Teil 1: OEE-Erfassung & Manufacturing Intelligence
oee.ai
Grundphilosophie
oee.ai versteht sich als Manufacturing-Intelligence-Startup, gegründet 2016 in Aachen. Die Kernüberzeugung: KI und Algorithmen unterstützen den Mitarbeiter – sie ersetzen ihn nicht. Domainwissen der Belegschaft bleibt unverzichtbar, denn selbst wenn Algorithmen Verbesserungen vorschlagen, muss ein Mensch diese validieren und umsetzen.
OEE im FMCG-Kontext
Im Fast-Moving-Consumer-Goods-Bereich dominieren zwei der drei OEE-Faktoren die Verluststruktur:
Verfügbarkeitsgrad: Rüstvorgänge, technische Verluste, geplante und ungeplante Stillstände.
Leistungsgrad: Häufig unterschätzt. Wer z.B. 120 Stück/Minute abfüllen könnte, aber nur 60 produziert, hat einen Leistungsgrad von 50 %. Aus der Praxis: Leistungsverluste sind oft größer als angenommen und werden von vielen Unternehmen gar nicht systematisch erfasst.
Qualitätsgrad: Im FMCG-Bereich typischerweise bei 98–99 % – wichtig, aber selten der größte Hebel.
Drei Produktbausteine
NanoMES: Leichtgewichtiges Manufacturing Execution System, Plug & Play, Software as a Service, kein IT-Projekt, keine IT-Ressourcen auf Kundenseite. Installation in einer Stunde.
Reporting & Visualisierung: Widget-basierte Live-Berichte, individuell konfigurierbar – vom technischen Schichtreport bis zum Werksbericht für den Produktionsleiter. Andon-Board, Industrial Smartwatch, Shopfloor-Integration.
Advanced Analytics: Algorithmen für Verlustprognosen, Anomalieerkennung, Stabilitätskennzahlen und KI-gestützte Handlungsvorschläge.
Datenerfassung: Drei Wege
Direkte Anbindung: Moderne Anlagen mit OPC UA oder MQTT – geringer Aufwand, keine zusätzliche Hardware.
oee.ai Sensorbox (Plug & Play): Eigene Hardware mit vorgeschaltetem SICK-Sensor zur Stückzahlerfassung, Übertragung per LTE an das Rechenzentrum in Frankfurt (europäisches Datenschutzrecht). Über 80 % der Kunden nutzen Mobilfunk statt WLAN.
Konnektivitätspartner: Für SPS-Steuerungen aller Art nachrüstbar.
Das zentrale Datenelement ist der Stückzahlvektor – Stück über Zeit. Alles weitere (Verfügbarkeit, Leistung, OEE) wird daraus berechnet. Auch nicht-diskrete Einheiten wie Meter oder Quadratmeter sind abbildbar.
Verlustgründe, die die Anlage nicht selbst kennen kann, werden über ein Tablet mit anpassbarem mehrstufigem Verlustgrundkatalog erfasst – für Verfügbarkeits-, Leistungs- und Qualitätsverluste getrennt. Das Alleinstellungsmerkmal: vollständiges Spektrum organisatorischer und prozessualer Verluste, nicht nur technische Gründe.
Visualisierung & Auswertung
- Herzschlaglinie: Soll- vs. Ist-Ausbringung in Echtzeit, Stillstände in Rot, Leistungsverluste in Orange
- Schichtvergleich: Früh- vs. Spät- vs. Nachtschicht
- Werksübersicht: Mehrere Anlagen aggregiert in einem Wasserfall-Diagramm – wo summieren sich die größten Verluste?
- KPI-Tabellen: Exportierbar per CSV, API-Zugriff für Power BI oder andere Systeme
- Andon Stories: Kontextsensitive Board-Sequenzen – z.B. bei laufendem Rüstvorgang: Algorithmus zeigt Trend der letzten zehn Rüstvorgänge und gibt dem Mitarbeiter ein Zeitfenster-Ziel vor
KI-Anwendungsbeispiele
Prognose: Nach ca. sechs Monaten Lernphase erkennt der Algorithmus Muster von Verlusten und prognostiziert, mit welcher Wahrscheinlichkeit die Anlage in X Minuten erneut stehen wird. Entscheidungsgrundlage für den Instandhalter: an der Anlage bleiben oder gehen?
