Auf einen Blick
Warum KI in der Produktion erst mit einer Datenbasis skaliert
Das Problem: Getrennte Werksdaten bremsen jede KI-Initiative
Stillstände fallen erst im nachgelagerten Schichtbericht auf, OEE wird je Werk unterschiedlich gerechnet, und Ausschuss zeigt sich erst, wenn das Teil schon produziert ist.
Stillstände werden zu spät erkannt
Schwingungs-, Strom- und Temperaturdaten landen im Historian, getrennt von MES und Wartungshistorie. Eine Echtzeit-Sicht auf Asset-Health fehlt, Stillstände fallen oft erst Tage später im Schichtbericht auf.
Lösung
Sensor-Streams, Wartungshistorie und Auftragsdaten laufen auf einer Basis. Modelle erkennen Abweichungen vom Normalverhalten, bevor die Anlage ausfällt.
Jedes Werk rechnet OEE anders
Verfügbarkeit, Leistung und Qualität werden je Standort mit eigenen Definitionen berechnet, Tagesberichte aus Excel machen Werke untereinander kaum vergleichbar.
Lösung
Maschinen-Events, Auftragsdaten und Qualitätsmeldungen laufen auf derselben Basis. OEE wird pro Linie und Schicht in Echtzeit berechnet, mit denselben Definitionen über alle Werke.
Ausschuss wird erst am Linien-Ende sichtbar
Fehler zeigen sich, wenn das Teil schon produziert ist. Ohne Bezug zu Material, Werkzeug-Standzeit oder Schicht bleibt die Ursache unklar.
Lösung
Kamerabilder laufen zusammen mit Sensor-, Prozess- und Materialdaten in dieselbe Tabelle. Daraus entsteht eine Root-Cause-Sicht bis zu Werkzeug und Schicht.
Was unterscheidet Produktionsdaten von anderen Branchendaten?
Vier Eigenschaften entscheiden, welche Architektur wirklich passt.
Fragmentierte Quellen als Normalfall
SPS/PLC, MES, ERP, Werker-Apps, QS-Systeme und Sensorik laufen auf eigenen Datenmodellen, mit eigenen Stammdaten, eigenen Asset-Kennungen und eigenen Zeitpunkten.
Hochfrequente Sensorik trifft auf Tages-Reporting
Schwingungs-, Strom- und Temperaturdaten laufen im Millisekunden- und Sekundentakt, MES im Minutentakt, ERP im Stundentakt. Klassische Tages-Reports skalieren darauf nicht.
Asset-zentrierte Identität als Fundament
Maschine, Linie, Werk und Hersteller-ID gehören zusammen und müssen konsolidiert werden. Ohne diese Identität bleibt jeder Use Case auf eine Quelle beschränkt.
OT/IT-Grenze als operative Realität
Die Datenplattform liest aus OT-Netzen, ohne deren Verfügbarkeit zu gefährden, und liefert Ergebnisse zurück in MES und ERP. Das bestimmt Latenzen und Datenverantwortung.
Datenbasis
Die Lösung: Eine gemeinsame Datenbasis für Predictive Maintenance, OEE und Planung
Was die Datenbasis enthalten muss
Use Cases auf einer Datenbasis
Echtzeit-OEE & Qualität
Verfügbarkeit, Leistung und Qualität werden pro Linie und Schicht mit denselben Definitionen berechnet. Kamerabilder, Sensor- und Materialdaten laufen in dieselbe Tabelle wie das OEE-Dashboard. Ausschuss wird sichtbar, bevor er das Linienende erreicht.
Predictive Maintenance
Modelle aus Schwingungs-, Strom-, Temperatur- und Drehmomentdaten erkennen Abweichungen vom Normalverhalten, bevor die Anlage ausfällt, trainiert über mehrere Werke und Anlagenklassen, bewertet mit echtem Auftragskontext.
Supply Chain & Lieferanten
Liefertreue, Materialqualität und Reklamationen laufen als Scorecards auf gemeinsamen Schlüsseln. Forecasts und Bestände werden per Delta Sharing kontrolliert mit Zulieferern geteilt, ohne Datenkopie.
Energie & Nachhaltigkeit
Lastprofile, Druckluft- und Kälteverbrauch werden mit Linienauslastung und Produkt-Mix zusammengeführt, Basis für CSRD-Berichte aus Werks-Echtdaten statt jährlicher Excel-Bilanzen.
