Produktionssteuerung mit KI: MES-Daten nutzen statt sammeln

Daten liegen vor, Erkenntnisse fehlen

In den meisten mittelständischen Fertigungsbetrieben läuft längst ein Manufacturing Execution System (MES). Maschinen melden Betriebsstunden, Stückzahlen und Störungen. Sensoren liefern Temperaturen, Vibrationen und Zählimpulse. Doch am Ende der Woche sitzt die Produktionsleitung vor CSV-Exporten und fragt sich: Welche Anlage steht zu oft? Wo droht der nächste Ausfall? Und warum dauert Schicht B länger als Schicht A?

Die Daten existieren. Sie werden nur nicht systematisch ausgewertet. Zwischen MES, ERP, Wartungstickets und Exceltabellen entstehen Inseln, die niemand verbindet. Entscheidungen fallen nach Bauchgefühl oder wenn das Problem bereits da ist. Genau hier setzt KI-gestützte Produktionssteuerung an: Sie macht aus ungenutzten Rohdaten verwertbare Signale, ohne dass Sie eine eigene Data-Science-Abteilung aufbauen müssen.

Was Produktionssteuerung mit KI bedeutet

Manufacturing Execution Systeme (MES) dokumentieren den Fertigungsprozess: Aufträge, Materialfluss, Maschinenzustände. KI-gestützte Auswertung heißt, dass eingehende Maschinendaten automatisch analysiert, Muster erkannt und Abweichungen sofort gemeldet werden.

Das umfasst drei Ebenen:

• Echtzeit-Monitoring: Aktuelle Werte werden gegen Schwellwerte und historische Verläufe geprüft. Weicht eine Anlage ab, geht eine Meldung an die Schichtleitung.
• Anomalie-Erkennung: Algorithmen lernen, wie normale Produktion aussieht. Verändert sich das Schwingungsmuster einer Spindel oder steigt der Energieverbrauch schleichend, schlägt das System Alarm, bevor die Anlage ausfällt.
• Vorausschauende Wartung (Predictive Maintenance): Aus Laufzeit, Belastung und vergangenen Ausfällen berechnet die KI, wann der nächste Verschleiß wahrscheinlich wird. Wartung findet statt, bevor es zum Stillstand kommt, nicht erst danach.

Entscheidend: Die KI ersetzt keine Produktionsleitung. Sie liefert Hinweise, damit Menschen schneller und fundierter entscheiden.

Schritt 1: Datenquellen identifizieren und anbinden

Klären Sie, welche Systeme bereits Daten liefern:

• Ihr MES (z. B. HYDRA, FELIOS, PROXIA)
• SPS-Steuerungen (Siemens S7, Beckhoff, WAGO)
• IoT-Gateways oder Edge-Devices an den Maschinen
• ERP-System für Auftrags- und Stammdaten
• Ticketsystem für Wartungs- und Störmeldungen

Nicht jede Maschine muss neu verkabelt werden. Viele MES bieten bereits REST-APIs oder OPC-UA-Schnittstellen. Ältere Anlagen lassen sich über Retrofit-Sensoren (Stromsensor, Vibrationssensor) nachrüsten, ohne dass die SPS angetastet wird.

Ziel ist ein zentraler Datenpunkt, an dem alle Signale zusammenlaufen. Das kann ein selbst gehosteter MQTT-Broker, eine Time-Series-Datenbank (InfluxDB, TimescaleDB) oder ein Cloud-Gateway sein. Wichtig: Die Infrastruktur muss im EU-Raum liegen oder Ihre DSGVO-Anforderungen erfüllen, sobald personenbezogene Daten (Schichtpersonal, Bediener-Logins) einfließen.

Schritt 2: Basislinie definieren und Schwellwerte setzen

Bevor Anomalie-Erkennung funktioniert, braucht die KI eine Referenz. Sammeln Sie Daten aus zwei bis vier Wochen regulärem Betrieb. Dokumentieren Sie parallel:

• Geplante Stillstände (Rüstzeiten, Wartung)
• Störungen und deren Ursache
• Schichtwechsel und Personalwechsel

Aus diesen Daten lässt sich eine Basislinie erstellen: Wie lange läuft Anlage X durchschnittlich? Wie hoch ist die Taktzeit in Ordnung? Welche Temperatur ist normal?

