Produktionsplanung mit KI: MES-Integration ohne Medienbruch im Mittelstand

Das Problem: Planung und Ausführung leben in getrennten Welten

In mittelständischen Fertigungsbetrieben landen Aufträge im ERP, die Maschinenbelegung wird in Excel geplant, und das MES-System auf der Shopfloor-Ebene sieht nur, was manuell eingetippt wurde. Zwischen Planung und Ausführung liegen drei bis fünf Medienbrüche, jede Änderung muss händisch nachgezogen werden, und die aktuelle Auslastung ist frühestens am Folgetag bekannt.

Das Ergebnis: Planer arbeiten mit veralteten Daten, Maschinenstillstand wird zu spät erkannt, und Eilaufträge verschieben manuell ganze Produktionspläne. Was fehlt, ist eine durchgängige Datenpipeline, die ERP, Feinplanung und MES ohne menschlichen Eingriff synchron hält.

Was MES-Integration mit KI konkret leistet

MES-Integration bedeutet hier nicht nur Datenaustausch, sondern intelligente Steuerung: Ein KI-Modul liest Fertigungsaufträge aus dem ERP, prüft Maschinenverfügbarkeit und Werkzeugbestände im MES, schlägt optimierte Maschinenbelegung vor und schreibt den finalen Plan zurück ins MES. Änderungen in Echtzeit, etwa durch ungeplanten Stillstand, triggern automatisch eine Neuplanung der nachfolgenden Aufträge.

RAG (Retrieval-Augmented Generation) kommt zum Einsatz, wenn historische Rüstzeiten, Ausschussquoten oder Störungsprotokolle in die Planung einfließen sollen. Das Sprachmodell holt sich kontextspezifische Daten aus der Historiendatenbank, wertet sie aus und gibt Empfehlungen, welche Maschine für welchen Auftrag die kürzeste Durchlaufzeit verspricht.

Konkrete Architektur: ERP-Export per SOAP oder REST API, zentrale Orchestrierung in n8n oder Make, KI-Logik als Python-Microservice (gehostet auf EU-Server), Rückschreiben ins MES per OPC UA oder proprietärer Hersteller-API.

Schritt für Schritt: Aufbau der Pipeline

1. Datenquellen anbinden

Zunächst definieren Sie die Schnittstellen:

• ERP: Welche API liefert offene Fertigungsaufträge, Stücklisten, Liefertermine?
• MES: Welche Endpunkte geben Maschinenstatus, Auftragsstatus, Werkzeugbestände zurück?
• Historien-DB: Wo liegen Rüstzeiten, Störungsmeldungen, Qualitätsdaten der letzten zwölf Monate?

Legen Sie ein zentrales Datenmodell fest: Auftragsnummer, Artikel, Menge, gewünschter Starttermin, Priorität, Maschinen-Pool. Jede Quelle liefert einen Teil, die Pipeline vereinheitlicht das Format in JSON oder CSV.

2. Regel-Engine und KI-Logik kombinieren

Einfache Constraints (Maschine X kann Artikel Y nicht fertigen, Schicht endet um 22 Uhr) werden in klassischer if-then-Logik abgebildet. Für komplexe Optimierung (minimale Umrüstzeit bei vier parallelen Aufträgen) nutzen Sie ein Sprachmodell mit Function Calling: Das Modell erhält als Input alle offenen Aufträge und Maschinenstatus, ruft eine Funktion “calculate_optimal_sequence” auf und gibt eine sortierte Liste zurück.

Beispiel-Prompt:

Du bist Produktionsplaner. Gegeben:
- Aufträge: [A1: 500 Stk Artikel 42, Prio 1, Termin 2026-08-10],
             [A2: 200 Stk Artikel 17, Prio 2, Termin 2026-08-12]
- Maschinen: M1 (frei ab 08:00, Rüstzeit A→B 45 min),
             M2 (in Wartung bis 14:00)
Erstelle optimale Belegung, minimiere Rüstzeit.

Das Modell gibt strukturierten JSON-Output zurück, den die Pipeline direkt ins MES schreibt.

3. Echtzeit-Trigger bei Störungen

Richten Sie Webhooks oder MQTT-Subscriptions ein, die bei Maschinenstillstand, Werkzeugbruch oder Qualitätsproblem sofort feuern. Die Pipeline startet dann automatisch:

1. Lese betroffenen Auftrag und nachfolgende Aufträge.
2. Prüfe alternative Maschinen.
3. Rufe KI-Modul mit aktualisierten Constraints auf.
4. Schreibe neuen Plan ins MES, sende Info-Mail an Schichtleiter.

Latenz: Vom Event bis zum aktualisierten Plan vergehen typisch 8 bis 15 Sekunden, abhängig von der Modell-Antwortzeit und der MES-API-Performance.

4. Historische Daten für RAG aufbereiten

Exportieren Sie aus dem MES die letzten 12 bis 24 Monate:

• Auftragsnummer, Artikel, Maschine, geplante und tatsächliche Rüstzeit, Ausschussmenge, Störungscodes.
• Chunken Sie die Daten nach Artikel oder Maschine.
• Embedden Sie Textfelder (Störungskommentare) mit einem Embedding-Modell (z. B. text-embedding-3-small von OpenAI oder ein Self-Hosted-Modell wie BGE).
• Speichern Sie Vektoren in Qdrant oder Weaviate (beide EU-hostbar).

