Maschinendatenerfassung: wie aus Signalen der Steuerung messbare Effizienz wird

Montag, 7:10 Uhr, Schichtbesprechung in einem Plattenwerk. Der Bericht der Nachtschicht weist für Linie 3 vier Stunden Stillstand aus, in der Spalte „Ursache“ steht „Sonstiges“. Der Fertigungsleiter fragt, was passiert ist, und niemand am Tisch kann es sagen, weil die Daten, die es erklären würden, nie erfasst wurden.

Die Maschinendatenerfassung entscheidet darüber, wie viel einer Fabrik sich überhaupt steuern lässt. Jede Initiative im Bereich Digital Manufacturing liest aus derselben Schicht: OEE-Monitoring, vorausschauende Wartung, Energieoptimierung, KI. Werden Daten manuell, verzögert oder ohne Kontext erfasst, erbt jedes darüberliegende System diese Lücken und liefert selbstbewusste Berichte über eine Fabrik, die es so nicht gibt.

Dieser Beitrag zeigt, welche Produktionsdaten sich zu erfassen lohnen, welche vier Erfassungsmethoden es gibt, was sich ändert, sobald die Erfassung in Echtzeit läuft, und was Werke nach der Umstellung gemessen haben.

Was ist Maschinendatenerfassung?

Maschinendatenerfassung ist die automatische Aufnahme von Signalen aus Produktionsanlagen und deren Anreicherung mit Produktionskontext: Auftrag, Produkt, Schicht und Bediener. Sie umfasst Maschinenzustände, Taktzähler, Prozessparameter, Qualitätsergebnisse und Energieverbrauch. Ohne die Kontextschicht sagen die Daten, was eine Maschine getan hat, aber nicht, warum das relevant ist.

Der Unterschied zwischen einem Signal und einem Produktionsdatum ist das ganze Thema. „Spindellast 78 %“ ist ein Signal. „Spindellast 78 %, Linie 3, Auftrag 44921, Produkt MDF-18, Nachtschicht, Bediener B“ ist ein Produktionsdatum. Nur das zweite lässt sich einem Verlust zuordnen, mit einer anderen Schicht vergleichen oder zum Trainieren eines Modells verwenden. Im deutschsprachigen Raum trennt man diese beiden Ebenen seit Jahren als MDE und BDE: Die Maschinendatenerfassung liefert das Signal, die Betriebsdatenerfassung den Auftrags- und Schichtkontext. Wert entsteht erst, wenn beides im Moment der Erfassung zusammenkommt.

Die Erfassung hat also zwei Hälften. Die erste ist Konnektivität: das Auslesen von Tags aus SPS, CNC-Steuerungen, SCADA-Systemen, Historians und Sensoren. Die zweite ist Kontextualisierung: das Verknüpfen dieser Tags mit Auftrag, Produkt, Schicht und Anlagenhierarchie im Moment der Aufnahme. Systeme, die das Erste tun und das Zweite auslassen, erzeugen einen Data Lake, den niemand abfragen kann.

Welche Produktionsdaten sich zu erfassen lohnen

Erfassen Sie die Daten, mit denen sich ein Verlust einer Ursache zuordnen lässt. Alles andere sind Speicherkosten.

Die letzten beiden Zeilen sind die, die die meisten Projekte verschieben und deren Verschiebung sie am meisten bereuen. Maschinendaten allein sagen, dass Linie 3 vier Stunden verloren hat. Maschinendaten, verknüpft mit Auftrags- und Schichtkontext, sagen, dass Linie 3 immer dann vier Stunden verliert, wenn sie ein bestimmtes Produkt in der Nachtschicht fährt, und das ist ein Befund, mit dem sich arbeiten lässt, und nicht nur eine Zahl.

Vier Methoden der Maschinendatenerfassung im Vergleich

Die Erfassungsmethode setzt die Obergrenze für die Latenz und dafür, wie viele Maschinen sich anbinden lassen, ohne die gesamte Architektur neu zu bauen.