Setzen Sie für jede kritische Kennzahl feste Schwellwerte (z. B. Temperatur über 85 Grad Celsius = Warnung) und weiche Schwellwerte (z. B. Taktzeit über dem 95. Perzentil der letzten sieben Tage = Hinweis). Diese Regeln lassen sich in n8n, Make oder direkt im MES als Trigger hinterlegen.

Schritt 3: Echtzeit-Alerts einrichten

Sobald die Datenpipeline steht, bauen Sie Alarmierungslogik auf:

• Überschreitet ein Wert einen Schwellwert, geht eine Push-Nachricht an die Schichtleitung (Slack, Microsoft Teams, SMS).
• Überschreitet ein zweiter Wert ebenfalls die Grenze, eskaliert das System an den Produktionsleiter.
• Jede Meldung enthält Kontext: Welche Anlage, welcher Auftrag, letzter Wartungstermin, Link zum Live-Dashboard.

Vermeiden Sie Alert-Müdigkeit: Lieber drei präzise Warnungen pro Woche als 20 Fehlalarme pro Tag. Justieren Sie Schwellwerte nach den ersten Wochen nach, sobald Sie sehen, welche Muster relevant sind.

Schritt 4: Anomalie-Modelle trainieren

Für Anomalie-Erkennung kommen Verfahren wie Isolation Forest, Autoencoder oder univariate Zeitreihen-Modelle (Prophet, ARIMA) zum Einsatz. Sie müssen nicht selbst programmieren: Plattformen wie n8n mit Python-Node, Make mit HTTP-Calls zu HuggingFace Inference API oder spezialisierte Industrie-Tools (z. B. Senseye, Augury) liefern fertige Bausteine.

Das Modell lernt, wie sich Maschinen unter normaler Last verhalten. Zeigt eine Anlage plötzlich andere Schwingungsmuster oder steigt der Stromverbrauch, obwohl die Taktzeit gleich bleibt, markiert das Modell das als Anomalie. Diese Meldung landet im Ticketsystem oder löst eine Wartungsanfrage aus.

Wichtig: Geben Sie dem Modell Feedback. Ist eine Anomalie ein echter Fehler, bestätigen Sie das. War es ein Fehlalarm, markieren Sie das ebenfalls. Moderne Pipelines lernen daraus und verbessern sich kontinuierlich.

Schritt 5: Predictive Maintenance aufbauen

Vorausschauende Wartung basiert auf drei Datentypen:

• Laufzeit und Zyklen: Wie viele Betriebsstunden, wie viele Teile seit der letzten Wartung?
• Zustandsdaten: Temperatur, Vibration, Energieverbrauch, Ölqualität.
• Historische Ausfälle: Wann ist welches Bauteil ausgefallen, unter welchen Bedingungen?

Aus diesen Daten trainieren Sie ein Modell, das die Restlebensdauer (Remaining Useful Life, RUL) schätzt. Liegt die RUL unter einem kritischen Wert, plant das System automatisch eine Wartung ein: Es prüft die Verfügbarkeit im Kalender, bestellt Ersatzteile aus dem ERP und informiert den Instandhaltungsleiter.

Sie müssen nicht bei null anfangen. Viele MES-Anbieter bieten Module für Condition Monitoring an. Alternativ setzen Sie auf spezialisierte Anbieter, die sich per API in Ihre Landschaft einklinken. Entscheidend ist, dass die Lösung auf EU-Servern läuft und Sie die Hoheit über Ihre Produktionsdaten behalten.

Realistische Ergebnisse nach drei bis sechs Monaten

In Projekten, die wir begleiten, sehen wir folgende Größenordnungen:

• Ungeplante Stillstände sinken um 15 bis 30 Prozent, weil Probleme früher erkannt werden.
• Wartungskosten sinken um 10 bis 20 Prozent, weil Verschleißteile gezielt getauscht werden, statt auf Verdacht.
• Die Produktionsleitung spart zwei bis vier Stunden pro Woche, weil Berichte automatisch erstellt werden und Alerts bereits priorisiert sind.
• Die Ausschussquote sinkt um fünf bis zehn Prozent, weil Parameterdrift (z. B. Temperatur, Druck) früher korrigiert wird.

Diese Zahlen sind keine Garantie, sondern Erfahrungswerte. Sie hängen davon ab, wie gut Ihre Daten sind, wie konsequent Rückmeldungen ins System fließen und wie schnell Ihre Instandhaltung reagiert.

