Ausgangssituation
PrecisionTech liefert Präzisionsteile für Motoren und Getriebe an namhafte Automobilhersteller. Die Toleranzen sind eng, die Anforderungen hoch. Jede Abweichung kann teuer werden – im wörtlichen Sinne.
Das bestehende ERP-System lieferte keine Echtzeit-Daten aus der Produktion. Qualitätskontrollen erfolgten stichprobenartig, Fehler wurden oft erst beim nächsten Arbeitsschritt entdeckt.
Projektziele
- Fehlerfreie Rückverfolgbarkeit (Losnummern) auf 99 %+
- Ungeplante Stillstände um 50 % reduzieren
- Qualitätskontrollen in Echtzeit
- Ausfallvorhersage mit 80 % Genauigkeit
Umsetzung
Phase 1: Sensorik und Datenerfassung (12 Wochen)
- Installation von 120 Sensoren an 35 Maschinen
- Vibration, Temperatur, Stromaufnahme und Geräuschpegel werden erfasst
- Daten werden vor Ort vorverarbeitet und gebündelt
- Anbindung an bestehendes SAP-System
Phase 2: KI für Ausfallvorhersage (16 Wochen)
- Machine-Learning-Modell analysiert historische Ausfallmuster
- 47 relevante Indikatoren identifiziert
- Echtzeit-Erkennung von Abweichungen vom Normalbetrieb
- Frühwarnsystem mit Eskalationsstufen
Phase 3: Qualitätssicherung (8 Wochen)
- Automatisierte Sichtprüfung von Oberflächen
- Integration von Messdaten aus der Produktion
- Echtzeit-Statistiken zu Qualitätskennzahlen
- Automatische Alarmierung bei Grenzwertüberschreitungen
Ergebnis
Nach 12 Monaten (inkl. Pilotphase):
- 87 % Genauigkeit bei Ausfallvorhersagen (Ziel: 80 %)
- Ungeplante Stillstände um 67 % reduziert (Ziel: 50 %)
- Losnummern-Rückverfolgbarkeit: 99,2 % (vorher: 95 %)
- Durchschnittliche Störungsbehebungszeit: 3 Minuten (vorher: 2+ Stunden)
- Geschätzte jährliche Einsparung: 1,2 Millionen Euro
Zitat Produktionsleiter Michael Gruber:
“Früher wussten wir manchmal nicht einmal, dass eine Maschine ausgefallen war, bis das ERP-Stücklistenfehler meldete. Jetzt wissen wir oft 12 Stunden vorher, dass etwas kommt. Die Umstellung war herausfordernd – aber die Ergebnisse sprechen für sich.”
ROI-Analyse
Investition gesamt: 890.000 €
Jährliche Einsparungen:
- Vermiedene Stillstände: 780.000 €
- Reduzierte Ausschussrate: 280.000 €
- Effizientere Qualitätskontrolle: 140.000 €
Payback Period: 11 Monate
Herausforderungen und Learnings
Herausforderung 1: Datenqualität
Die historischen Daten waren lückenhaft. Wir mussten 6 Monate neue Daten sammeln, bevor das System zuverlässig funktionierte.
Herausforderung 2: Change Management
Maschinenbediener standen dem System anfangs skeptisch gegenüber. Wir haben Schulungen durchgeführt und Vorteile klar kommuniziert.
Learnings:
- IoT-Projekte brauchen Zeit: Rechnen Sie mit 12–18 Monaten bis zur vollen Wirksamkeit
- Datenqualität vor Datenquantität: Lieber weniger, aber vollständige und korrekte Daten
- Mensch involvieren: Akzeptanz der Mitarbeiter ist entscheidend für den Erfolg