Echtzeit-Monitoring in der Fertigung: Nutzen und Kosten

Echtzeit-Monitoring ist eines der meist diskutierten Konzepte in der Produktionsdigitalisierung – und gleichzeitig eines der am häufigsten falsch dimensionierten. Zu viele Betriebe investieren in Monitoring-Infrastruktur und stellen erst nach der Implementierung fest, dass sie entweder zu viel überwacht haben (Datengrab), zu wenig (kein Mehrwert) oder das Falsche (Daten, die niemand braucht).

Der Grund ist meistens fehlende Klarheit über zwei grundlegende Fragen: Was soll das Monitoring konkret leisten? Und: Welche Latenz brauche ich wirklich? Denn ein Echtzeit-Monitoring-System für Predictive Maintenance hat völlig andere Anforderungen als eines für OEE-Reporting – und das schlägt sich direkt in Komplexität, Infrastrukturaufwand und Kosten nieder.

Dieser Artikel gibt einen ehrlichen Überblick: fünf konkrete Monitoring-Use-Cases mit messbarem Nutzen, realistischen Implementierungskosten und ROI-Rechnung – plus die technischen Grundlagen, die entscheiden, was 'Echtzeit' in welchem Kontext wirklich bedeutet.

Was Echtzeit-Monitoring in der Fertigung wirklich bedeutet

'Echtzeit' ist kein absoluter Begriff. Er beschreibt eine Zeitspanne zwischen Ereignis und Reaktion, die kurz genug ist, um für den jeweiligen Use Case sinnvoll zu sein. Was für einen Schweißroboter-Kollisionsschutz Echtzeit bedeutet (< 1 Millisekunde), ist für ein OEE-Dashboard irrelevant (30-Sekunden-Aggregation reicht vollständig aus).

Fertigung-Monitoring lässt sich in vier Reaktionsebenen einteilen: Steuerungsebene (< 1 ms, SPS/PLC), Überwachungsebene (< 100 ms, Anlagenschutz), Optimierungsebene (Sekunden bis Minuten, Prozesssteuerung) und Analyseebene (Minuten bis Stunden, Reporting und KPIs). Jede Ebene hat unterschiedliche Infrastrukturanforderungen – und unterschiedliche Kosten.

Die Systemarchitektur: Vom Sensor bis zum Dashboard

Ein vollständiges Echtzeit-Monitoring-System besteht aus vier Architekturebenen, die aufeinander aufbauen. Jede Ebene hat eine spezifische Funktion, spezifische Technologien und spezifische Latenzcharakteristiken.

Latenzanforderungen: Was braucht wirklich Echtzeit?

Die Latenzanforderung eines Monitoring-Use-Cases bestimmt direkt die Infrastrukturkosten. Wer diese Anforderung zu früh im Projekt nicht explizit klärt, baut entweder zu teuer (Echtzeit-Infrastruktur für Batch-Use-Cases) oder zu billig (Batch-Infrastruktur für Echtzeit-Use-Cases).

Die fünf Use Cases mit ROI-Rechnung

Die folgenden Use-Case-Karten zeigen die fünf wirtschaftlich stärksten Echtzeit-Monitoring-Anwendungen in der Serienfertigung – mit realistischen Implementierungskosten, laufenden Kosten und ROI-Zeitrahmen für einen typischen Produktionsbetrieb mit 100–200 Fertigungsmitarbeitenden.

Was Echtzeit-Monitoring kostet: ehrliche Kalkulation

Die folgende Kalkulation zeigt die vollständigen Kostenbestandteile für eine typische Echtzeit-Monitoring-Implementierung in einem Betrieb mit 20–30 Maschinen und dem Primär-Use-Case OEE-Tracking + Anomalieerkennung. Alle Angaben basieren auf CSP-Projekterfahrungen in der DACH-Region.

Echtzeit-Monitoring ist keine IT-Investition. Es ist eine Produktivitätsinvestition. Die Frage ist nicht: Was kostet das System? Die Frage ist: Was kostet jede Stunde Maschinenstillstand, die wir nicht sehen?

— Amadeus Lederle CTE, CSP Intelligence GmbH

Der Einführungspfad: Von einfach zu komplex

Echtzeit-Monitoring muss nicht als Großprojekt starten. Ein schrittweiser Ausbau – beginnend mit dem einfachsten Use Case mit höchstem ROI – reduziert das Projektrisiko und ermöglicht schnelle erste Ergebnisse, die intern Vertrauen in die Technologie aufbauen.

Die häufigsten Monitoring-Fehler und wie man sie vermeidet

Echtzeit-Monitoring scheitert selten an der Technologie – es scheitert an der Strategie. Die folgende Liste zeigt die häufigsten Fehler aus der CSP-Projektpraxis.

Echtzeit-Monitoring integriert mit vollständiger Traceability

Häufig gestellte Fragen

Was ist der Unterschied zwischen Echtzeit-Monitoring und Datenhistorie?

Echtzeit-Monitoring zeigt den aktuellen Zustand einer Anlage oder eines Prozesses mit minimalem Zeitverzug. Die Datenhistorie ist die Aufzeichnung dieser Werte über Zeit – sie ermöglicht Trendanalyse, Ursachenforschung und Vergleiche über Zeiträume. Beide sind komplementär: Ohne Echtzeit-Monitoring reagiere ich zu langsam auf aktuelle Ereignisse. Ohne Datenhistorie kann ich keine Muster erkennen und keine Predictive-Maintenance-Modelle aufbauen. Ein vollständiges Monitoring-System braucht beides.

