1. Was ist OEE – Overall Equipment Effectiveness?
Die OEE (Overall Equipment Effectiveness) ist die wahre Anlagenverfügbarkeit. Sie erfasst sämtliche Verluste in drei Dimensionen:
Verfügbarkeitsgrad: Steht die Anlage, obwohl sie laufen sollte? Ursachen können Stillstände, Störungen, Rüst- oder Reinigungszeiten sein. Der Verfügbarkeitsgrad drückt aus, wie viel der geplanten Laufzeit die Anlage tatsächlich produziert.
Leistungsgrad: Wie viel produziert die Anlage im Verhältnis zur möglichen Maximalgeschwindigkeit? Häufig drehen Mitarbeiter aus gutem Glauben die Anlage auf 95 oder 90 Takte herunter – dabei entstehen 5–10 % Leistungsverluste, die mindestens genauso ins Gewicht fallen wie Stillstände.
Qualitätsgrad: NIO-Teile (Out-of-Spec) binden Maschinenkapazität, die unwiederbringlich verloren ist. Aus Anlagensicht ist jedes Ausschussteil ebenfalls ein OEE-Verlust.
Praxisbeispiel: Die Kaffeemaschine. Anhand einer Kaffeemaschine lässt sich das Prinzip anschaulich erklären: Trester wechseln = Stillstandszeit (Verfügbarkeit). Gespräch zwischen zwei Tassen = 10 Sekunden Wartezeit (Leistung). Tasse nicht richtig platziert = Kaffeepfütze (Qualität).
Die OEE ist vor allem deshalb so wertvoll, weil sie manipulationsfrei ist: Werden Verfügbarkeitsverluste nicht korrekt geloggt, erscheinen sie automatisch in anderen Bereichen. Sie schafft eine gemeinsame, unzweifelhafte Wahrheit für alle Beteiligten.
2. OEE erfassen – manuell vs. automatisiert
Manuelle Erfassung: Als Einstieg geeignet, da alle Mitarbeiter sich aktiv mit der Anlage auseinandersetzen. Nachteilig sind Ungenauigkeiten in der Zuordnung, mangelndes Vertrauen in die Aufzeichnung (z.B. durch händische Excel-Eingaben) sowie fehlende Auswertbarkeit in Echtzeit.
Automatisierte Erfassung: Für den Einsatz an mehreren Anlagen empfiehlt sich die automatisierte Signalerfassung direkt von der Maschine. Eine Operator-Schnittstelle erlaubt die Echtzeitdarstellung von Stückzahlen, Stillstandszeiten, Microstop-Häufigkeiten und OEE-Verläufen in Minutenauflösung – aufgeteilt nach Schichten.
Entscheidend: Die Daten müssen an die Mitarbeiter zurückgespiegelt werden. Nur wenn Operatoren dieselben Daten sehen wie das Management, entsteht eine gemeinsame Wahrheit – ohne dass Mitarbeiter die Möglichkeit haben, Daten zu manipulieren.
3. Klassisches OEE-Management & kontinuierliche Verbesserung
Auf Basis der erfassten OEE-Daten werden Verlustursachen in Pareto-Analysen priorisiert. Typische Folgeaktionen im Lean-Programm sind: wöchentliche und monatliche OEE-Gespräche, Rüstzeitworkshops (SMED), Abstimmung von Produktionsreihenfolgen mit der Disposition sowie Workshops zur Reduzierung von Reinigungszeiten.
4. KI zur OEE-Steigerung – Grundprinzip & Haltung
Künstliche Intelligenz wird in zwei Varianten eingesetzt:
- Machine Learning (ML): Supervised und Unsupervised Learning zur Mustererkennung in Zeitreihendaten.
- Large Language Models (LLM): Sprachbasierte KI für Analyse und Wissenstransfer (vergleichbar mit ChatGPT).
Wichtig: Das Ziel ist nicht die dunkle Fabrik. KI übernimmt repetitive, analytische Aufgaben und bereitet Entscheidungen vor – die eigentliche Entscheidung bleibt beim erfahrenen Mitarbeiter. Die Integration von Domainwissen der Belegschaft steht im Mittelpunkt.