Die meisten europäischen Werke landen bei der dritten Option. Eine industrielle Konnektivitätsplattform wie Kepware bringt Treiber für die Steuerungsfamilien mit, die bereits in der Halle stehen, und nimmt damit den Integrationsaufwand je Maschine heraus, an dem die direkte Anbindung im großen Maßstab scheitert. TT PSC baut diese Schicht auf Kepware, Kepware Edge und Kepware+ und publiziert über OPC UA und MQTT.

Die vierte Option ist kein anderes Werkzeug, sondern eine andere Topologie, dazu weiter unten mehr.

Warum die Latenz entscheidet, welche Probleme sich lösen lassen

Latenz ist keine Leistungskennzahl. Sie bestimmt, welche Klasse von Problemen die Daten überhaupt adressieren können.

Deshalb taucht Echtzeit-Transparenz in jeder Effizienzdiskussion wieder auf. Transparenz ist kein Nutzen an sich. Sie ist die Voraussetzung dafür, einzugreifen, solange der Verlust noch läuft, statt ihn in der Montagsrunde zu erklären.

Sieben Effizienzgewinne, die Produktionsdaten in Echtzeit liefern

Jeder der folgenden Gewinne hängt an genau einer Erfassungsfähigkeit. Die Zahlen sind Spannen, gemessen in Implementierungen von TT PSC und veröffentlicht im Practical Guide to Industry 4.0 (Ausgabe 2026).

1. Stillstände, die sich klassifizieren lassen, statt nur zählen

Die automatische Zustandserfassung macht aus dem Stillstand als Summe ein Pareto-Diagramm. Werke, die manuelle Stillstandsprotokolle durch die direkte Maschinenanbindung ersetzt haben, senkten ungeplante Stillstände um bis zu 25 %. Der Mechanismus ist unspektakulär: Bediener raten am Schichtende keine Kategorien mehr, und Mikrostopps unterhalb der manuellen Meldeschwelle werden zum ersten Mal sichtbar. Lacroix erfasst auf diese Weise Daten von mehr als 1.000 Maschinen, und die Shopfloor-Datenerfassung bei ESAB brachte denselben Wandel an Schweißanlagen.

2. Ein OEE, das die Linie abbildet und nicht den Bericht

Die automatische Erfassung verbessert den OEE im ersten Jahr typischerweise um bis zu 15 %, und ein Teil dieses Gewinns ist schlicht arithmetische Ehrlichkeit. Manuell gemeldete OEE-Werte liegen fast immer über den gemessenen, weil Kurzstopps, Geschwindigkeitsverluste und Nacharbeit die manuelle Eingabe selten überleben. Produktionsüberwachung mit OEE auf Basis automatischer Erfassung schließt diese Lücke, was im ersten Monat unangenehm und ab dem zweiten nützlich ist.

3. Instandhaltung nach Maschinenzustand statt nach Kalender

Kontinuierlich erfasste Zustandssignale ermöglichen vorausschauende Wartung, die Instandhaltungskosten um bis zu 15 % und Ausfallraten um bis zu 15 % senkt. Vibrations- und Temperaturdaten in einer brauchbaren Abtastrate sind der gesamte Input. Ohne sie bleibt die Instandhaltung beim Kalender.

4. Qualität, die während des Laufs korrigiert wird

Kontinuierlich erfasste Prozessparameter lassen Abweichungen erkennen, solange die Charge noch zu retten ist. Das ist der Unterschied zwischen Qualitätskontrolle und Qualitätssicherung, und er ist zuerst ein Unterschied in der Datenerfassung, bevor er einer in der Analytik wird. Modelle für prädiktive Qualitätsanalytik brauchen Parameterhistorien in der Abtastrate des Prozesses, nicht die Prüfergebnisse am Chargenende.

5. Engpässe, gemessen am Bedarf und nicht am OEE

Die Linie mit dem niedrigsten OEE ist nicht automatisch der Engpass, und die mit dem höchsten kann es sein. Dieser Befund erscheint erst, wenn Produktionsdaten mit Auftragsdaten und Durchlaufzeiten verknüpft sind, denn ein Engpass definiert sich relativ zum Kundenbedarf und nicht relativ zur Anlage nebenan. Das ist das stärkste Argument dafür, Auftragskontext zusammen mit Maschinenkontext zu erfassen.

