Manufacturing Intelligence: von isolierten Datenpunkten zu klaren Entscheidungen.

Manufacturing Intelligence bezeichnet die Zusammenführung und Auswertung von Produktions-, Qualitäts- und Planungsdaten zu einem gemeinsamen Gesamtbild. Daten aus MES, ERP, Messtechnik und Excel-Listen werden verknüpft, sodass Kennzahlen wie OEE, Ausschussquote oder Prozessfähigkeit laufend sichtbar werden. Ziel ist Transparenz in der Fertigung als Grundlage für eine datengetriebene Produktion: schnellere Entscheidungen, weniger Stillstände, stabilere Qualität. metrologx bindet dafür vorhandene Datenquellen an, statt bestehende Systeme zu ersetzen.

Ein MES (Manufacturing Execution System) steuert und überwacht die Produktion auf Shopfloor-Ebene: Aufträge, Maschinenzustände, Mengen, Zeiten und Qualitätsdaten in Echtzeit. Der Unterschied zwischen MES und ERP liegt in Zeithorizont und Detailtiefe. Das ERP plant Aufträge, Material und Kapazitäten über Tage und Wochen, das MES setzt diese Pläne im Minutentakt um und meldet den Ist-Zustand zurück. Bei der Auswahl einer MES-System-Software zählen offene Schnittstellen, modularer Aufbau und Betrieb als SaaS.

Der OEE (Overall Equipment Effectiveness, Gesamtanlageneffektivität) zeigt, welcher Anteil der geplanten Produktionszeit tatsächlich in Gutteile umgesetzt wird. Die OEE-Formel lautet: OEE = Verfügbarkeit x Leistung x Qualität. Die Verfügbarkeit erfasst Stillstände, die Leistung Geschwindigkeitsverluste, die Qualität Ausschuss und Nacharbeit. Ein OEE von 85 Prozent gilt als Spitzenwert, viele Fertigungen liegen deutlich darunter. Voraussetzung für einen belastbaren Wert ist eine automatische Maschinen- und Betriebsdatenerfassung statt geschätzter Zeiten.

Den OEE verbessern heißt, die drei Faktoren getrennt zu betrachten. Verfügbarkeitsverluste entstehen durch Rüstzeiten, Störungen und fehlendes Material, Leistungsverluste durch Kurzstillstände und reduzierte Taktzeiten, Qualitätsverluste durch Ausschuss und Nacharbeit. Der erste Schritt ist eine lückenlose Erfassung der Stillstandsgründe, denn ohne Ursachen lassen sich keine Maßnahmen ableiten. Ein Fertigungsdaten-Dashboard zeigt, welche Anlage, Schicht und Störung den größten Verlust verursacht. Die schnellsten Gewinne liegen meist bei Kurzstillständen und Rüstprozessen.

Die Betriebsdatenerfassung (BDE) erfasst auftragsbezogene Daten wie Stückzahlen, Zeiten, Personal und Störgründe, häufig über Rückmeldungen am Terminal. Die Maschinendatenerfassung (MDE) liest Zustände, Takte und Zähler direkt aus der Steuerung, also automatisch. In der Praxis greifen beide ineinander: Die MDE liefert die Rohdaten, die BDE den Auftragskontext. Eine Maschinendatenerfassungs-Software sollte Protokolle wie OPC UA unterstützen und ältere Anlagen über Signalabgriffe anbinden können. Erst beide Quellen zusammen ergeben einen belastbaren OEE.

Ein Fertigungsdaten-Dashboard sollte wenige, aber entscheidungsrelevante Kennzahlen zeigen. Zu den wichtigsten Qualitätskennzahlen in der Fertigung zählen Ausschuss- und Nacharbeitsquote, First Pass Yield, Prozessfähigkeitsindizes (Cp, Cpk), Reklamationsrate und offene Abweichungen. Auf Produktionsseite ergänzen OEE, Stillstandsgründe, Termintreue und Durchlaufzeit das Bild. Wer das Shopfloor Management digitalisieren will, ersetzt damit die Whiteboard-Runde durch aktuelle Daten. Entscheidend ist, dass jede Kennzahl eine klare Verantwortung und eine definierte Reaktion hat.

Statistische Prozesslenkung (Statistical Process Control, SPC) überwacht Fertigungsprozesse anhand von Stichproben und statistischen Kenngrößen, um Abweichungen zu erkennen, bevor fehlerhafte Teile entstehen. Kernwerkzeug ist die SPC-Regelkarte: Messwerte werden über die Zeit aufgetragen und mit Eingriffsgrenzen verglichen, die aus der natürlichen Streuung des Prozesses berechnet werden. Verletzt ein Wert die Grenzen oder zeigt sich ein Trend, wird eingegriffen. Eine SPC-Software automatisiert Regelkarten, Fähigkeitsindizes und Alarme.

