Smart Factory für FMCG Hersteller: Digitaler OEE und Shopfloor Management steigern die Performance

Teil 1: OEE & Manufacturing Intelligence

Jörn Steinbeck, oee.ai

Ausgangspunkt: Lean trifft Industrie 4.0

Laut einer BCG-Studie vereinen nur 5 % der Unternehmen hohen Lean-Reifegrad mit hoher Industrie-4.0-Reife. Genau dieser Bereich liefert die nächste Ebene operativer Exzellenz: Algorithmen schlagen Produktivitätspotenziale vor, Echtzeitdaten beschleunigen Entscheidungen, Sensoren optimieren Prozesse wie Rüstvorgänge, und Mitarbeiter werden gezielt eingebunden statt ersetzt.

OEE im FMCG-Kontext

OEE = Verfügbarkeit × Leistung × Qualität – alle drei als Prozentwerte. Im FMCG-Umfeld liegt der Fokus typischerweise auf Verfügbarkeit und Leistung, da der Qualitätsfaktor häufig bereits bei 98–99 % liegt. Verfügbarkeit und Leistung bewegen sich dagegen oft im 50–60-%-Bereich – dort liegt das größte Hebelpotenzial.

Besondere Situation: Leistungsfaktoren über 100 % (z.B. 114 %) zeigen nicht etwa Überdurchschnittlichkeit, sondern falsche Vorgabewerte aus der Arbeitsvorbereitung. Das System weist automatisch darauf hin – der erste Schritt jeder OEE-Optimierung ist die Bereinigung der Stammdaten.

Die drei Produktbausteine von oee.ai

NanoMES: Leichtgewichtiges Manufacturing Execution System, Plug & Play, Cloud-basiert (Server in Frankfurt, europäische Datenschutzrichtlinien), kein IT-Projekt erforderlich.

Reporting & Visualisierung: Echtzeit-Cockpits, Andon-Board, Industrial Smartwatch, konfigurierbare Widget-Oberflächen.

Advanced Analytics: Statistik und KI für Prognosen, Handlungsvorschläge und Anomalieerkennung.

Datenerfassung: Drei Wege

Direkte Anbindung: Anlage beherrscht OPC UA oder MQTT – geringer IT-Aufwand, keine zusätzliche Hardware.

IoT-Gateway: Eigene Hardware von oee.ai, benötigt Strom und überträgt per WLAN oder Mobilfunk. Über 80 % der Gateway-Kunden nutzen Mobilfunk, da stabiles Produktions-WLAN selten ist.

Hybrid: ERP/PPS liefert Fertigungsaufträge und Vorgabegeschwindigkeiten; Störgründe, die die Anlage nicht selbst kennen kann (Personalengpässe, fehlende Aufträge), werden über Tablets manuell erfasst.

Das zentrale Signal ist der Stückzahlvektor – wie viele Stück wurden in welchem Zeitinkrement produziert. Daraus berechnen sich Verfügbarkeit und Leistung automatisch.

KI-Anwendungen

Vorhersage von Folgestörungen: Der Algorithmus lernt über ca. sechs Monate das typische Anlagenverhalten vor und nach Störungen. Er kann dann mit einer Wahrscheinlichkeit vorhersagen, wann die nächste Störung auftreten wird – und ob es sich lohnt, dass der Instandhalter an der Anlage verbleibt oder sie verlässt.

Ausschusserkennung: Der Algorithmus identifiziert automatisch Knickpunkte in der Ausschusskurve (z.B. in Abhängigkeit von eingesetzten Rollen) und benachrichtigt den Mitarbeiter per Push-Notification. Zusätzlich wird vorgeschlagen, welche Maßnahme beim letzten ähnlichen Fall gewirkt hat – im gezeigten Beispiel hätten damit ca. 7.000 Meter Ausschuss vermieden werden können.

Einstieg: Proof of Value

Zwei Monate, zwei Anlagen, zwei Sensoren, zwei Tablets. Bei einfacher Anbindung dauert die Datenintegration eine halbe Stunde. Der größte Aufwand liegt im Onboarding der Mitarbeiter und der Konfiguration des Berichtswesens – in Summe ein Tag. Danach zwei Monate Testbetrieb mit eigenen Daten.

Teil 2: Digitales Shopfloor-Management

Christian, SFM Systems

Was ist digitales Shopfloor-Management?