6. Materialverbrauch, gebunden an den tatsächlichen Output

Ein Verbrauch, der je Auftrag statt je Periode erfasst wird, zeigt, welche Produkte, Linien und Schichten mehr verbrauchen, als der Standard annimmt. Dieselben Daten tragen die Bedarfsprognose, sobald genug Historie vorliegt.

7. Energie, gemessen je Produkt und nicht je Werk

Medien sind Produktionsdaten. Über ein Energiemanagementsystem für die Fertigung erfasst und Aufträgen zugeordnet, wird der Energieverbrauch zu Stückkosten, die sich optimieren lassen, statt zu einer Monatsrechnung, die sich nur verbuchen lässt. Werke mit diesem Ansatz senkten ihre Energiekosten um bis zu 30 %.

Die eigentliche Hürde ist der gemischte und gealterte Maschinenpark

Die meisten Erfassungsprojekte scheitern am Alter der Anlagen und an der Zahl der Hersteller, nicht an der Software.

Ein typisches europäisches Werk betreibt Steuerungen von vier oder fünf Herstellern aus drei Jahrzehnten. Manche Maschinen geben über das Netzwerk gar nichts preis. Manche stehen unter Tage oder in Bereichen ohne jede Verbindung, und genau diese Situation hat TT PSC bei einem Hersteller von Bohrgeräten gelöst, indem Betriebszeiten lokal erfasst und berichtet wurden, ohne Internetzugang.

Drei praktische Wege decken fast jeden Fall ab. Maschinen mit moderner Steuerung werden direkt über vorhandene Treiber ausgelesen. Maschinen ohne brauchbare Schnittstelle bekommen nachgerüstete Zustandssensoren, die Vibration, Strom und Temperatur unabhängig von der Steuerung erfassen. Maschinen in Bereichen ohne Verbindung erfassen am Edge und synchronisieren, sobald eine Verbindung da ist. Keiner dieser Wege erfordert den Austausch der Maschine, und den alten Maschinenpark als Grund für das Verschieben des Projekts zu nehmen, ist die teuerste verfügbare Entscheidung.

Die Integrationssteuer, oder warum Punkt-zu-Punkt-Verbindungen nicht skalieren

Jeder neue Abnehmer von Produktionsdaten bringt eine weitere Verbindung mit, die gebaut und gepflegt werden muss. Diese Kosten sind die Integrationssteuer, und sie wachsen schneller als der Wert jedes neuen Abnehmers.

Ein Werk mit sechs Datenquellen und vier konsumierenden Systemen kann bis zu vierundzwanzig individuelle Verbindungen benötigen. Ein fünfter Abnehmer bringt sechs weitere. Ab diesem Punkt werden neue Digitalinitiativen nach ihren Integrationskosten bewertet statt nach ihrem Business Case, und das beendet die Roadmap ganz leise.

Ein Unified Namespace hebt diese Multiplikation auf. Datenproduzenten publizieren einmal an einen zentralen Broker mit standardisiertem semantischem Modell. Abnehmer abonnieren, was sie brauchen. Ein internationaler Automobilzulieferer hat mit dieser Architektur seine Datenstruktur über 11 Werke vereinheitlicht und die Integrationszeit neuer Werke von Monaten auf Wochen verkürzt.

Die Qualität der Datenerfassung ist die Voraussetzung für KI in der Fertigung

KI-Projekte in der Fertigung scheitern weit häufiger an Daten als an Algorithmen.

Ein Modell braucht kontinuierliche, kontextualisierte und korrekt gelabelte Daten in der Abtastrate des Prozesses, den es steuern soll. Auf Schichtebene aggregierte Zahlen können kein Modell trainieren, das alle neunzig Sekunden eine Einstellung empfehlen muss. Deshalb ist die Datenerfassungsschicht der erste Budgetposten in jedem ernst zu nehmenden Programm für KI in der Fertigung, und keine Voraussetzung, die man später aufräumt.

