien zu integrieren.

So starten Sie

Automatisierte Produktionsplanung lohnt sich ab etwa fünf Maschinen und 50 Fertigungsaufträgen pro Monat. Der Return on Investment liegt typischerweise zwischen 12 und 18 Monaten.

Wenn Sie prüfen möchten, ob Ihre MES-Daten für eine solche Pipeline geeignet sind, sprechen Sie uns an. Wir analysieren Ihre Datenquellen, skizzieren die Architektur und kalkulieren Aufwand sowie Nutzen transparent.

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.