MES der nächsten Generation: Vom statischen Berichtswesen zu Maßnahmen in Echtzeit

Es ist ein Paradoxon, das jeder Führungskraft in der Fertigung nur allzu gut bekannt ist. Sie haben Sensoren an jeder Maschine und Protokolle für jede Schicht, doch wenn ein Engpass auftritt, müssen Sie oft immer noch verzweifelt nach der Ursache suchen. Sie versinken in Daten, doch es mangelt Ihnen an Transparenz.

Das Problem ist in der Regel nicht, dass die Daten nicht vorhanden sind. Das Problem ist vielmehr, wo sie sich befinden.

Seit Jahrzehnten verlässt sich die Branche auf Lösungen wie Fertigungssteuerungssysteme mit starren Architekturen, die eher wie Tresore als wie Werkzeuge funktionieren. Diese Systeme leisten gute Arbeit bei der Erfassung riesiger Datenmengen für Compliance- und Dokumentationszwecke, versagen jedoch dabei, diese Informationen den Mitarbeitern in der Produktion zugänglich zu machen, die sie benötigen. Sie schaffen Datensilos, in denen man für eine einfache Antwort ein komplexes Integrationsprojekt, ein externes Business-Intelligence-Tool (BI) oder eine Anfrage an die IT-Abteilung benötigt – die unter Umständen erst nach Monaten beantwortet wird.

Hier muss sich die Diskussion ändern. Wir dürfen uns nicht länger mit statischen, veralteten Berichten zufrieden geben, sondern müssen echte, umsetzbare Erkenntnisse einfordern. In diesem Beitrag werden wir untersuchen, wie fortschrittliche Analysen in einer MES konkret aussehen und worauf Sie bei der Bewertung der Analysefunktionen verschiedener Anbieter achten sollten.

Eine der größten Ursachen für Verwirrung auf dem Markt ist, dass Anbieter die Begriffe „Berichterstattung“ und „Analytik“ oft synonym verwenden. Dabei handelt es sich nicht um dasselbe.

Die Berichterstellung ist historisch ausgerichtet. Sie erstellt eine Aufzeichnung dessen, was während der letzten Schicht, am letzten Tag oder im letzten Quartal geschehen ist. Traditionelle MES wie Siemens oder Rockwell wurden genau für diesen Zweck entwickelt. Sie sind hervorragend darin, Transaktionen zu protokollieren und am Monatsende ein PDF zu erstellen, um die Einhaltung der Vorschriften nachzuweisen. Das ist eine nützliche und notwendige Funktion, aber es handelt sich dabei nicht um Analytik.

Analytik ist vorausschauend und umsetzbar. Sie hält nicht nur die Vergangenheit fest, sondern wertet Live-Daten aus, um die Gegenwart zu beeinflussen.

Der Unterschied zwischen diesen beiden Konzepten liegt in der Regel in der Zugänglichkeit. In einer herkömmlichen monolithischen Architektur Produktionsdaten Ihre Produktionsdaten in komplexen Datenbanken eingeschlossen. Wenn ein Prozessingenieur eine neue Kennzahl visualisieren oder die Temperatur mit der Ausbeute in Zusammenhang bringen möchte, kann er dies nicht einfach selbst umsetzen.

Stattdessen müssen sie ein Ticket bei der IT-Abteilung einreichen. Möglicherweise müssen sie einen Datenwissenschaftler beauftragen, um die Daten aufzubereiten, oder für eine teure Integration mit einem BI-Tool bezahlen. Dadurch entsteht ein Engpass, bei dem diejenigen, die den Prozess verstehen, von den Daten abgeschnitten sind, die sie zur Verbesserung des Prozesses benötigen.

Das Ergebnis ist eine Verzögerung, die sich moderne Betriebe nicht leisten können. Bis Sie das dashboard erhalten, hat die Anomalie, die damit eigentlich hätte erkannt werden sollen, bereits zu Ausschuss oder Ausfallzeiten geführt. Sie reagieren auf Probleme, die bereits Schaden angerichtet haben, anstatt sie zu verhindern, solange die Anlage noch läuft.