Wie viele Sensoren brauche ich für den Einstieg in OEE-Monitoring?

Für einfaches OEE-Monitoring reicht oft ein einziger Signal-Abgriff je Maschine: Der Betriebsstunden-Zähler oder das Run/Idle-Signal. Damit lässt sich Verfügbarkeit und Auslastung berechnen. Für vollständiges OEE inklusive Performance und Qualitätsrate braucht man zusätzlich einen Takt-/Stückzähler und eine IO/NIO-Meldung aus der Prüfstation. Das sind insgesamt 2–4 Signale je Maschine – weit weniger als viele Betriebe vermuten.

Kann ich ältere Maschinen ohne OPC UA für Echtzeit-Monitoring nachrüsten?

Ja – durch Retrofit-Ansätze. Die häufigste Methode ist der Anbau von externen Sensorik (Vibrations-, Strom-, Temperatursensoren) an der Maschine ohne Eingriff in die Steuerung. Alternativ: Abgriff vorhandener Signale über IO-Module an der Schaltschrankbuchse. Bei älteren SPS-Steuerungen gibt es OPC UA-Gateways, die proprietäre Protokolle (Siemens S7, Modbus) in OPC UA übersetzen. Der Retrofit-Aufwand liegt typisch bei 500–3.000 € je Maschine, abhängig vom Automatisierungsgrad.

Was ist der Unterschied zwischen Edge-Computing und Cloud-Monitoring?

Edge-Computing verarbeitet Daten lokal an der Maschine oder im Netzwerk-Segment – mit sehr niedriger Latenz (Millisekunden) und ohne Internet-Abhängigkeit. Cloud-Monitoring überträgt Daten an einen entfernten Server zur Verarbeitung – mit höherer Latenz (Sekunden bis Minuten), dafür mit mehr Rechenleistung für Analyse und ML. Für Sicherheitsfunktionen und Prozessregelungen: immer Edge. Für Predictive-Maintenance-Modelle und übergreifende Analysen: oft Cloud oder hybrides Modell. Die meisten Produktionsbetriebe nutzen beide Ebenen kombiniert.

Wie lange dauert die Implementierung eines Echtzeit-Monitoring-Systems?

Das hängt stark vom Use Case und der Maschinenanzahl ab. Ein einfaches OEE-Monitoring für 10 Maschinen mit vorhandener Netzwerk-Infrastruktur: 4–6 Wochen. Anomalieerkennung mit OPC UA-Anbindung für 20 Maschinen: 8–16 Wochen. Predictive Maintenance mit ML-Modellierung: 3–9 Monate (davon 2–6 Monate Modelltraining auf historischen Daten). Der häufigste Zeitfresser ist nicht die Technologie – es ist die Datenqualitätsprüfung: Maschinen-Signale müssen validiert, Zeitstempel synchronisiert und Ausreißer bereinigt werden.

Was ist OEE und wie berechne ich es?

OEE (Overall Equipment Effectiveness) ist die kombinierende Kennzahl für Maschineneffizienz. Sie berechnet sich aus drei Faktoren: Verfügbarkeit (tatsächliche Laufzeit / geplante Laufzeit), Performance (tatsächliche Ausbringung / theoretische Ausbringung) und Qualitätsrate (gute Teile / produzierte Teile gesamt). OEE = Verfügbarkeit × Performance × Qualitätsrate. Ein OEE von 85 % gilt als World-Class-Wert für diskrete Fertigung. In der Praxis liegen viele Anlagen bei 50–65 %. Der Gap ist das Potenzial.

Wann lohnt sich Predictive Maintenance – und wann nicht?

Predictive Maintenance lohnt sich wenn: die Maschine teuer ist (> 200.000 €), ungeplante Stillstände teure Folgen haben (Linienstillstand, Lieferverzug), der Maschinentyp einen vorhersagbaren Verschleißpfad hat und Historiedaten für das ML-Modelltraining vorhanden sind. Es lohnt sich nicht wenn: die Maschine günstig ist und schnell ersetzt werden kann, Ausfälle keine relevanten Folgekosten erzeugen oder die Anlage zu kurze Betriebszeiten hat, um ausreichend Trainingsdaten zu generieren. Als Faustformel: Ungeplanter Stillstand > 3 Stunden × Stundensatz > Jahreskosten Monitoring → rechnet sich.

Kann ich Monitoring-Daten auch für Qualitäts-Audits nutzen?

Ja – und das ist einer der wichtigsten, oft unterschätzten Mehrwerte. Wenn Monitoring-Daten (Prozessparameter, Maschinenzustand) automatisch der Seriennummer oder Charge zugeordnet werden, entstehen gleichzeitig Qualitätsnachweise nach IATF 16949 Abschnitt 8.5.1 (Prozessparameter-Dokumentation) und 7.1.5.1 (Messgeräteverwaltung). Das bedeutet: Echtzeit-Monitoring ist nicht nur Produktivitätswerkzeug – es ist Compliance-Infrastruktur. CSP IPM verknüpft Monitoring-Daten und Traceability-Daten automatisch.