Mehr als nur ein digitalisiertes Board: Es geht um Datenintegration im Hintergrund und nutzerbasierte Aufbereitung für Mitarbeiter und Führungskräfte – für schnellere, datengetriebene Entscheidungen auf jeder Ebene der Shopfloor-Kaskade. Die Software läuft hardwareunabhängig im Browser (Chrome, Firefox, Edge) – auf großen Shopfloor-Bildschirmen, PCs oder Tablets.

Die drei Kernfunktionen

Abweichungsmanagement: Störungen und Abweichungen – sowohl an Anlagen als auch in organisatorischen Prozessen – werden erfasst, analysiert und in einen strukturierten Workflow überführt. Das System zeigt an, wenn ein Problem zum x-ten Mal auftritt, und schlägt den Einstieg in eine strukturierte Problemlösung vor.

Leistungsdialog: Konfigurierbare Shopfloor-Besprechungen mit automatisch befüllten Kennzahlen aus verschiedenen Quellen (oee.ai, SAP/ERP, manuelle Eingaben). Agenda, Anwesenheitstracking und Kennzahlen-Dialog sind frei zusammenstellbar.

Strukturierte Problemlösung: Geführter Prozess durch 8D, Ishikawa, 5×Warum – mehrere Personen können gleichzeitig daran arbeiten. Maßnahmen werden mit Fristen und Verantwortlichen versehen, können eskaliert werden und sind langfristig dokumentiert. Bei wiederkehrenden Problemen lässt sich nachvollziehen, was beim letzten Auftreten getan wurde und ob die Maßnahme wirksam war.

Wissensspeicher: Jede gelöste Störung, jede Maßnahme wird archiviert und aufbaubar. Neue Standards aus Problemlösungen werden als Prozessbestätigungen (Checklisten) hinterlegt, die automatisch in konfigurierbaren Intervallen fällig werden.

KI-Ausblick

Laufende Projekte mit Automobilherstellern: Vorhersagen auf Basis historischer KPIs (Schichtplanung, Auftragsumplanung) und Empfehlungen aus der Maßnahmenhistorie – ähnlich einem Wetterbericht für die Produktion.

Einsparpotenziale

Das System spart Zeit bei der Vorbereitung und Nachbereitung von Shopfloor-Besprechungen: Kennzahlen werden automatisch befüllt, Berichte automatisch aggregiert. Führungskräfte können sich auf Analyse und Diskussion konzentrieren statt auf Datenzusammenstellung.

Aus der Q&A-Runde

Predictive Maintenance und OEE: Predictive Maintenance adressiert den ungeplanten Verfügbarkeitsverlust durch technische Störungen – ein Sub-Element der OEE. oee.ai selbst ist hier nicht der tiefste Spezialist; für komplexe Predictive-Maintenance-Anforderungen empfehlen sich spezialisierte Anbieter.

Automatische Störgrunderfassung ohne Tablet: Grundsätzlich möglich über API-Anbindung an die Anlagensteuerung. In der Praxis entsteht eine hybride Lösung: Automatisch erfassbare Störungen kommen direkt aus der Steuerung, organisatorische Störungen (Personalmangel, fehlende Aufträge) verbleiben beim Mitarbeiter. Ein vollständiger Verzicht auf manuelle Eingabe ist erfahrungsgemäß nicht realisierbar.

═══════════════════════════════════════

VIDEO 13 · Digital Workshop Hoffmann Group

Webflow-URL: /video/digital-workshop-hoffmann-groupQuelle: Vortrag von Florian Langen, oee.ai

Vorschlag Lead-In:

Florian Langen zeigt, wie oee.ai Maschinendigitalisierung und Manufacturing Intelligence praktisch zusammenbringt – vom ersten Datenpunkt bis zum strukturierten Verbesserungsprozess.

Transkript:

1. Ausgangssituation in Unternehmen

Drei typische Startpunkte begegnen oee.ai in der Praxis: Unternehmen, die noch gar keine Maschinendaten erfassen; solche, die bereits Daten aufnehmen, aber noch mit Stift, Papier und Excel arbeiten; und Unternehmen mit bestehenden MES-Landschaften, die den nächsten Schritt gehen wollen. Der häufigste Fall ist einer der ersten beiden.

2. Das Zielbild: Produktivität in Echtzeit sichtbar machen

oee.ai verfolgt ein klares Zielbild: Jede Anlage soll in Echtzeit sichtbar sein – und bei Abweichungen werden die richtigen Personen automatisch informiert (Schichtleiter, Fertigungsleiter, Produktionsleiter).