Wenn man zehn verschiedene Anbieter fragt, was „Advanced Analytics“ bedeutet, erhält man zehn verschiedene Antworten. Meistens sprechen sie von komplexen Algorithmen oder großen Data Lakes. Für die Mitarbeiter, die die Anlage tatsächlich betreiben, sollte die Definition jedoch viel einfacher sein.

Bei der fortgeschrittenen Analytik geht es nicht darum, wie viele Daten man speichern kann. Es geht darum, wie schnell man darauf reagieren kann.

Wir müssen unseren Fokus von passiver Sichtbarkeit auf aktive Auslöser verlagern. In einer Umgebung der nächsten Generation dashboard ein dashboard nicht nur eine Anzeige. Es ist ein Input für Ihren Arbeitsablauf.

Wenn eine wichtige Kennzahl abweicht – beispielsweise ein plötzlicher Rückgang der Erstausbeute–, sollte das System dies nicht nur für die morgendliche Besprechung protokollieren. Es sollte sofort den Vorgesetzten benachrichtigen oder einen spezifischen Workflow zur Qualitätsprüfung für den Bediener an dieser Station auslösen. Das Ziel ist es, sofort eine Verbesserung herbeizuführen, und nicht nur einen Fehler für später zu dokumentieren.

Ein solcher Grad an Umsetzbarkeit erfordert Kontext, den herkömmliche Maschinenüberwachung einfach nicht bieten kann.

Ältere MES behandeln Maschinen und Menschen oft als getrennte Einheiten. Sie können zwar genau angeben, wann eine Spindel aufgehört hat, sich zu drehen, haben jedoch keinen Überblick darüber, was um sie herum geschah. Hat der Bediener gerade ein Werkzeug gewechselt? Hat er auf Material gewartet? Gab es einen Schichtwechsel?

Ohne diese menschliche Komponente sind Maschinendaten nichts weiter als Rauschen. Plattformen der nächsten Generation wie Tulip dieses Problem, indem sie Maschinenüberwachung IoT) mit menschlichen Daten kombinieren. Da der Bediener während der Arbeit mit einer App interagiert, erhalten Sie eine lückenlose Aufzeichnung darüber, wer was wann und warum getan hat. Sie können Maschinenalarme mit bestimmten Arbeitsschritten des Bedieners oder Materialchargen in Zusammenhang bringen. So erhalten Sie einen umfassenden Einblick in die Hintergründe Ihrer Gesamtanlageneffektivität und nicht nur die Endzahl.

Herkömmliche Systeme behandeln Analysen eher als Nebensache oder als separates Modul. Man hat das zentrale MES und darüber eine zusätzlich angehängte Berichtsebene. Deshalb bereitet das „Extrahieren der Daten“ so oft Kopfzerbrechen. Bei einer individuell gestaltbar wie Tulip ist die Architektur umgekehrt. Da die Apps die Datenquelle sind, ergeben sich daraus mehrere deutliche Vorteile:

• Die Analysen erfolgen nativ und in Echtzeit. Jedes Mal, wenn ein Mitarbeiter eine Arbeitsanweisung aufruft, einen Fehler protokolliert oder einen Schritt abschließt, stehen diese Daten sofort für die Analyse zur Verfügung. Es gibt keine ETL-Pipeline (Extraktion, Transformation und Laden), die ausfallen könnte, und keine komplexe Integrationsschicht, die konfiguriert werden muss.

• Der Datenzugriff wird demokratisiert. Im herkömmlichen Modell erfordert die Erfassung eines neuen KPI oft ein Anforderungsdokument und eine lange Wartezeit auf die IT-Abteilung. Bei einem plattformbasierten Ansatz ist der Ingenieur, der für den Prozess verantwortlich ist, auch für die Auswertung zuständig. Mithilfe einer Drag-and-Drop-Oberfläche können Sie innerhalb weniger Minuten Diagramme erstellen, ohne SQL-Kenntnisse zu benötigen oder ein Support-Ticket eröffnen zu müssen.

