Big Data Fertigung: Von den Daten zur Entscheidung, Beispiel

Was Big Data in der Fertigung bedeutet

Big Data in der Fertigung heißt, große und vielfältige Daten aus Maschinen, Qualität, Instandhaltung und Logistik zu nutzen, um Muster zu erkennen und Entscheidungen zu stützen. Der Wert liegt nicht in der Größe der Datenbank, sondern in der Frage, die sie beantwortet: Warum stand die Linie, wo entsteht Ausschuss, wann fällt die Maschine aus.

Üblich ist die Beschreibung mit den "Vs": Volume, Velocity, Variety, Veracity (Datenqualität) und Value. In der Fertigung wiegen Vielfalt und Datenqualität schwerer als die Menge.

Visuelle Übersicht Big Data in der Fertigung

Die Karte zeigt die Kette erfassen, speichern, analysieren und handeln, mit den Zahlen des Beispiels in diesem Beitrag.

Von den Daten zur Entscheidung: 4 Schritte

1. Erfassen: Sensoren, SPS, MES, ERP, Qualitätstabellen und manuelle Meldungen. Die Maschinenanbindung beschreibt Industrial IoT (IIoT).
2. Speichern: ein Historian für Zeitreihen, eine relationale Datenbank für Transaktionen und bei hoher Vielfalt ein Data Lake für Rohdaten.
3. Analysieren: von deskriptiv ("was ist passiert") über diagnostisch ("warum") und prädiktiv ("was wird passieren") bis präskriptiv ("was ist zu tun").
4. Handeln: Alarm, Instandhaltungsauftrag, Parameteränderung oder neuer Standard. Ohne Handeln ist die Analyse nur ein Bericht.

Beispiel 1: Wie viele Daten eine Linie erzeugt

Angenommen, 50 Sensoren messen einmal pro Sekunde, mit 16 Byte pro Messwert (Wert, Zeitstempel und Messstellen-ID, eine Annahme des Beispiels).

Das Ergebnis überrascht: 25,2 GB pro Jahr und Maschine passen auf einen normalen Server. Für 20 Maschinen sind es etwa 504,6 GB pro Jahr, noch gut beherrschbar. Langsame Signale nur einmal pro Minute zu speichern senkt das Volumen um den Faktor 60, ohne Wichtiges zu verlieren.

Tagesvolumen = Sensoren × Messwerte pro Sekunde × 86.400 × Byte pro Messwert = 50 × 1 × 86.400 × 16 = 69,12 MB

Die Lehre: Berechnen Sie Ihr eigenes Volumen, bevor Sie eine "Big-Data"-Plattform kaufen. Viele Werke brauchen saubere, eindeutig zugeordnete Daten, keine Petabytes.

Beispiel 2: Von Stillstandsdaten zur Entscheidung

Fiktives Beispiel: Die automatische Stillstandserfassung einer Fertigungszelle ergab in einem Monat 900 Minuten.

Kontrolle: 310 + 240 + 150 + 120 + 80 = 900. Anteile: 310 ÷ 900 = 34,4 %; 240 ÷ 900 = 26,7 %; 150 ÷ 900 = 16,7 %; 120 ÷ 900 = 13,3 %; 80 ÷ 900 = 8,9 %. Die beiden größten Ursachen ergeben 550 Minuten, also 61,1 % der Stillstände.

Die Entscheidung folgt aus den Daten: zuerst Materialmangel (Bereitstellung, Kanban) und Werkzeugwechsel angehen. Das ist die Logik des Pareto-Diagramms; Big Data hat nur die Erfassung automatisiert. Die Wirkung zeigt sich später in der OEE.

Data Warehouse oder Data Lake?

Viele Werke kombinieren beides: Rohdaten im Lake, aufbereitete Kennzahlen im Warehouse und am Ende eine Anzeige wie im Produktions-Dashboard.

Anwendungsfälle, die sich meist lohnen

• Predictive Maintenance: Schwingung und Temperatur zur frühen Ausfallerkennung (siehe KI in der vorausschauenden Instandhaltung).
• Qualität: Prozessparameter mit Fehlern verknüpfen und SPC in Echtzeit nutzen.
• Planung: Bedarf und Verbrauch aus Zeitreihen prognostizieren.
• Energie: Lastspitzen und verschwenderische Zeiten finden.
• Simulation: einen digitalen Zwilling mit echten Daten speisen.

Datenqualität: der eigentliche Engpass

• Eindeutige Kennung: gleiche Codes für Maschine, Produkt und Stillstandsgrund in allen Systemen.
• Synchronisierte Uhren: ohne korrekte Zeit lassen sich Maschinenereignisse nicht Chargen zuordnen.
• Standardisierte Stillstandsgründe: "Sonstige" darf nicht die zweitgrößte Kategorie sein.
• Datenverantwortlicher: eine Person je Datenquelle.

Beginnen Sie mit einem Problem, etwa dem Stillstand oben, und bauen Sie den ganzen Weg auf, wie in digitale Transformation in 5 Schritten.

Häufige Fehler

• Eine Plattform kaufen, bevor die Geschäftsfrage feststeht.
• Alles sammeln und nichts bereinigen.
• Sekundendaten speichern, wo Minutendaten genügen.
• Einen Bericht ohne Verantwortlichen für die Maßnahme liefern.
• Manuelle Meldungen und die Disziplin beim Ausfüllen ignorieren.
• Korrelation mit Ursache verwechseln: mit Test und mit der Werkstatt prüfen.

Häufige Fragen

Was ist Big Data in der Fertigung?

Die Nutzung großer, vielfältiger Daten aus Maschinen, Qualität, Instandhaltung und Logistik, um Muster zu erkennen und Produktionsentscheidungen zu stützen.

Was sind die Vs von Big Data?

Volume, Velocity, Variety, Veracity und Value. In der Fertigung wiegen Vielfalt und Datenqualität oft schwerer als die Menge.

Braucht mein Werk Big Data?

Nur wenn eine Frage offen ist, die die vorhandenen Daten nicht beantworten. Im Beispiel erzeugen 50 Sensoren je Maschine etwa 25,2 GB pro Jahr, was ein normaler Server schafft.

Was ist der Unterschied zwischen Big Data und Business Intelligence?

BI zeigt festgelegte Kennzahlen, meist aus strukturierten Daten. Big Data ergänzt vielfältige Quellen und explorative Analysen, etwa Vorhersagemodelle.

Wo fange ich an?

Wählen Sie ein messbares Problem wie Stillstand oder Ausschuss, verbinden Sie die nötigen Quellen, bereinigen Sie die Daten, analysieren Sie mit Pareto oder SPC und legen Sie eine Maßnahme mit Verantwortlichem fest.

Wie hängt das mit Industrie 4.0 zusammen?

Big Data macht aus den Daten von IIoT und MES Entscheidungen. Vernetzung ohne Analyse erzeugt nur Datenmenge.

Über den Autor

Vagner Soares

Spezialist für Lean Manufacturing und Verhaltensmanagement

Über 20 Jahre in der Automobil- und Metallindustrie (GM und Dana), Praktiker für Lean Manufacturing seit 2006. SENAI-Dozent und Mentor im brasilianischen Programm Brasil Mais Produtivo, mit Beratung, Schulung und Audits für über 50 Unternehmen. Er verbindet Qualität, Produktivität und Personalentwicklung.

LinkedInInstagramVollständiges Profil →