Beim Planungslauf fragt die KI: “Welche Rüstzeiten hatte Artikel 42 auf Maschine M1 in den letzten sechs Monaten?” und erhält konkrete Zahlen statt Standardwerte aus der Stammdatenpflege.

Realistische Ergebnisse nach vier bis acht Wochen

Erfahrungswerte aus Projekten mit 40 bis 120 Maschinen:

• Medienbrüche: Von fünf auf null; jede Planänderung landet automatisch im MES.
• Reaktionszeit auf Störungen: Von durchschnittlich 90 Minuten auf unter 15 Sekunden.
• Rüstzeit: Reduzierung um 12 bis 18 Prozent durch intelligente Sequenzierung ähnlicher Artikel.
• Transparenz: Geschäftsführung erhält täglich um 7 Uhr eine automatische Übersicht über geplante Fertigstellung aller Eilaufträge.

Kein Projekt läuft ohne initiale Abstimmung: MES-Hersteller liefern oft proprietäre APIs, Dokumentation ist dünn, und Testdaten müssen anonymisiert werden. Planen Sie zwei bis drei Wochen für Schnittstellenklärung ein, bevor die eigentliche Pipeline gebaut wird.

Was typischerweise nicht funktioniert

Blackbox-KI ohne Regel-Engine: Verlassen Sie sich nicht darauf, dass ein Sprachmodell allein harte Constraints (Maschine kann Artikel nicht fertigen) zuverlässig einhält. Filtern Sie vorab per Code, übergeben Sie der KI nur zulässige Kombinationen.

Fehlende Versionierung der Pläne: Wenn eine Neuplanung fehlschlägt oder suboptimal ist, brauchen Sie Rollback. Loggen Sie jeden generierten Plan mit Timestamp, Input-Daten und Modell-Version in eine Audit-Tabelle.

Keine Eskalation bei Anomalien: Erkennt die Pipeline, dass kein gültiger Plan möglich ist (z. B. alle Maschinen defekt), muss sie sofort eskalieren, nicht still scheitern. Implementieren Sie einen Fallback-Webhook an Schichtleiter oder Produktionsleiter.

Self-Hosted-Modelle ohne Load-Test: Wenn Sie Llama oder Mistral auf eigener Hardware betreiben, testen Sie die Antwortzeit unter Last. 15 parallele Planungsanfragen können ein unterausgestattetes System in die Knie zwingen; provisionieren Sie ausreichend vCPU und GPU-Speicher oder nutzen Sie eine Warteschlange.

DSGVO, Audit und IT-Sicherheit

Produktionsdaten sind in der Regel nicht personenbezogen, trotzdem gilt: Loggen Sie, welches Modell welche Planungsentscheidung getroffen hat. Speichern Sie Input, Output und Timestamp für jede KI-Anfrage. Bei extern gehosteten Modellen (OpenAI, Anthropic) schließen Sie einen AV-Vertrag ab, auch wenn keine Personendaten fließen, um Vertraulichkeit zu sichern.

Verschlüsseln Sie API-Credentials (ERP, MES) mit Umgebungsvariablen oder einem Secrets-Manager (z. B. HashiCorp Vault). Nutzen Sie VPN oder Wireguard, wenn die Orchestrierungsplattform außerhalb des Produktionsnetzwerks läuft.

Technologie-Stack: Beispiel aus der Praxis

• ERP: SAP Business One, Schnittstelle per Service Layer (REST).
• MES: HYDRA von MPDV, Anbindung per SOAP und OPC UA.
• Orchestrierung: n8n Self-Hosted auf Ubuntu 22.04, gehostet bei Hetzner (Falkenstein).
• KI-Logik: Python FastAPI, deployed als Docker-Container, OpenAI GPT-4 für Planungslogik, BGE-Embedding für RAG.
• Vektordatenbank: Qdrant Cloud (Frankfurt), Fallback lokal in Docker.
• Monitoring: Prometheus + Grafana, Alert per Webhook an Microsoft Teams.

Gesamtkosten (ohne ERP/MES-Lizenz): ca. 850 Euro pro Monat für Cloud-Infrastruktur, API-Calls und Support.

Nächste Schritte: Vom Piloten zur Vollintegration

Starten Sie mit einem definierten Maschinenpark: Wählen Sie drei bis fünf Maschinen, die häufig Engpass sind. Bauen Sie die Pipeline für diesen Teilbereich, testen Sie vier Wochen parallel zur manuellen Planung, messen Sie Abweichungen und Akzeptanz.

Erweitern Sie danach schrittweise: Weitere Maschinen, zusätzliche Datenquellen (Qualitätsdaten, Energieverbrauch), komplexere KI-Logik (Predictive Maintenance kombiniert mit Planung).

Schulen Sie Planer und Schichtleiter: Erklären Sie, wie die KI zu ihren Vorschlägen kommt, welche Daten sie nutzt und wo menschliche Übersteuerung sinnvoll bleibt. Change Management ist kein Sprint, sondern ein kontinuierlicher Feedback-Loop.

Wenn Sie Ihre Produktionsplanung durchgängig automatisieren und Medienbrüche eliminieren möchten, sprechen Sie uns an.

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.