• Agilität wird zum Standard. Die Änderung eines Berichts in einem Altsystem kann sich manchmal wie ein komplexes Projekt anfühlen. Mit einer individuell gestaltbar ist dies lediglich Teil Ihrer täglichen kontinuierlicher Verbesserungsprozess im Rahmen kontinuierlicher Verbesserungsprozess . Sie können Ihre Dashboards genauso schnell anpassen wie Ihre Produktionsprozesse.

Dies steht in krassem Gegensatz zu dem hohen Aufwand, den etablierte Unternehmen aufbringen müssen. Wenn man die Reibungsverluste zwischen Datenerfassung und Datenvisualisierung beseitigt, betrachtet man die Analytik nicht mehr als ein periodisches Projekt, sondern als einen kontinuierlichen operativen Hebel.

Wenn Sie ein neues System evaluieren, lässt man sich in einer Demo leicht von auffälligen Dashboards ablenken. Um jedoch tatsächlich die Leistung zu steigern, müssen Sie sich ansehen, wie diese Dashboards aufgebaut sind und woher die Daten stammen. Hier sind die Kernfunktionen, die ein veraltetes Berichtstool von einer modernen Analyseplattform unterscheiden.

Zentralisierte Betriebsdaten in Echtzeit

Die Hersteller wünschen sich eine einheitliche Datenbasis für Maschinen, Mitarbeiter und Prozesse, damit sie schnell einen Überblick darüber gewinnen können, was auf den einzelnen Linien, bei den einzelnen Produkten und in den einzelnen Schichten vor sich geht. Anstatt Tabellen aus verschiedenen Systemen zusammenzuführen, soll die Leistung an einem Ort dargestellt werden, auf die man sich verlassen kann.

In Tulip fließen Daten aus Betreiber-Apps, Maschinen und unseren integrierten Datentabellen alle in dieselbe Analyseebene ein. Das bedeutet, dass Fertigstellungen, Checklisten, Qualitätsprüfungen sowie Maschinenzustände oder -zählungen gemeinsam in den von Ihnen erstellten Diagrammen angezeigt werden. Sie wählen einfach aus, welche Apps oder Maschinen für Sie von Interesse sind, und Tulip Ihnen, diese kombinierten Daten nach Kriterien wie Produkt, Schicht oder Station aufzuschlüsseln – ganz ohne manuelle Datenaufbereitung.

No-Code-Analysen für Produktions-KPIs

Die meisten Betriebe haben damit zu kämpfen, dass für aussagekräftige Berichte entweder jemand mit BI-Kenntnissen oder IT-Unterstützung benötigt wird, sodass die Teams an der Basis Tage oder Wochen warten müssen, bis sie neue Einblicke in ihre KPIs erhalten. Das angestrebte Ziel ist es, dass Produktions- und CI-Verantwortliche ihre eigenen Dashboards für Durchsatz, Ausbeute und Ausfallzeiten erstellen und anpassen können.

In Tulip werden Analysen mithilfe unseres visuellen Editors erstellt, in dem die Benutzer ihre Datenquelle, Filter (zum Beispiel „Linie 1, letzte 7 Tage“) und die gewünschte Gruppierung der Ergebnisse (nach Stunde, Schicht, Produkt, Bediener) auswählen. Gängige Berechnungen in der Fertigung wie Stückzahlen, Durchschnittswerte und Raten werden über Dropdown-Menüs statt über Code konfiguriert. So können Vorgesetzte innerhalb weniger Minuten selbst Diagramme erstellen oder anpassen, um beispielsweise Trends bei den Zykluszeiten nach SKU oder die Erstausbeute nach Schicht zu verfolgen.

Native Maschinenanalytik und Gesamtanlageneffektivität (OEE)

In Werken werden Maschinendaten oft als eigenständiges Projekt behandelt, mit Historien und maßgeschneiderten Berichten, die selten mit dem übereinstimmen, was Bediener und Ingenieure in ihrer täglichen Arbeit sehen. Was wirklich Anklang findet, ist die schnelle Bereitstellung von Standardkennzahlen wie Gesamtanlageneffektivität (OEE) der Ausfallzeitanalyse – und zwar ohne aufwendiges IT-Projekt.