Was in der Praxis nicht funktioniert

KI ohne saubere Stammdaten: Wenn im MES Anlagen falsch zugeordnet, Aufträge nicht geschlossen oder Schichten nicht dokumentiert sind, lernt das Modell Unsinn. Datenqualität ist Voraussetzung, nicht Zusatz.

Modelle, die niemand versteht: Zeigt die KI eine Anomalie, muss die Produktionsleitung nachvollziehen können, warum. Black-Box-Modelle schaffen Misstrauen. Setzen Sie auf erklärbare Verfahren und visualisieren Sie, welche Kennzahlen den Alarm ausgelöst haben.

Alerts ohne Prozess: Eine Warnung, die niemand zuständig ist, verpufft. Klären Sie vorab: Wer bekommt welche Meldung? Wer entscheidet, ob eine Anlage gestoppt wird? Wer bestellt Ersatzteile?

Zu viele Pilotprojekte parallel: Starten Sie mit einer Anlage oder einer Linie. Sammeln Sie Erfahrung. Skalieren Sie erst, wenn der Prozess stabil läuft.

Fehlende Rückmeldung: Predictive Maintenance lebt von Feedback. Dokumentieren Sie, ob die Vorhersage stimmte, ob die Wartung nötig war und was konkret defekt war. Nur so verbessert sich das Modell.

Integration in bestehende IT-Landschaft

Produktionssteuerung mit KI darf keine neue Insel werden. Anbindung an Ihr ERP sorgt dafür, dass Ersatzteile automatisch bestellt werden. Anbindung an Ihr Ticketsystem sorgt dafür, dass Wartungsaufträge direkt angelegt werden. Anbindung an Ihr BI-Tool sorgt dafür, dass die Geschäftsführung wöchentlich sieht, wie sich Verfügbarkeit und Ausschussquote entwickeln.

Nutzen Sie Workflow-Plattformen wie n8n oder Make, um diese Systeme zu verbinden. Ein typischer Ablauf: MES meldet Anomalie, n8n prüft, ob das Muster kritisch ist, legt ein Ticket in Ihrer Instandhaltungs-Software an, prüft im ERP die Ersatzteil-Verfügbarkeit und informiert den Meister per Teams-Nachricht.

Diese Automatisierung läuft auf Ihrem Server oder in einer EU-Cloud. Sie bleibt anpassbar, weil Sie die Workflows selbst pflegen oder von einem Partner pflegen lassen.

Sicherheit und Datenschutz

Produktionsdaten sind Betriebsgeheimnis. Stellen Sie sicher, dass Ihre Datenpipeline verschlüsselt läuft (TLS 1.3), dass Zugriffe protokolliert werden und dass nur autorisierte Systeme Daten abrufen können. Nutzen Sie VPN oder private Netzwerke, wenn Sie Maschinen über das Internet anbinden.

Sobald personenbezogene Daten (z. B. Bediener-Login, Schichtpläne) fließen, gilt die DSGVO. Schließen Sie mit jedem Dienstleister, der Daten verarbeitet, einen Auftragsverarbeitungsvertrag (AVV). Dokumentieren Sie in einem Verarbeitungsverzeichnis, welche Daten wohin fließen.

Unter der EU-KI-Verordnung (EU AI Act) gelten MES-gestützte Entscheidungen in der Regel nicht als Hochrisiko-Anwendung, solange die KI nur empfiehlt und nicht autonom in sicherheitskritische Prozesse eingreift. Dennoch sollten Sie Transparenz und Erklärbarkeit von Anfang an mitdenken.

Was Sie jetzt tun sollten

Klären Sie intern, welche drei Anlagen oder Prozesse am häufigsten stillstehen oder den höchsten Wartungsaufwand verursachen. Prüfen Sie, ob Ihr MES bereits Daten liefert oder ob Sie Retrofit-Sensoren benötigen. Sprechen Sie mit Ihrer Instandhaltung: Welche Informationen würden konkret helfen?

Danach legen Sie fest, ob Sie die Lösung selbst betreiben (Self-Hosted auf eigenem Server), ob Sie einen spezialisierten Anbieter einbinden oder ob Sie auf eine Workflow-Plattform mit KI-Bausteinen setzen. Alle drei Wege sind machbar. Entscheidend ist, dass Sie starten, Feedback einholen und iterativ verbessern.

Wenn Sie konkrete Unterstützung bei der Anbindung Ihrer MES-Daten, beim Aufbau von Anomalie-Erkennung oder bei der Integration in Ihre IT-Landschaft brauchen, sprechen Sie mit uns.

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.