Prozessoptimierung mit KI. Modelle lesen Prozessparameter direkt aus der SPS und empfehlen optimale Einstellungen für komplexe Vorgänge wie Trocknen, Konditionieren und Mischen. Bediener nehmen jede Empfehlung an oder lehnen sie ab, und nach einer Testphase lässt sich der Regelkreis für die autonome Anpassung schließen. Implementierungen bei einem globalen Lebensmittel- und Getränkehersteller und einem globalen Tabakhersteller verbesserten die Prozessstabilität, reduzierten Rohstoffabfall und senkten den Energieverbrauch. Der Tabakhersteller rollte die automatisierte Regelung auf neun Werke in Europa, Asien und Lateinamerika aus.

Finsa. Der spanische Holzwerkstoffhersteller betreibt vorausschauende Wartung in sechs Werken mit mehr als 900 Maschinen, aufgebaut auf Kepware für die Konnektivität, ThingWorx als Plattformschicht, Machine-Learning-Modellen zur Anomalieerkennung und SAP für den Instandhaltungsworkflow. Finsas erklärtes Ziel ist eine Senkung der Instandhaltungskosten um 25 %, rund eine halbe Million Euro pro Jahr. Das Projekt war machbar, weil die Konnektivitätsschicht zuerst kam: Ohne Vibrations- und Temperaturdaten von 900 Maschinen in brauchbarem Format gibt es kein Modell zu trainieren.

Dasselbe Prinzip trägt den sprachlichen Zugang zu Produktionsdaten. Der MFG Copilot von TT PSC, aufgebaut auf ThingWorx, lässt einen Werksleiter eine Frage in normaler Sprache stellen und liefert eine Antwort, die aus MES-, Historian-, ERP-, Instandhaltungs-, Qualitäts- und Energiedaten zusammengesetzt ist.

Was Hersteller nach der Automatisierung der Erfassung gemessen haben

Quelle: TT PSC, Practical Guide to Industry 4.0: Proven Use Cases and Results for Manufacturing, Ausgabe 2026, auf Basis von Implementierungen bei Herstellern aus Automobil, Lebensmittel und Getränke, Elektronik, Pharma und Baustoffen.

Kontext für den Investitionsfall: In Deloittes 2025 Smart Manufacturing Survey unter 600 Führungskräften der Fertigungsindustrie nannten 92 % Smart Manufacturing als wichtigsten Treiber der Wettbewerbsfähigkeit in den nächsten drei Jahren, und 80 % planten, mehr als ein Fünftel ihrer Verbesserungsbudgets dafür einzusetzen. Zugleich nannten 65 % das operative Risiko als größte Sorge, und die Belegschaftsreife blieb der am wenigsten gereifte Bereich der Transformation. Die automatische Datenerfassung adressiert beide Seiten: Sie senkt das operative Risiko des Blindflugs und nimmt Berichtsarbeit von Teams, die ohnehin unterbesetzt sind.

Wo Sie anfangen

Beginnen Sie mit einer Linie und einem bezifferten Verlust, nicht mit einer werksweiten Datenstrategie.

Die Sequenz, die funktioniert, ist eng und kurz. Wählen Sie die Linie, deren Verlust am größten und am besten verstanden ist. Binden Sie ihre Maschinen an und ergänzen Sie vom ersten Tag an Auftrags- und Schichtkontext. Messen Sie vier Wochen lang, ohne etwas zu verändern, damit die Baseline echt ist. Dann handeln Sie auf Basis dessen, was die Daten zeigen, und vergleichen.

TT PSC führt das üblicherweise als Proof of Concept an einer Linie oder einem Prozess durch und liefert messbare Ergebnisse innerhalb von 8 bis 12 Wochen. Der Sinn dieses Formats liegt nicht in der Geschwindigkeit an sich. Es erzeugt eine interne Referenz, die den Fall für die Skalierung weit besser macht als jede Anbieterpräsentation.

Die weitere Abfolge der Phasen beschreibt die Roadmap zur digitalen Transformation in der Fertigung. Wofür die erfassten Daten im gesamten Portfolio genutzt werden, zeigen 13 Industrie-4.0-Anwendungsfälle mit echten Ergebnissen.

Häufig gestellte Fragen