Die Prozessfähigkeit beschreibt, wie zuverlässig ein Prozess innerhalb der vorgegebenen Toleranzen produziert. Der Cp-Wert setzt die Toleranzbreite ins Verhältnis zur Prozessstreuung, der Cpk-Wert berücksichtigt zusätzlich die Lage des Mittelwerts. Den Cpk-Wert berechnen Sie als Minimum aus (OGW minus Mittelwert) / (3 Sigma) und (Mittelwert minus UGW) / (3 Sigma). In der Automobilindustrie wird meist ein Cpk von mindestens 1,33 gefordert, für kritische Merkmale 1,67. Eine Prozessfähigkeitsanalyse gehört zu Prozessfreigaben und Audits.

Der Unterschied zwischen Cpk und Ppk liegt in der Berechnung der Streuung. Der Cpk verwendet die kurzfristige Streuung innerhalb der Stichproben und beschreibt, was der Prozess unter stabilen Bedingungen leisten kann. Der Ppk nutzt die Gesamtstreuung über einen längeren Zeitraum, einschließlich Verschiebungen zwischen Chargen, Schichten oder Werkzeugen. Liegen beide nahe beieinander, ist der Prozess stabil. Ein deutlich niedrigerer Ppk deutet auf systematische Einflüsse hin, etwa Werkzeugverschleiß oder Temperaturdrift.

Ein CAQ-System (Computer Aided Quality) bündelt die Aufgaben des Qualitätsmanagements in einer Software: Prüfplanung, Wareneingangs- und Fertigungsprüfung, SPC, Reklamationsmanagement, Prüfmittelverwaltung und Dokumentation. Klassische CAQ-Software ist oft auf Großunternehmen ausgelegt und entsprechend aufwendig in Einführung und Lizenzkosten. Für den Mittelstand lohnt sich eine Qualitätsmanagement-Software für die Produktion vor allem, wenn Kunden auditfähige Nachweise verlangen oder Messdaten aus mehreren Systemen zusammenlaufen. Cloudbasierte Lösungen lassen sich schrittweise erweitern.

Messdatenmanagement bedeutet, alle Messdaten zentral zu verwalten: aus Koordinatenmessgeräten, Prüfstationen, Handmessmitteln und Lieferantenberichten, in einem einheitlichen Datenmodell mit Bezug zu Teil, Merkmal, Charge und Zeitpunkt. Excel stößt hier schnell an Grenzen: Messdaten aus verschiedenen Systemen zusammenzuführen ist manuell und fehleranfällig, Versionen laufen auseinander, Auswertungen sind nicht reproduzierbar, Audits verlangen eine lückenlose Historie. Wer Excel im Qualitätsmanagement ablösen will, braucht eine Software, die Daten automatisch importiert und Berichte erzeugt.

Um Daten eines Koordinatenmessgeräts automatisch auszuwerten, exportieren die Messprogramme ihre Ergebnisse in einem standardisierten Format, etwa Q-DAS, CSV oder XML. Eine Messdatenmanagement-Software liest diese Dateien automatisch ein, ordnet sie Teilen und Merkmalen zu und berechnet Statistik, Trends und Fähigkeitsindizes. So lässt sich ein Messprotokoll automatisch erstellen, inklusive Erstmusterprüfbericht nach VDA 2, PPAP-Dokumentation oder Nachweisen für ein VDA 6.3 Prozessaudit. Abweichungen fallen sofort auf, nicht erst beim Zusammenstellen des Berichts.

Die Messsystemanalyse (MSA) prüft, ob ein Messmittel und der zugehörige Messprozess genau genug sind, um die geforderte Toleranz zuverlässig zu bewerten. Verfahren 1 bewertet das Messgerät über die Kennwerte Cg und Cgk, Verfahren 2 die Wiederhol- und Vergleichspräzision unter Einfluss mehrerer Prüfer. Letzteres ist die Gage R&R-Auswertung: Sie zeigt, welcher Anteil der beobachteten Streuung aus dem Messsystem selbst stammt. Unter 10 Prozent gilt als geeignet, 10 bis 30 Prozent als bedingt geeignet.

Ein Kaufteilmaßaudit (KTMA) ist die systematische, wiederkehrende Überprüfung der Maßhaltigkeit zugekaufter Teile über die Wareneingangsprüfung hinaus. Statt nur bei Erstmustern oder Reklamationen zu messen, werden Kaufteile fortlaufend geprüft und die Ergebnisse je Lieferant und Merkmal statistisch ausgewertet. So lässt sich die Kaufteilqualität überwachen, bevor Abweichungen in der Montage auffallen. Wer die Lieferantenqualität überwachen und die Wareneingangsprüfung digitalisieren will, braucht zentral verfügbare Messdaten, automatische Auswertungen und auditfähige Reports.

Prozessabweichungen früh zu erkennen gelingt nur, wenn Messdaten zeitnah und automatisch ausgewertet werden, nicht erst am Schichtende. Die Basis ist automatisierte SPC: Regelkarten und Fähigkeitsindizes werden mit jedem neuen Messwert aktualisiert, Verletzungen der Eingriffsgrenzen lösen Alarme aus. Ergänzend erkennt eine Anomalieerkennung auf Produktionsdaten Muster, die feste Grenzwerte nicht abbilden, etwa schleichende Drift über mehrere Merkmale. So verkürzt sich die Zeit zwischen Abweichung und Reaktion deutlich, was Ausschuss und Reklamationen reduziert.