Die Datenlandschaft in der Produktion kartieren: Quellen, Systeme und Silos

# Die Datenlandschaft in der Produktion kartieren: Quellen, Systeme und Silos

Ein einzelner Fertigungsauftrag über 500 Turbinenhalterungen kann mehr als ein Dutzend verschiedene Datenspuren erzeugen, bevor das Teil das Werk verlässt: eine speicherprogrammierbare Steuerung (SPS), die alle 100 Millisekunden die Spindeldrehzahl protokolliert, ein Historian, der Temperaturkurven archiviert, ein Qualitätssystem, das eine MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßabweichung meldet, und ein Wartungsticket, das drei Tage später ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen →öffnet wird, als dieselbe Maschine auffällig vibriert. Der größte Teil dieser Daten spricht nie mit dem Rest. Das ist das Silo-Problem, und es ist der wichtigste Grund, warum Hersteller sich schwertun, aus „wir haben viele Daten“ ein „wir treffen bessere Entscheidungen“ zu machen.

Diese Lektion zeigt, woher die Daten kommen, wo sie hängen bleiben und wie Sie messen, ob Ihre Datenbasis tatsächlich nutzbar ist.

Ein Fertigungsauftrag durch das Werk verfolgt

Start ist der Auftrag: 500 Halterungen bis Freitag.

• SPS (speicherprogrammierbare Steuerung, PLC): der Industrierechner, der die Werkzeugmaschine steuert. ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → protokolliert Sollwerte, Ist-Drehzahlen und Fehlercodes in Echtzeit.
• Historian: eine Zeitreihendatenbank (Beispiele: OSIsoft PI, heute Teil von AVEVA; Honeywell PHD), die Sensor- und SPS-Daten über Monate oder Jahre archiviert, genutzt für Trendanalysen und Fehlersuche.
• MES (Manufacturing Execution System): verfolgt den Fertigungsauftrag selbst, Taktzeiten, Werkerzuordnungen und Ausschussmengen in der Fertigung.
• LIMS (Laboratory Information Management System): erfasst Prüfergebnisse, wenn die Halterungen eine Material- oder MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßprüfung im Labor brauchen.
• QMS (Qualitätsmanagementsystem): protokolliert Prüfungen, Abweichungen und Korrekturmaßnahmen (CAPA, Corrective and Preventive Action) mit Bezug zu Branchenstandards wie ISO 9001.
• CMMS (Computerized Maintenance Management System): erfasst das Wartungsticket, verwendete Teile und Technikernotizen, wenn diese Maschine zu vibrieren beginnt.
• ERP (Enterprise Resource Planning): das führende System für Auftrag, Kosten, Lagerabgang und Kundenzusage (Beispiele: SAP, Oracle, Microsoft Dynamics).

Sieben Systeme, ein physisches Teilelos. Jedes System wurde zu einem anderen Zeitpunkt gekauft, von einer anderen Abteilung, oft von einem anderen Anbieter, ohne gemeinsames Datenmodell. So entstehen Silos, nicht durch Nachlässigkeit, sondern durch Jahre nachvollziehbarer lokaler Entscheidungen.

Wo der Wert verloren geht

Silos kosten auf drei konkrete Weisen Geld.

1. Ursachenanalyse dauert Tage statt Minuten.

Wenn die vibrierende Maschine den MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßfehler verursacht hat, muss jemand den Zeitstempel des CMMS-Tickets manuell mit dem Vibrationstrend im Historian und dem Abweichungsprotokoll im QMS abgleichen. Wenn diese Systeme keine gemeinsame Asset-ID oder kein gemeinsames Zeitstempelformat haben, kostet diese Korrelation einen Ingenieur einen ganzen Tag Tabellenarbeit. Multipliziert mit Hunderten Fehlern pro Jahr.

2. Maschinendaten erreichen nie die Menschen, die handeln könnten.

Eine SPS erzeugt vielleicht tausende Datenpunkte pro Minute, aber wenn der Historian auf einen Messwert pro Minute heruntersampelt und niemand sie in ein Predictive-Maintenance-Modell einspeist, zahlt das Werk für Sensoren, die es nicht nutzt. Branchenumfragen (McKinsey, Manufacturing analytics research) schätzen seit langem, dass ein Großteil der in Fabriken erzeugten Industriedaten nie analysiert wird. Behandeln Sie das als Richtwert, nicht als präzise Zahl, aber die Richtung ist gut belegt.

