Trennung von Plan- und Istdaten in Fertigungsdatenmodellen

Von Mirko Peters · 2026-10-22

Erfahren Sie, warum die Trennung von geplanter Arbeitsfolge und tatsächlicher Ausführung für präzise KI-Diagnosen und Ursachenanalysen in modernen Produktionswerken entscheidend ist.

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Beim Einsatz künstlicher Intelligenz in der Produktion stoßen Dateningenieure häufig auf eine unscheinbare Falle: die Vermischung idealisierter Fertigungsarbeitspläne mit unübersichtlichen, realen Ausführungsprotokollen. Um zuverlässige Diagnosewerkzeuge zu entwickeln, müssen Engineering-Teams die Trennung von Plan- und Istdaten in Fertigungsdaten beherrschen. So bewertet die KI, was tatsächlich geschehen ist, und nicht, was hätte geschehen sollen.

Das Wichtigste in Kürze

• Die Vermischung geplanter Arbeitsplantabellen mit tatsächlichen Ausführungsprotokollen führt zu fehlerhaften KI-Diagnosen und falschen Schlussfolgerungen bei der Ursachenanalyse.
• Enterprise Resource Planning (ERP) und Manufacturing Execution Systems (MES) erfassen unterschiedliche Phasen des Lebenszyklus, die getrennt modelliert werden müssen.
• Eine konsequente Trennung stellt sicher, dass KI-Modelle heutige Probleme anhand der aktuellen betrieblichen Realität erklären und nicht anhand veralteter Annahmen aus dem Arbeitsplan.
• Graphbasierte Beziehungen bilden die strukturelle Brücke, um geplante Vorgaben mit beobachteten Abweichungen in der Produktion zu verknüpfen.

Die Illusion des Happy Path in der industriellen KI

ERP-Systeme sind Meisterwerke der Optimierung. Sie legen den theoretischen Arbeitsablauf eines Produkts fest: welcher Arbeitsplatz eine Komponente montieren soll, welche Materialqualität der Maschine zugeführt werden muss und wie lange die Taktzeit dauern sollte. Diese Systeme arbeiten in einer sauberen Welt perfekter Abfolgen und vorhersehbarer Parameter, dem sogenannten Happy Path.

Die physische Fertigung hingegen ist chaotisch. Schichten wechseln, Werkzeuge nutzen sich vorzeitig ab, Bediener nehmen zulässige Anpassungen vor, um Wärmeausdehnung auszugleichen, und Rohmaterialchargen weisen geringe chemische Abweichungen auf. Trainieren Data Scientists Modelle für vorausschauende Wartung oder Ursachenanalysen direkt auf rohen, nicht kontextualisierten Telemetriedaten, ohne Plan- und Istdaten zu trennen, übernehmen die Algorithmen eine gefährliche Illusion.

Ein KI-Modell, das auf idealisierten Arbeitsplantabellen trainiert wurde, geht zwangsläufig davon aus, dass jede Produkteinheit dem Lehrbuchweg gefolgt ist. Taucht am Ende der Linie eine Qualitätsabweichung auf, versucht das Modell, aktuelle Fehler anhand der Arbeitspläne von gestern zu erklären. Diese Diskrepanz ist der Hauptgrund, warum groß angelegte KI-Initiativen in der Industrie still an Boden verlieren und keine verwertbaren Erkenntnisse liefern.

ERP vs. MES: Die Abgrenzung der Zuständigkeiten

Um dieses Problem zu lösen, müssen Produktionsingenieure die klaren Zuständigkeiten der einzelnen Softwareebenen respektieren. Das ERP-System kennt den Auftrag, den Terminplan und die Stückliste. Das Manufacturing Execution System (MES) kennt den Arbeitsgang, den diensthabenden Bediener und den genauen Zeitstempel, zu dem eine Station gestartet und gestoppt wurde.

Probleme entstehen, wenn diese Datensätze in flache relationale Tabellen gepresst oder ungefiltert in einen Data Lake für Machine Learning geschoben werden. Ein einfacher Join kann einen Sensorwert mit einer Produkt-ID verknüpfen, entfernt dabei aber vollständig den Betriebskontext. Fand diese Sensormessung während eines regulären Produktionslaufs statt, bei einer Wartungsübersteuerung oder während eines Testlaufs mit geändertem Rezept?

Warum flache Joins moderne Analysen scheitern lassen

Traditionelle Data-Warehousing-Verfahren stützen sich auf flache Joins und relationale Schemata, die für Finanzberichte und Bestandsverfolgung entworfen wurden. Für Geschäftskennzahlen sind sie gut geeignet, doch die vielschichtige Realität einer Fabrik können sie kaum abbilden. Eine flache Tabelle kann nicht sauber darstellen, dass eine einzelne Produktvariante auf drei verschiedenen Altmaschinen verarbeitet werden kann, die jeweils ihre eigene Kalibrierungshistorie und Sensor-Baseline besitzen.