Sobald Maschinen in Tulip verbunden sind und Basissignale (wie „in Betrieb“, „Leerlauf“, „gestoppt“ und Zählwerte) senden, stellt die Plattform vorgefertigte Analysen bereit, um Gesamtanlageneffektivität (OEE) und damit verbundene Kennzahlen im Zeitverlauf zu berechnen. Diese Diagramme können Gesamtanlageneffektivität (OEE) Stunde, Schicht oder Auftrag darstellen, zusammen mit einer Aufschlüsselung, wo Zeitverluste auftreten. Da diese Maschinendaten im selben System wie die Bediener-Apps gespeichert sind, können Sie Ausfallzeiten und Leistungskennzahlen direkt mit bestimmten Umrüstungen, Inspektionen oder Prozessschritten verknüpfen.

In Apps integrierte, rollenbasierte Analysen

Die Hersteller möchten, dass die KPIs dort sichtbar sind, wo die Arbeit stattfindet, und nicht in einem separaten Berichtsportal versteckt sind, das kaum jemand öffnet. Die Bediener benötigen einfache Echtzeit-Übersichten; Vorgesetzte und Ingenieure benötigen etwas detailliertere Aufschlüsselungen, die alle auf denselben zugrunde liegenden Daten basieren.

In Tulip lassen sich die von Ihnen erstellten Analysen direkt in die Apps integrieren, die Bediener und Führungskräfte in der Fertigung nutzen. Ein Bediener kann beispielsweise direkt auf dem Bildschirm mit der Arbeitsanweisung den aktuellen Takt im Vergleich zum Sollwert, den Arbeitsbestand (WIP) und den Ausschuss für den aktuellen Auftrag einsehen. Ein Vorgesetzter, der eine andere App nutzt, sieht möglicherweise ein dashboard mehreren Arbeitsplätzen und der Möglichkeit, nach Schicht oder Produkt zu filtern. So haben alle Zugriff auf dieselben Daten, jedoch mit dem Detaillierungsgrad und dem Kontext, der ihrer jeweiligen Rolle entspricht.

KI-gestützte Erkenntnisse und ML-basierte Prognosen

Teams wissen oft, dass ihre Daten Hinweise enthalten, haben jedoch weder die Zeit noch das Fachwissen, um diese aufzuspüren – insbesondere wenn es darum geht, Muster zu erkennen oder Probleme vorherzusagen. Eine überzeugende Idee besteht darin, den Mitarbeitern die Möglichkeit zu geben, ihren Daten in natürlicher Sprache „Fragen zu stellen“ und dafür aussagekräftige, umsetzbare Erkenntnisse zu erhalten.

In Tulip können KI-Funktionen die in Tulip gespeicherten Daten auswerten und Nutzern dabei helfen, Analysen zu erstellen, indem sie beschreiben, was sie sehen möchten, beispielsweise „Fehlerquote nach Produkt im letzten Monat anzeigen“. Das System kann Diagramme vorschlagen oder Trends hervorheben, ohne dass der Nutzer jeden Schritt von Grund auf neu erstellen muss. Bei zeitbasierten Kennzahlen wie Durchsatz oder Fehlerquote Tulip einfache Prognoselinien hinzufügen, die voraussichtliche zukünftige Werte anzeigen. So können Planer und CI-Verantwortliche Probleme früh genug erkennen, um Zeitpläne, Personalbesetzung oder Prozesse anzupassen, bevor die Leistung nachlässt.

Letztendlich geht es darum, bessere Entscheidungen zu treffen – und nicht nur bessere Diagramme zu erstellen. Wenn Sie die richtigen Daten denjenigen zur Verfügung stellen, die darauf reagieren können, verwandeln Sie die Analytik von einer lästigen Berichtspflicht in einen Wettbewerbsvorteil.

Der Unterschied zwischen theoretischen Möglichkeiten und den tatsächlichen Auswirkungen wird am deutlichsten, wenn man sich ansieht, wie Hersteller diese Werkzeuge in der Praxis einsetzen.