3. Doppelte und widersprüchliche Stammdaten.

Dieselbe Maschine heißt im CMMS vielleicht „CNC-04“, im MES „Line3-Mill2“ und im Historian trägt sie eine anonyme Tag-Nummer. Ohne gemeinsame Asset-Hierarchie erfordert das Zusammenführen dieser Datensätze manuelle Mapping-Tabellen, die jedes Mal brechen, wenn jemand ein Asset umbenennt.

Die Kerndatensätze, auf die es ankommt

Statt jedes System beherrschen zu wollen, konzentrieren Sie sich auf fünf Datenkategorien, die branchenweit wiederkehren:

| Datenkategorie | Typische Quelle | Aktualisierungsfrequenz | Hauptnutzen |

|---|---|---|---|

| Maschinen-/Prozessdaten | SPS, SCADA (Supervisory Control and Data Acquisition), Historian | Sekundenbruchteile bis Minuten | Prozesssteuerung, Predictive Maintenance |

| Qualitäts-/Prüfdaten | QMS, LIMS | Pro Charge/Los | Compliance, Fehlerverfolgung |

| Wartungsdaten | CMMS | Pro Ereignis | Anlagenzuverlässigkeit, Ersatzteilplanung |

| Produktions-/Auftragsdaten | MES, ERP | Pro Schicht/Auftrag | Durchsatz, Kalkulation, Planung |

| Supply-Chain-Daten | ERP, EDI-Feeds (Electronic Data Interchange) von Lieferanten | Täglich/pro Lieferung | Bestand, Traceability |

Traceability über diese fünf Kategorien, also die Frage beantworten zu kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen „welches Rohmateriallos landete in welchem Endprodukt, auf welcher Maschine gefertigt, von wem geprüft“, ist das wertvollste Integrationsergebnis in der regulierten Produktion (Luftfahrt, Medizintechnik, sicherheitsrelevante Automobilkomponenten).

Datenqualitätsmetriken, die hier wirklich zählen

Generische Datenqualitäts-Frameworks sprechen von Genauigkeit, Vollständigkeit und Aktualität. In der Produktion übersetzen Sie das in konkrete, prüfbare Metriken:

• Sensor-Uptime / Datenvollständigkeitsrate: Anteil der erwarteten Zeitreihenmesswerte, die tatsächlich erfasst wurden. Ein Historian-Tag mit 60 % Vollständigkeit wegen Netzwerkausfällen liefert irreführende Trendanalysen.
• Stammdaten-Match-Rate: Anteil der Asset-IDs, die über zwei oder mehr Systeme hinweg identisch auflösen (z. B. CMMS vs. Historian). Unterhalb von etwa 90 Prozent (eine häufig genannte praktische Schwelle, als Schätzung zu behandeln) wird systemübergreifende Analytik unzuverlässig.
• Time-to-reconcile: wie lange ein Qualitätsingenieur braucht, um einen Fehler auf seine Prozessbedingungen zurückzuführen. Das ist eine Proxy-Metrik für die Schwere der Silobildung, kein formaler Branchen-Benchmark, aber intern verfolgt zeigt sie, ob Integrationsinvestitionen wirken.
• Datenverzug beim First Pass Yield (FPY): die Verzögerung zwischen Produktion und dem Moment, in dem FPY (Anteil der auf Anhieb korrekt gefertigten Einheiten ohne Nacharbeit) für das Qualitätsteam sichtbar ist. Echtzeit-FPY-Dashboards werden in der Automobil- und Elektronikfertigung zunehmend Standard.

Ein Rechenbeispiel: Stammdaten-Match-Rate

Angenommen, ein Werk hat 200 registrierte Assets in seinem CMMS. Beim Abgleich mit der Tag-Liste des Historian haben nur 168 eine exakt übereinstimmende Kennung.

Match-Rate = 168 / 200 = 84 %

Diese 84 Prozent bedeuten, dass etwa 1 von 6 Assets nicht automatisch systemübergreifend verknüpft werden kann, was für jede systemübergreifende Abfrage mit diesen Assets manuelle Recherche erzwingt. Diesen Wert über 95 Prozent zu heben, ist ein realistisches, von MES-/Historian-Integrationsanbietern häufig genanntes Ziel und ein guter erster KPIKPIKey Performance Indicator, a measurable value that shows how effectively you're achieving a specific objective, tracked over time against a target.Vollständige Definition ansehen → (Key Performance IndicatorKey Performance IndicatorKey Performance Indicator, a measurable value that shows how effectively you're achieving a specific objective, tracked over time against a target.Vollständige Definition ansehen →) für jede Digitalisierungsinitiative, lange bevor in Advanced Analytics investiert wird.