Von fragmentierten Werksdaten zur gemeinsamen Datenbasis
Vorher
Nachher
Stillstands-Erkennung
OEE-Messung
Qualitätsursache
Lieferantendaten
KI-Assistenten für Schichtleitung, Instandhaltung, Qualität und Supply Chain
Fünf Einsatzfelder entstehen auf derselben Datenbasis.
Schichtleitungs-Assistenten
Schichtleitung fragt in natürlicher Sprache nach OEE-Stand, offenen Stillständen und kritischen Anlagen, ohne sich durch mehrere Dashboards zu klicken.
Instandhaltungs-Assistenten
Wartungsteams bekommen kontextbezogene Vorschläge: welche Anlage zuerst angesteuert wird, welche Ersatzteile vorrätig sind und welche Wartungshistorie zur aktuellen Meldung passt.
Qualitäts-Assistenten
QS bekommt Defekt-Pareto und Root-Cause-Vorschläge aus der Linie, mit Bezug auf Material, Werkzeug-Standzeit und Maschinen-Zustand.
Engineering-Assistenten
Anlagenplanung und kontinuierliche Verbesserung greifen auf historische Sensor- und Auftragsdaten zu, ohne eigene Extrakte zu bauen.
Supply-Chain-Assistenten
Einkauf und Planung fragen nach Lieferanten-Liefertreue, Materialqualität und offenen Reklamationen, abgestimmt mit der Werksauslastung.
Grenzen von KI in der Produktion
Eine Datenplattform löst viele Integrationsprobleme, ersetzt aber nicht die Arbeit an Anlage, OT-Anbindung, Datenqualität und Akzeptanz im Werk.
Datenqualität an der Anlage bleibt der schwierigste Punkt
Sensoren sind ungenau kalibriert, Tags unterschiedlich benannt, Zeitstempel weichen ab, Werker-Eingaben sind lückenhaft. Jede Vorhersage ist nur so gut wie das Signal aus der Anlage.
OT-Konnektivität ist Projektarbeit, kein Plug-and-Play
SPS-Daten in eine Cloud-Plattform zu bringen heißt, mit OPC-UA-Servern, Edge-Gateways und Werks-Firewalls zu arbeiten. Die Anbindung bleibt ein eigenes Projekt.
Datenhoheit zwischen Maschinenhersteller und Werk
Wer Sensor-Rohdaten zuerst sieht und welche Auswertung erlaubt ist, ist oft vertraglich geregelt. Eine Plattform löst das technisch, nicht juristisch.
Change-Management auf der Linie
Eine neue Vorgabe an einer Linie mit drei Schichten dauert Monate. Ohne Schulungspläne und Bedienung am Terminal entsteht eine Plattform ohne Wirkung am Band.
Werksleitung und Mitbestimmung sind eigene Themen
Datenflüsse aus Werker-Apps und Anlagenzustände berühren Mitbestimmung und Datenschutz am Arbeitsplatz. Die Plattform muss mit Betriebsrat und Werksleitung gemeinsam aufgesetzt werden.
Lizenz- und Datenmodell-Politik der Anlagenhersteller
Maschinen liefern oft proprietäre Datenformate, der Zugriff auf Telemetrie ist an Wartungsverträge gebunden. Eine offene Datenbasis ersetzt nicht die Verhandlung mit dem Hersteller.
Databricks Premier Partner
Als einer der wenigen DACH-Partner mit Zertifizierungen auf Platform-, Data-Engineering- und ML-Level begleiten wir Manufacturing-Projekte von der Architektur bis zum produktiven Modell. Über 50 Projekte, 10+ Jahre Erfahrung.
Wann lohnt sich eine Lakehouse-Basis?
Mehr als fünf Quellsysteme aus SPS, MES, ERP, Sensorik und QS liefern Daten für KI-Initiativen
Mehrere Werke mit unterschiedlichen OEE-Definitionen sollen einheitlich gemessen werden
Mehrere Predictive-Maintenance-Piloten laufen parallel, je Anlagenklasse mit einem eigenen Modell
Liefertreue, Materialqualität und Reklamationen werden noch per Excel und E-Mail gesteuert
Drei oder mehr parallele KI-Initiativen integrieren immer wieder dieselben Quellen
Dann ist jetzt der richtige Zeitpunkt
Predictive Maintenance ist meist der schnellste Einstieg. Die Datenbasis trägt danach Echtzeit-OEE, Defekt-Root-Cause und Demand Planning.
Termin vereinbarenGemeinsame Datenbasis für eure Produktions-KI?
In einem ersten Gespräch klären wir, welcher Use Case den größten Hebel hat und welcher Weg zu eurer Werkslandschaft passt.