Fragt ein KI-Dienst während einer Qualitätsabweichung eine flache Datenbank ab, sieht er eine Menge numerischer Werte statt einer zusammenhängenden Geschichte. Er kann nicht unterscheiden, ob es sich um eine geplante technische Änderungsanforderung oder einen nicht autorisierten Eingriff durch einen Bediener handelt. Die Empfehlungen der KI entbehren daher die strenge Herkunftsnachweisung, die Produktionsleiter in der Fertigungshalle benötigen.

Beziehungen statt Spalten modellieren

Für verlässliche Fertigungsintelligenz muss sich das zentrale Designprinzip verschieben: weg von der Speicherung isolierter Spalten, hin zur Abbildung expliziter Beziehungen. Jedes Datum, das von einem Industrieanlagen-Asset erfasst wird, muss seine strukturelle Herkunft mitführen: welche physische Anlage es erzeugt hat, in welchen betrieblichen Kontext es gehört und ob es im exakten Mikrosekundenmoment der technischen Spezifikation entsprochen hat.

In der Praxis bedeutet das, ein semantisches Beziehungsmodell aufzubauen, in dem:

• Eine bestimmte Ressource eine verifizierte Operation ausführt.
• Eine Operation einen eindeutigen physischen Output mit gemessenen Toleranzen erzeugt.
• Eine Produktrevision eine exakte technische Spezifikation voraussetzt.
• Eine Wartungsmaßnahme den Betriebszustand einer Ressource unmittelbar verändert.

Durch die Durchsetzung dieser gerichteten Regeln schaffen Data Architects einen nachvollziehbaren Pfad. Ein Ingenieur kann bei einer fehlerhaften Produkteinheit beginnen und den Graphen über Ausführungsprotokolle, Werkzeugaufzeichnungen, Materialchargen und Qualitätsergebnisse durchlaufen, ohne unterschiedliche Systemprotokolle manuell übersetzen zu müssen.

Betriebliche Wahrheit über Schichten hinweg herstellen

Betrachten Sie eine Fabrik, die drei durchgehende Schichten fährt. Die Schichtleitung am Morgen steuert die Linie nach einem bestimmten Satz an Umgebungsparametern; die Nachmittagsschicht trifft auf eine andere Umgebungstemperatur und eine frische Charge Rohmaterial; das Instandhaltungsteam führt mitten in der Nachtschicht präventive Wartungsarbeiten durch.

Jedes isolierte Softwaresystem erfasst seinen Teil des Puzzles korrekt. Dennoch scheitert die übergeordnete Entscheidung für das Werk, weil die systemübergreifenden Verknüpfungen fehlen. Wenn Sie geplante Arbeitsgangfolgen von der tatsächlichen Ausführung trennen, kann die Organisation die exakte Betriebssituation für jede beliebige Produktionseinheit rekonstruieren.

Wenn Sie tiefer einsteigen möchten, wie sich industrielles Wissen strukturieren und Ihre Cloud-Architektur mit fortgeschrittenen semantischen Modellen ausbauen lässt, hören Sie sich die vollständige Episode an. Zu verstehen, wie sich diese Beziehungen modellieren lassen, ist der erste Schritt hin zu KI-Systemen, die die Fertigungshalle wirklich verstehen.

Häufige Fragen

Warum scheitern KI-Modelle in der Fertigung, wenn Plandaten und Istdaten vermischt werden?

Wenn ein KI-Modell statische Arbeitsplanungsdaten heranzieht, um Ausfälle in Echtzeit zu erklären, interpretiert es vorübergehende Abweichungen, Eingriffe von Bedienern oder manuelle Maschinenübersteuerungen als Normalbetrieb. Das Ergebnis ist eine ungenaue Ursachenanalyse.

Worin unterscheiden sich ERP-Arbeitsplandaten von MES-Ausführungsprotokollen?

ERP-Arbeitsplandaten beschreiben die idealisierte Abfolge von Arbeitsgängen, die für ein Produkt geplant ist. MES-Ausführungsprotokolle hingegen erfassen die tatsächliche Zeit, die konkreten Anlagen, den Werkzeugzustand und die Umgebungsbedingungen, die während der Produktion tatsächlich vorlagen.

Wie verbessert die Trennung von Plan und Ist die Nachverfolgung von Qualitätsabweichungen?

Ingenieure können ein fertiges Produkt direkt bis zu den tatsächlich eingesetzten physischen Ressourcen, Materialchargen und Bedienerhandlungen in der Fertigung zurückverfolgen. Sie müssen nicht raten, was eigentlich hätte passieren sollen.

Bedeutet die Trennung von Plan und Ist, dass bestehende ERP- und MES-Systeme ersetzt werden?

Nein. Die zugrunde liegenden Unternehmenssysteme behalten ihre Hoheit über Transaktionen und Arbeitsplandefinitionen. Die semantische Modellierungsschicht erfasst dagegen, wie diese historischen Fakten während eines bestimmten Betriebslaufs miteinander verbunden sind.