Governance: wem gehört das Datenmodell

Datenqualitätsprobleme sind meist organisatorisch, nicht technisch. Eine praktikable Governance-Struktur für Produktionsdaten umfasst:

• Eine gemeinsame Asset-Hierarchie, oft nach dem Standard ISA-95 modelliert (ein internationaler Standard zur Integration von Unternehmens- und Steuerungssystemen), damit „CNC-04“ in jedem System dasselbe bedeutet.
• Einen Data Steward pro Domäne: jemand im Qualitätsbereich verantwortet die QMS-Datendefinitionen, jemand in der Instandhaltung die CMMS-Konventionen, und sie stimmen sich regelmäßig ab.
• Eine Single Source of Truth pro Datentyp: ERP ist das führende System für Kosten und Bestand; der Historian ist das führende System für Zeitreihen-Prozessdaten. Konflikte werden per Regel gelöst, nicht von dem, der am lautesten ruft.

Frameworks wie die Ressourcen der NIST Manufacturing Extension Partnership bieten kostenlose, praxisnahe Anleitungen für kleine und mittlere Hersteller, die mit dieser Governance-Arbeit beginnen, ohne ein großes Datenteam einzustellen.

🎬 [VIDEO: "How Industrial IoT and Data Historians Work Together" - youtube.com - suchen Sie nach aktuellen Erklärvideos von AVEVA oder Siemens zur Historian-Architektur und OT/IT-Datenintegration für einen visuellen Durchlauf, wie Sensordaten von der SPS zum Analytics-Dashboard fließen]

Ein einfaches technisches Snippet: Silos über einen gemeinsamen Key verbinden

Auch ohne vollständige Integrationsplattform beginnen Analysten oft damit, eine Join-Abfrage über exportierte CSVs mit gemeinsamem Zeitstempel und gemeinsamer Asset-ID zu schreiben:

SELECT
    h.asset_id,
    h.timestamp,
    h.vibration_reading,
    q.defect_code
FROM historian_export h
JOIN quality_export q
    ON h.asset_id = q.asset_id
    AND h.timestamp BETWEEN q.inspection_time - INTERVAL '2 hours'
                        AND q.inspection_time

Dieses Grundmuster, Maschinenzustandsdaten einem Qualitätsereignis innerhalb eines Zeitfensters zuzuordnen, ist der manuelle Vorläufer dessen, was Predictive-Maintenance-Plattformen automatisieren. Wer es versteht, stellt als nicht-technische Führungskraft schärfere Fragen an seine Datenteams: „Wie hoch ist unsere Asset-ID-Match-Rate?“ ist oft nützlicher als „KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen wir KI machen?“

Wichtigste Erkenntnisse

• Ein einzelner Fertigungsauftrag berührt viele Systeme (SPS, Historian, MES, LIMS, QMS, CMMS, ERP), und Silos entstehen naturgemäß, wenn diese über die Jahre unabhängig gekauft und verwaltet werden.
• Verfolgen Sie konkrete, prüfbare Datenqualitätsmetriken: Vollständigkeit der Sensordaten, Stammdaten-Match-Rate über Systeme hinweg und Time-to-reconcile von einem Fehler zur Ursache.
• Eine Stammdaten-Match-Rate unter etwa 90 bis 95 Prozent (Branchenschätzung, an den eigenen Systemen prüfen) signalisiert, dass systemübergreifende Analytik unzuverlässig sein wird.
• Governance, insbesondere eine gemeinsame Asset-Hierarchie (z. B. an ISA-95 ausgerichtet) und klare Data StewardshipData StewardshipA business-side owner responsible for the quality, consistency and appropriate use of data in their domain.Vollständige Definition ansehen →, behebt mehr Siloprobleme als neue Analytics-Tools.
• Bevor Sie in Predictive Maintenance oder KI investieren, stellen Sie sicher, dass die zugrunde liegenden Daten systemübergreifend tatsächlich verknüpft werden kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen: dieser Grundschritt entscheidet, ob Advanced Analytics überhaupt funktioniert.