Ausgangslage

Der Kunde produzierte CNC-gesteuerte Komponenten für die Automobilindustrie. Die Fertigung lief in zwei Schichten, doch die Sichtbarkeit auf den Maschinenstatus war fragmentiert.

Schmerzpunkte:

  • Ungeplante Stillstände von durchschnittlich 12 Stunden pro Woche.
  • Manuelle Erfassung der Maschinendaten durch Schichtführer.
  • Fehlende Echtzeit-Alarmierung bei Abweichungen in der Prozesskette.

Die IT-Abteilung verfügte über keine zentrale Überwachung der Produktionsumgebung. Fehler wurden oft erst bemerkt, wenn ein ganzer Chargenblock verspätet war. Die Geschäftsführung verlangte eine datenbasierte Transparenz, um die OEE (Overall Equipment Effectiveness) zu steigern.

Umsetzung

Wir implementierten ein dezentrales Monitoring-System, das direkt an den Maschinen-PLCs anbindet. Der Fokus lag auf der Low-Latency-Erfassung von Sensor- und Statusdaten.

Technischer Stack:

  • Prometheus: Zentrale Metrik-Sammlung und Alerting-Logik.
  • Grafana: Visualisierung der Echtzeit-Daten für Shopfloor und Management.
  • Node-Exporter: Custom Agents für die Kommunikation mit den CNC-Steuerungen.

Projektverlauf:

  1. Woche 1-2: Analyse der Maschinenarchitektur und Definition der kritischen Metriken (Spindelbelastung, Temperatur, Status).
  2. Woche 3-4: Deployment der Prometheus-Instanzen im lokalen Netzwerk und Konfiguration der Scrape-Jobs.
  3. Woche 5: Entwicklung der Grafana-Dashboards mit Fokus auf OEE-Kennzahlen.
  4. Woche 6: Einrichtung von Alerting-Routen (E-Mail und SMS) für kritische Fehlerzustände.

Die Lösung läuft vollständig on-premise, um die Datenhoheit zu wahren und Latenzen zu minimieren. Die IT-Sicherheit wurde durch Netzwerksegmentierung und verschlüsselte Kommunikation sichergestellt.

Ergebnis

Nach der vollständigen Integration waren die Auswirkungen auf die Produktionskennzahlen messbar. Die Reaktionszeit auf Störungen sank drastisch.

Kern-KPIs nach 6 Monaten:

  • 40 % Reduktion der ungeplanten Stillstandzeit.
  • 25 % Anstieg der OEE-Werte in den kritischen Fertigungslinien.
  • Echtzeit-Transparenz über den Status aller 24 produzierenden Maschinen.

Die Schichtübergaben wurden von 30 auf 10 Minuten verkürzt, da die relevanten Daten nun digital verfügbar waren. Die Geschäftsführung erhielt wöchentliche Reports direkt aus dem Grafana-System. Die Investition amortisierte sich innerhalb des ersten Quartals durch vermiedene Verspätungsstrafen und höhere Durchlaufmengen.

Learnings

Der Erfolg lag in der engen Zusammenarbeit zwischen IT und Produktion. Technische Metriken müssen in betriebswirtschaftliche Sprache übersetzt werden.

Wichtige Erkenntnisse:

  • Schulung: Die Akzeptanz der Schichtführer war entscheidend. Kurze Schulungen zu den Dashboards erhöhten die Nutzungsrate.
  • Datenqualität: Nur saubere Daten liefern verwertbare Insights. Wir investierten Zeit in die Validierung der Sensorwerte.
  • Skalierbarkeit: Das Prometheus-Setup ist modular aufgebaut und lässt sich leicht auf neue Maschinenlinien erweitern.

Für den Kunden war das Projekt der erste Schritt zu einer datengetriebenen Fertigung. Die Basis für weitere KI-gestützte Predictive Maintenance Ansätze ist nun gelegt.

Ergebnisse

  • -40 % – Ungeplante Stillstandzeit
  • +25 % – OEE-Werte
  • 10 Min – Dauer der Schichtübergabe
  • 6 Wochen – Gesamtdauer der Implementierung

Passend dazu