Ausschusserkennung: Algorithmus identifiziert Knickpunkte in der Ausschusskurve (z.B. in Abhängigkeit von Rohstoffchargen), löst automatisch eine Push-Benachrichtigung aus und schlägt vor, welche Maßnahme beim letzten ähnlichen Fall geholfen hat. Im gezeigten Beispiel: ca. 7.000 Meter Ausschuss hätten eingespart werden können.
Einstieg: Proof of Value
Zwei Monate, zwei Anlagen, zwei Sensoren, zwei Tablets. Vorbereitung: Abstimmung zu Schichtsystemen und Produkten. Einrichtung & Schulung: ca. eine Stunde bis zum ersten Datenpunkt. Abschluss: Analyse-Workshop – was wurde gefunden, welche Verbesserungen können angestoßen werden?
Teil 2: Digitales Shopfloor-Management
SFM Systems
Was ist digitales Shopfloor-Management?
Nicht die 1:1-Digitalisierung des Whiteboards – sondern ein Neudenken: Informationen zielgruppen- und anwendungsgerecht bereitstellen, strukturiert durch Meetings führen, Problemlösung methodisch unterstützen. Ziel: Führungskräfte und Mitarbeiter datengetrieben in Entscheidungen unterstützen.
SFM Systems, 2018 aus der TU Darmstadt ausgegründet, verbindet Lean-Management-Methodik mit digitaler Infrastruktur.
Die Kernfunktionen
Leistungsdialog: Strukturierte Shopfloor-Besprechung mit konfigurierbarer Agenda (Anwesenheit, Kennzahlen-Dashboard, Maßnahmenliste, Diskussionsthemen). Kennzahlen werden automatisch aus verschiedenen Quellen gezogen – oee.ai, SAP/ERP, Qualitätssysteme, manuelle Eingaben.
Abweichungsmanagement: Automatische Erkennung von Abweichungen aus allen hinterlegten Kennzahlen. Sobald ein Ziel- oder Grenzwert überschritten wird, startet ein digitaler Workflow: Abweichung beschreiben → analysieren → Maßnahme ableiten oder Problemlösung einleiten → eskalieren oder abschließen.
Strukturierte Problemlösung: Schritt-für-Schritt-Führung durch 8D, Ishikawa, 5×Warum oder Closest Logical Comparison. Mehrere Personen können gleichzeitig daran arbeiten, direkt am Tablet vor Ort. Alle Problemlösungen bleiben dokumentiert und durchsuchbar – auch ein halbes Jahr später auffindbar.
Prozessbestätigungen: Wiederkehrende Checklisten werden Mitarbeitern automatisch zugewiesen. Negative Antworten erfordern einen Kommentar und können direkt eine Maßnahme oder ein Diskussionsthema erzeugen. Führungskräfte sehen auf einen Blick, ob Checklisten durchgeführt wurden und wie das Ergebnis war.
Wissensspeicher: Jede Maßnahme, jede Problemlösung wird dauerhaft archiviert – mit Such- und Filterfunktionen. Der Wissensaufbau ist ein explizites Systemziel.
Datenintegration
SFM Systems nutzt eine Industrial-IoT-Plattform, die SQL-Datenbanken, REST-APIs, OPC UA, MQTT, SharePoint und externe Applikationen anbinden kann. Verfügbar als Cloud oder On-Premises. oee.ai ist eine der unterstützten Datenquellen.
KI-Ausblick
Laufende Projekte: Kombination von Prozessdaten (Anlagendaten) mit Handlungsdaten (was wurde gemacht, um Verluste zu beheben). Ziel: Vorhersagen, wie sich Kennzahlen entwickeln werden, und Empfehlungen, welche Maßnahmen in ähnlichen Fällen zuvor gewirkt haben.
Aus der Q&A-Runde
Ist die Anbindung weiterer Systeme aufwendig? Kommt auf die vorhandenen Schnittstellen an. Je besser Daten bereits aufbereitet sind, desto einfacher die Integration. oee.ai und SFM Systems arbeiten aktiv daran, ihre Kopplung zu vereinfachen.
Alleinstellungsmerkmal oee.ai? Einfachheit der Erfassung (Plug & Play, eine Stunde bis zum ersten Datenpunkt), vollständiges Verlustgrundspektrum (Verfügbarkeit, Leistung, Qualität – organisatorisch wie technisch) und die Breite der Auswertung von Widget-Reports bis KI-Analyse.
Hohe Stückzahlen (sechsstellig pro Schicht)? Kein Hinderungsgrund. Erfassung per Sensor oder direkt über SPS-Steuerung – technisch problemlos umsetzbar.