Sensoren sind Messpunkte, keine Lösungen. Erst wenn Messwerte kontextualisiert, qualitätsgesichert und in belastbare Kennzahlen überführt werden, entstehen bessere Entscheidungen – schnell, nachvollziehbar und mit einfachen Werkzeugen wie Python oder SQL. 📊
Use-Case 1: Ungeplante Stillstände senken
- Metriken/Methodik:
- Mittlere Zeit zwischen Ausfällen (MTBF) und mittlere Reparaturzeit (MTTR) aus Ereignislogs der Steuerung ableiten.
- Verfügbarkeitsanteil und Gesamtanlageneffektivität (OEE) als Zielgröße; OEE = Verfügbarkeit × Leistungsgrad × Qualitätsrate (ISO 22400).
- Ereigniserkennung aus Strom-/Vibrationssignalen, Zeitstempel synchronisieren, Ausreißer filtern.
- Beispiel (Python, komprimiert):
- Ereignislog mit Spalten start, end, state (run/stop) einlesen.
- Aus Stop-Intervallen MTBF/MTTR pro Schicht berechnen.
- Interpretation:
- Sinkende MTBF bei gleichbleibender MTTR weist auf häufiger werdende Kleinstörungen hin (z.B. Materialzufuhr).
- OEE-Verluste klar trennen: Verfügbarkeit vs. Leistung vs. Qualität.
- Handlungsempfehlung:
- Stopgründe standardisieren (Kategorien), Zeitstempel aus einer Quelle.
- Tägliches MTBF/MTTR-Board; Maßnahmen auf Top-3-Verlustquellen fokussieren.
- Für Vorhersagen zunächst einfache Frühwarnregeln (z.B. Trend in Mikrostopps) statt komplexer Modelle. 🔧
Use-Case 2: Energieverbrauch pro Teil sichtbar machen
- Metriken/Methodik:
- Spezifischer Energiebedarf (kWh pro Teil) und Energie-Performance-Kennzahl (EnPI) nach ISO 50001.
- Leistungsmessung (kW) mit Takt-/Zyklus-Signal koppeln, Integration der Leistung pro Zyklus.
- Lastspitzen (kW über 15‑Min.-Fenster) für Lastmanagement identifizieren.
- Beispiel:
- Leistungssignal auf 1 s resamplen, pro Teil die Fläche unter der Kurve integrieren (kWh).
- EnPI als kWh/Teil pro Schicht tracken und mit Materialtyp, Temperatur, Bediener kontextualisieren.
- Interpretation:
- Hohe Streuung in kWh/Teil deutet auf inkonsistente Prozessführung oder Anfahrverluste.
- Lastspitzen lokalisieren und auf planbare Schritte verschieben (z.B. Aufheizen, Reinigung).
- Handlungsempfehlung:
- Ein einfaches Dashboard: kWh/Teil, kW-Spitzen, EnPI‑Trend.
- Maßnahmen testen: Standby-Strategien, Aufheizprofile, Batching; Wirksamkeit über EnPI prüfen. ⚡
Use-Case 3: Prozessfähigkeit belegen statt Bauchgefühl
- Metriken/Methodik:
- Prozessfähigkeitsindizes Cp/Cpk für kritische Maße.
- Voraussetzung: verlässliche Messung – Unsicherheit und Kalibrierung beachten (GUM).
- Datengrundlage: Stichprobe n ≥ 50 je Produkt/Variante, Normalitätscheck, Stabilität über Zeit.
- Beispiel:
- Aus Messwerten Mittelwert und Standardabweichung ermitteln; Cp = (USG − USL)/(6·σ), Cpk = min((USG − μ)/(3·σ), (μ − USL)/(3·σ)) mit unterer/oberer Spezifikationsgrenze (USL/USG).
- Interpretation:
- Cpk < 1,33: erhöhte Ausschussgefahr oder Nacharbeit; Ursachenanalyse entlang Material, Werkzeug, Temperatur.
- Handlungsempfehlung:
- Messsystem-Prüfung (Wiederholbarkeit/ Vergleichbarkeit).
- Fähigkeitsziel je Merkmal festlegen, Maßnahmenwirkung mit Vorher/Nachher‑Cpk absichern. 🧠
Datenqualität zuerst – minimal, aber wirkungsvoll
- Einheit und Kalibrierstatus je Sensor dokumentieren; Änderungen versionieren.
- Zeitbasis harmonisieren (eine Referenzuhr), fehlende Werte kennzeichnen statt interpolieren, wenn sie länger sind als ein Zyklus.
- Plausibilitätsregeln: Wertebereich, physikalische Grenzen, Schaltflankenlogik.
- Ereignissemantik definieren: Wann beginnt/endet ein Zyklus? Was gilt als Störung?
Kleine Daten-Pipeline für KMU
- Erfassung: Steuerungs- und Zähldaten über standardisierte Schnittstellen (z.B. OPC UA nach IEC 62541).
- Speicherung: Zeitreihen-Datenbank oder SQL-Server mit sauberem Namensschema.
- Auswertung: Python-Notebooks (pandas) für Kennzahlen, Export nach Dashboard.
- Visualisierung: Einfache, fragegetriebene Sichten – je Metrik eine klare Aussage, keine „Datenfriedhöfe“.
Typische Metriken – schnell nutzbar
- Stillstände: MTBF/MTTR pro Schicht, Top‑3‑Stopgründe (Pareto).
- Leistung: Durchsatz vs. Taktzeit, Mikrostopps/Schicht.
- Qualität: Ausschussquote je Ursache, Cp/Cpk der kritischen Merkmale.
- Energie: kWh/Teil, Lastspitzen, EnPI je Produktlinie.
Quickstart in 10 Tagen
- Ziel-Frage fixieren (z.B. „20 % weniger ungeplante Stopps“).
- 3–5 relevante Signale wählen, Ereignislog definieren.
- Datenqualität-Checks implementieren.
- Kennzahlenrechnung in Python umsetzen, Ergebnisse mit Team spiegeln.
- Kleines Dashboard veröffentlichen, Maßnahmen testen, Effekt nach 2 Wochen bewerten.
Klare Botschaft: Sensorik ohne Auswertung bindet Kapital, aber liefert keine Wirkung. Mit wenigen, sauber berechneten Kennzahlen entstehen konkrete Hebel – nachvollziehbar, wiederholbar, wirksam.
Quellen
- ISO 22400-2: Manufacturing operations management — Key performance indicators (2014) — ISO 22400-2
- VDI/VDE 3714 Blatt 1: Anwendung von Analytics in der industriellen Produktion (2019) — vdi.de
- ISO 50001: Energy management systems — Requirements with guidance for use (2018) — ISO 50001
- JCGM 100: Evaluation of measurement data — Guide to the expression of uncertainty in measurement (2008) — JCGM 100:2008
Jetzt handeln: Wir bauen mit Ihnen einen schlanken Proof‑of‑Concept auf Ihrer Anlage – mit Ihren Daten, in wenigen Tagen. Kontakt aufnehmen und konkrete Fragen stellen? Wir antworten schnell und praxisnah.