5. ML-Anwendung: Anomalieerkennung in Produktionszeitreihen
Machine-Learning-Algorithmen überwachen kontinuierlich den Stückzahlverlauf und erkennen auffällige Muster, bevor eine Störung eintritt. Typische Anomalietypen: Punktanomalien (einzelne Ausreißer), Trendanomalien (langfristige Abweichungen), saisonale Anomalien (Abweichung von bekannten periodischen Mustern) und zufällige Schwankungen (erhöhtes Rauschen, das auf instabilen Anlagenlauf hinweist).
Frühwarnung verkürzt Mean Time to Repair (MTTR). Klassisch folgt auf ein Ereignis eine latente Phase (unentdeckt), dann Störwirkung, Analyse, Gegenmaßnahmen und Wiederanlauf. Durch KI-gestützte Anomalieerkennung kann die latente Phase deutlich verkürzt werden – im Idealfall wird bereits vor Eintreten der Störwirkung notifiziert. Notifikationen erfolgen per SMS, In-App-Nachricht oder E-Mail direkt an den verantwortlichen Instandhalter sowie als Hinweis auf dem Shopfloor-Board. Grundsatz: Der Wert einer Information über ein Problem verdirbt – je schneller reagiert wird, desto präziser die Diagnose.
6. Generative KI: Ursachen- & Maßnahmenvorschläge
Problem: Wissensverlust durch demografischen Wandel. Langjährige Instandhalter mit tiefem Anlagenwissen scheiden zunehmend aus (Altersgruppe 55–60 Jahre). Ihr Erfahrungswissen über Störursachen und Lösungen droht verloren zu gehen.
Lösung: KI-gestützte Wissenssicherung. Wenn Mitarbeiter Ursachen und Lösungen zu einer Störung in Freitext (oder per Spracheingabe) dokumentieren, aggregiert ein LLM diese Einträge: Gleichartige Ursachen werden zusammengefasst, Lösungsvorschläge zugeordnet und strukturiert dargestellt. Freitextprobleme wie Rechtschreibfehler, unterschiedliche Sprachen oder variierende Formulierungen werden durch das Sprachverständnis des Modells kompensiert.
Beispiel aus der Praxis: Eingaben wie „Luftfilter getauscht" und „Luftfilter mit Druckluft gereinigt" werden zur aggregierten Empfehlung zusammengefasst: „Überhitzung durch mangelnde Belüftung – Lüftung prüfen, Filter reinigen oder tauschen."
Gleichzeitig können automatisch erfasste Maschinendaten (z.B. Frequenzumrichter-Signale) direkt in die Störgrundlokalisierung einfließen, sodass Mitarbeiter weniger manuell eingeben müssen.
7. Generative KI: Konversationelle OEE-Analyse
Das zweite LLM-Anwendungsszenario ist ein konversationeller KI-Assistent, der Zugang zu den Echtzeitdaten der Anlagen hat. Mitarbeiter können im natürlichen Dialogformat Fragen stellen – ohne vordefinierte Analysepfade, z.B.: „Wie ist die aktuelle OEE der Linie X?" / „Wie viele Stillstände gab es gestern und wie lange dauerten sie?" / „Welches Produkt hatte gestern die beste OEE?" / „Was kann ich tun, um die Rüstzeit zu reduzieren?"
Vollständiger PDCA im Dialogmodus. Der Assistent unterstützt den gesamten PDCA-Zyklus: Daten abrufen, verstehen, Maßnahmen ableiten, Potenzial abschätzen. Beispiel: Die Frage nach dem Effekt einer 30 % Rüstzeitreduktion liefert eine automatische Neuberechnung der OEE – im gezeigten Beispiel ein Potenzial von +8,5 % OEE.
Technische Umsetzung & Datenschutz. Im vorgestellten System läuft das LLM (Llama 3.1 von Meta) auf eigenen Servern im Rechenzentrum Frankfurt. Produktionsdaten verlassen damit nicht das Unternehmen – kein Transfer zu externen Cloud-Diensten.
Fazit
KI – ob Machine Learning oder Large Language Models – ist kein Ersatz für Mitarbeiterwissen, sondern dessen Verstärker. Die vorgestellten Ansätze helfen, Störungen früher zu erkennen, Wissen zu konservieren und Analysen zu beschleunigen. Das Ergebnis: kürzere Stillstände, schnellere Reaktion und eine nachhaltig steigende OEE.