Ein führender Hersteller von Energiespeichersystemen mit langer Speicherdauer liefert ein perfektes Beispiel für diesen Wandel von der „herkömmlichen Berichterstattung“ hin zu „Echtzeitmaßnahmen“.

Bevor dieser Hersteller einen individuell gestaltbar einführte, steckte er genau in der „Analyselücke“, die wir zuvor beschrieben haben. Seine entscheidenden Qualitätsdaten waren auf Papier festgehalten. Die Ingenieure verbrachten jede Woche Stunden damit, Hunderte von handschriftlichen Drucktestergebnissen zu entziffern. Das war nicht nur ineffizient, sondern schuf auch einen gefährlichen blinden Fleck. Wenn eine Maschine mitten in der Schicht begann, von den Spezifikationen abzuweichen, lagen die Daten zwar vor, aber es fehlte die Transparenz. Das Problem wurde erst Stunden später entdeckt, nachdem die Ingenieure die Protokolle entziffert hatten – oft erst, nachdem die fehlerhaften Teile bereits hergestellt worden waren.

Durch die Umstellung auf Tulip haben sie die Lücke zwischen dem Bediener und den Daten geschlossen. Sie haben die Notizblöcke durch eine App ersetzt, die die Ergebnisse der Druckprüfungen sofort erfasst und mit dem serialisierten QR-Code des Produkts verknüpft. Da die App die Datenquelle ist, erfolgen die Auswertungen direkt und in Echtzeit. Es muss nicht mehr auf einen Bericht am Schichtende gewartet werden.

Diese Umstellung hat die „aktiven Auslöser“ freigeschaltet, die die Analytik der nächsten Generation ausmachen. Wenn nun ein kritisches Maschinenereignis oder ein Qualitätsfehler auftritt, protokolliert das System diesen nicht einfach nur in einer Datenbank. Es löst vielmehr einen automatisierten Prozess aus, der eine Warnmeldung in einem gemeinsamen Microsoft -Kanal veröffentlicht. Dadurch werden sofort die richtigen Techniker an die Produktionslinie gerufen, sodass sie Probleme bereits innerhalb von nur 20 Minuten diagnostizieren und beheben können.

Sie sind von einem System, das Störungen erst Tage später dokumentierte, zu einem System übergegangen, das dabei hilft, diese innerhalb von Minuten zu verhindern. Das ist die Stärke der Demokratisierung: Wenn man den Mitarbeitern an der Produktionsfront die Werkzeuge an die Hand gibt, um ihre eigenen Daten zu erfassen und darauf zu reagieren, reagiert man nicht mehr nur auf vergangene Ereignisse, sondern beginnt, die Leistung aktiv zu steuern.

Die Zeiten, in denen man sich bei der Steuerung dynamischer Abläufe auf statische PDF-Berichte verlassen musste, sind vorbei. Das Tempo der modernen Fertigung erfordert schnellere, flexiblere und leichter zugängliche Lösungen. Bei MES der nächsten Generation geht es nicht darum, mehr Datenwissenschaftler einzustellen oder größere Data Lakes aufzubauen. Es geht vielmehr darum, die Barrieren zwischen den Mitarbeitern, die die Arbeit ausführen, und den von ihnen generierten Daten abzubauen.

Schauen Sie sich Ihre derzeitigen Systeme einmal genau an. Liefern sie Ihnen einen „Bericht“ darüber, was gestern schiefgelaufen ist, oder bieten sie Ihnen die „Analysen“, mit denen Sie die aktuellen Probleme beheben können?

Wenn Sie immer noch tagelang auf Antworten warten müssen, die eigentlich nur Sekunden dauern sollten, ist es an der Zeit, Ihre Architektur zu überdenken. Wenden Sie sich noch heute an ein Mitglied unseres Teams, um zu erfahren, wie Tulip Ihnen dabei helfen Tulip , in allen Bereichen Ihres Betriebs Maßnahmen in Echtzeit zu ergreifen!