„Wir haben bereits eine OEE von 90 Prozent erreicht, was über dem Benchmark liegt, sodass kaum noch Verbesserungspotenzial besteht.“ – Kommentare wie dieser sind häufig zu hören, wenn es um die Gesamtanlageneffektivität (Overall Equipment Effectiveness – OEE) geht. Sie bleibt ein zentraler KPI, der die Produktionsleistung in drei Dimensionen misst:

• Verfügbarkeit – Tatsächliche Laufzeit im Vergleich zur geplanten Produktionszeit (Stillstandsverluste),
• Leistung – Tatsächliche Geschwindigkeit im Vergleich zur vorgesehenen Geschwindigkeit (Geschwindigkeitsverluste), sowie
• Qualität – Gutteile im Vergleich zur Gesamtzahl der produzierten Teile (Ausschuss-/Nacharbeitsverluste).

Selbst eine Verbesserung der OEE um nur einen Prozentpunkt erfordert oft erhebliche Anstrengungen, angefangen von Prozessanalysen über Bedienerschulung und Poka-Yoke-Mechanismen bis hin zu optimierter Produktionsplanung.

Und doch stecken viele Hersteller trotz jahrzehntelanger Lean-Programme, Six Sigma, vorausschauender Wartung und Analysen in einer Art OEE-Fegefeuer fest – mit bestenfalls inkrementellen Fortschritten, aber ohne echte Effizienzsteigerungen.

Warum die traditionelle OEE an ihre Grenzen stößt

Die zentrale Einschränkung liegt in der fehlenden Granularität. In komplexen automatisierten oder halbautomatisierten Produktionslinien wird die OEE in der Regel auf der Ebene der gesamten Linie oder der Hauptstationen gemessen. Ineffizienzen entstehen jedoch oft viel tiefer – in den vielen Mikroschritten innerhalb der Linie.

Selbst mit fortschrittlichen SCADA-Systemen kann es vorkommen, dass Leistungsmängel in einzelnen Schritten unentdeckt bleiben. Oder, wie Martin Nepovim, CEO von Mainware, es ausdrückt: „Wenn auch nur ein kleiner Teil der Produktionsdaten unzuverlässig ist, haben wir ein Problem.“

Der menschliche Faktor kommt noch hinzu. Bediener melden möglicherweise nicht jede Störung. Besonders während der Hochlaufphase, wenn die Verantwortung vom Integrator auf die Ingenieure in der Fertigung übergeht, beeinträchtigen nicht gemeldete Mikro-Stillstände stillschweigend die OEE. Selbst etwas so Einfaches wie eine Maschine in der Pause laufen zu lassen, kann die OEE-Daten verfälschen und Stunden an Analysezeit verschwenden.

Die Datenlücke

Globale Untersuchungen untermauern diesen Punkt. Der „State of Smart Manufacturing Report 2025“ von Rockwell hebt die wachsende Kluft zwischen gesammelten und effektiv genutzten Daten hervor:

• Hersteller sammeln mehr Daten als je zuvor, doch nur 44 Prozent davon werden effektiv genutzt.
• Zu den größten Hindernissen für Verbesserungen zählen die Einführung neuer Technologien sowie die Balance zwischen Qualität und Rentabilität (jeweils 21 Prozent).

Diese Diskrepanz macht deutlich: Die traditionelle OEE reicht nicht mehr aus, um Produktivitätssteigerungen zu erzielen.

Micro-OEE als Lösung

Um Fortschritte zu erzielen, müssen Hersteller Micro-OEE (mOEE) einführen – eine Messgröße für die Effizienz auf der kleinsten möglichen Produktionsebene. Beispiele hierfür sind:

• die Montage einer einzelnen Schraube,
• das Auftragen von Klebstoff, oder
• der Test eines Bolzens.

Im Gegensatz zur traditionellen OEE misst mOEE nicht die gesamte Unterbaugruppe oder das fertige Produkt. Stattdessen werden winzige Schritte identifiziert, die zusammen die Leistung der Produktionslinie ausmachen.

Obwohl mOEE zusätzliche technische Fähigkeiten erfordert, deckt es nach der Implementierung Engpässe auf, die sich zu erheblichen Ineffizienzen auf Makroebene summieren können. Hersteller sind damit in der Lage:

•  präzise zu erkennen, wo Zeit, Geschwindigkeit oder Qualität verloren gehen,

•  die Mensch-Maschine-Interaktion zu optimieren, sowie

•  Kosten zu senken und die Vorhersagbarkeit zu erhöhen.

Kurz gesagt: mOEE verwandelt OEE von einem allgemeinen Indikator in ein Werkzeug für umsetzbare Verbesserungen.

Von Daten zu praktischen Erkenntnissen

Die Herausforderung besteht darin, Daten zu erfassen und zu analysieren, ohne dass dies zu einer überwältigenden Komplexität führt. Ein praktischer Ansatz kombiniert SCADA- und Sensordaten, die in einem digitalen Zwilling der Produktionslinie abgebildet werden, sowie Kameraaufnahmen einzelner Schritte zur visuellen Bestätigung

Dadurch können Ingenieure Probleme analysieren, ohne sich ausschließlich auf KI zu verlassen. In großem Maßstab wird KI jedoch wertvoll, da sie dabei hilft, den Ansatz auf mehrere Linien oder Werke zu übertragen.

Ein digitaler Zwilling mit hoher Granularität in Verbindung mit Selbstanalyse-Tools kann Abweichungen sowohl in der technischen als auch in der menschlichen Leistung erkennen. Obwohl digitale Zwillinge aufgrund der erforderlichen Investitionen oft als Wunschdenken angesehen werden, entwickeln sie sich schnell zum nächsten großen Sprung in der Fertigungseffizienz.

Die Rolle der KI

KI lässt sich am besten als Wegbereiter verstehen – aber nicht als Ersatz für zuverlässige Daten. Wenn Systeme beispielsweise während der Inbetriebnahme abgestimmt werden, führen ungelöste Probleme später zu kostspieligen Mikro-Stillständen. In dieser Phase erfordert selbst eine Verbesserung der Gesamtanlageneffektivität (OEE) um ein Prozent einen unverhältnismäßig hohen Aufwand im Vergleich zu früheren Phasen. KI kann jedoch fehlende SPS-Daten nicht rekonstruieren oder blinde Flecken ausfüllen.

Vielmehr zeichnet sich die Technologie dadurch aus, dass sie – sobald die Datenbasis solide ist – Erkenntnisse skalieren kann. Beispielweise, indem sie:

• Alarmsequenzen aus SPS hervorhebt,
• Abweichungen in großem Maßstab erkennt, oder
• Ingenieure und Manager mit kontextbezogenen Erkenntnissen unterstützt.

Die oberste Priorität bleibt jedoch die Datenqualität und -harmonisierung. Nur saubere, konsistente Daten stellen sicher, dass KI, Visualisierungs-Tools und BI-Dashboards echten Mehrwert liefern. (mb)