Das Zielbild lässt sich in konkreten Stufen aufbauen:

Automatisierte Maschinendatenerfassung – Läuft die Maschine? Mit welcher Geschwindigkeit? Soll-Ist-Vergleich in Echtzeit.

Störgrunderfassung – Wenn eine Maschine steht, warum steht sie? Das Domainwissen des Mitarbeiters fließt über Tablet-Eingaben in den Störgrundkatalog ein.

Transparenz für den Shopfloor – Ein Andon-Board (großer Fernseher in der Produktion) gibt Mitarbeitern direktes Echtzeit-Feedback über den Schichtverlauf und schafft Motivation.

Schichtbesprechungen & Übergaben – Datenbasis für strukturierte, faktenbasierte Gespräche statt Bauchgefühl.

Strukturierte Verbesserung – Langfristig entsteht eine Datenbank, die bessere Planung und systematischen KVP ermöglicht.

Ein Referenzkunde brachte den qualitativen Unterschied auf den Punkt: Als einmal das WLAN ausfiel und keine Daten vorlagen, war man sofort wieder beim Bauchgefühl – „Ja, lief ganz okay." Das machte schlagartig klar, wie sehr sich die Qualität der Gespräche verändert hatte.

3. Mehrwerte – kurzfristig, mittelfristig, qualitativ

Kurzfristig: Low-Hanging-Fruits über Pareto-Auswertungen – 20 % der Störgründe verursachen 80 % der Stillstandszeiten.

Mittelfristig: Bessere Produktionsplanung auf Basis echter Verlaufsdaten statt historischer Schätzungen.

Qualitativ: Weg vom Bauchgefühl, hin zu Zahlen, Daten, Fakten – eine grundlegend andere Gesprächskultur in der Produktion.

4. Datenerfassung & Konnektivität

Bei einem heterogenen Anlagenpark gibt es verschiedene Wege:

• Ältere Maschinen: IoT-Gateway (zusätzliche Hardware) erfasst Signale und überträgt sie per WLAN oder Mobilfunk an das europäische Rechenzentrum.
• Neuere Maschinen: Direkte Signalabgabe aus der Steuerung über OPC UA oder MQTT – ohne zusätzliche Hardware.
• Maschinensteuerungen: Je nach Hersteller kann eine OPC-Schnittstelle nachgerüstet werden (Beispiel Heidenhain: ca. 790 €). oee.ai hat Erfahrung mit einer Vielzahl von Steuerungstypen.

Das zentrale Signal ist das Stückzahlsignal – damit lässt sich sowohl Verfügbarkeit (läuft die Maschine?) als auch Leistung (läuft sie schnell genug?) messen.

Störgrundkatalog: Flexibel, jederzeit erweiterbar, nicht manipulierbar auf dem Shopfloor. Umfeldstörungen, die die Maschine selbst nicht kennt (Pausenzeiten, Personalengpässe, Werkzeugwechsel), werden manuell über das Tablet eingegeben.

IT-Infrastruktur-Empfehlung: Produktion und Büro sollten auf getrennten Netzwerken laufen. Fällt ein Netz aus, bleibt das andere funktionsfähig – gerade in der Produktion, wo Stillstand direkt Wertschöpfungsverlust bedeutet.

5. Die Oberfläche im Überblick

Das System ist hierarchisch aufgebaut: Einzelmaschine → Bereich → Werk → Unternehmen. Alle Ebenen zeigen ein konfigurierbares Cockpit mit Widget-basierter Echtzeit-Darstellung.

Zentrale Elemente: Herzschlaglinie (Soll vs. Ist in Minutenauflösung), Ampel-Widget für den Maschinenüberblick, Pareto-Diagramme auf Verfügbarkeits- und Leistungsebene sowie flexibles Berichtswesen (tages-, schicht-, wochen-, auftrags- oder produktbezogen).

Zugang läuft ausschließlich über den Browser – auf Fernseher, Tablet, PC oder Smartwatch, ohne Installation.

Datensicherheit: oee.ai arbeitet mit DigitalOcean (europäisches Rechenzentrum) und hat alle gängigen Sicherheitszertifizierungen. Ein Penetration-Test mit einem Kunden in Asien wurde ohne Beanstandungen bestanden.

‍