KI im MES: 4 Anwendungsfälle von Anomalieerkennung bis Predictive OEE

TL;DR: KI im MES ist kein Zukunftsthema — sie ist bereits im Einsatz, allerdings meist nicht als „Machine Learning", sondern als regelbasierte Mustererkennung auf Echtzeitdaten. Vier konkrete Anwendungsfälle funktionieren heute: Anomalieerkennung bei Prozessparametern, automatische Alarm-Korrelation mit Stillständen und Qualität, Predictive OEE auf Basis historischer Verlustmuster und KI-gestützte Planungsoptimierung. Bei Neoperl werden SPS-Alarme bereits automatisch mit Stillständen und Qualitätsdefekten korreliert — 4 Alarmcodes verursachten 80 % aller Anlagenstopps. Das ist KI im MES, wie sie heute funktioniert: nicht als Black Box, sondern als datengestützte Mustererkennung mit messbarem Ergebnis.

Inhaltsverzeichnis

1. KI im MES: Wo stehen wir wirklich?
2. Die 4 Reifegrade: Von Datenerfassung zu Vorhersage
3. 4 Anwendungsfälle, die heute funktionieren
4. Praxisbeispiel: Alarm-Korrelation bei Neoperl
5. Architektur: Warum KI im MES Cloud braucht
6. Was muss stimmen, bevor KI wirkt?
7. FAQ

KI im MES: Wo stehen wir wirklich?

Die Diskussion um KI in der Fertigung wird dominiert von Zukunftsversprechen: autonome Fabriken, selbstoptimierende Produktionslinien, vollautomatische Qualitätsregelung. Die Realität im Mittelstand sieht anders aus: Die meisten Fertigungsunternehmen haben noch nicht einmal eine automatische OEE-Erfassung. Ohne saubere Datenbasis ist jede KI wertlos.

Was heute funktioniert, ist nicht „Machine Learning" im akademischen Sinne. Es ist regelbasierte Mustererkennung auf Echtzeitdaten, statistische Anomalieerkennung und Korrelationsanalyse über historische Produktionsdaten. Das klingt weniger glamourös als „Predictive AI" — ist aber genau das, was in der Praxis messbare Ergebnisse liefert.

Ehrliche Einordnung: Wer heute ein MES einführt, sollte nicht mit KI starten. Zuerst kommt die Datenbasis (MDE/BDE), dann die Transparenz (OEE-Dashboards), dann die Analyse (Stillstandsursachen, Verlustmuster) — und erst dann die Vorhersage. KI ist Stufe 4, nicht Stufe 1.

Die 4 Reifegrade: Von Datenerfassung zu Vorhersage

Die meisten „KI-Erfolge" im MES-Umfeld passieren auf Stufe 2 und 3 — nicht auf Stufe 4. Und das ist gut so: Stufe 2 (Diagnostik) liefert oft bereits den größten ROI, weil erstmals systematisch die Ursachen von Verlusten sichtbar werden.

4 Anwendungsfälle, die heute funktionieren

1. Anomalieerkennung bei Prozessparametern

Was es tut: Das System erkennt, wenn Prozessparameter (Temperatur, Druck, Zykluszeit, Energieverbrauch) von ihrem Normalverhalten abweichen — auch wenn sie noch innerhalb der Spezifikationsgrenzen liegen.

Warum das wichtig ist: Klassische Grenzwert-Alarme reagieren erst, wenn es zu spät ist. Anomalieerkennung reagiert auf Musterveränderungen — bevor der Grenzwert erreicht wird.

Datenquelle: OPC UA-Prozessdaten, SPS-Signale, Energiemonitoring.

2. Automatische Alarm-Korrelation

Was es tut: SPS-Alarme werden automatisch mit Stillständen, Qualitätsdefekten und Auftragsdaten korreliert. Statt einer Liste von 200 Alarmen pro Schicht zeigt das System: „Alarmcode 47 verursacht 23 % aller Stillstände an Linie 3 und korreliert mit 40 % des Ausschusses."

Warum das wichtig ist: Ohne Korrelation ist ein SPS-Alarm ein Code in einem Log. Mit Korrelation wird er zum Handlungsauslöser.

Datenquelle: SPS-Alarme, MDE/BDE-Daten, Qualitätsdaten.

3. Predictive OEE

Was es tut: Auf Basis historischer Verlustmuster prognostiziert das System die erwartete OEE für die aktuelle Schicht — und zeigt, welche Verlustursachen am wahrscheinlichsten auftreten werden.

Warum das wichtig ist: Statt am Schichtende festzustellen, dass die OEE bei 58 % lag, sieht der Schichtführer um 10:00 Uhr: „Erwartete OEE bei aktuellem Trend: 62 %. Hauptrisiko: Rüstzeiten an Maschine 7."

Datenquelle: Historische OEE-Daten, aktuelle Schichtdaten, Auftragsprofil.

4. KI-gestützte Planungsoptimierung

Was es tut: Auftragsreihenfolgen werden automatisch auf minimale Rüstzeiten optimiert. Das System erkennt, welche Produktwechsel systematisch zu langen Rüstunterbrechungen führen, und schlägt alternative Sequenzen vor.

Warum das wichtig ist: Ein Automobilzulieferer erhöhte die Linienauslastung um 5 % allein durch optimierte Auftragsreihenfolge — ohne eine einzige Maschine zu verändern.

Datenquelle: Auftragsdaten, Rüstzeiten-Historie, Maschinenkapazitäten.

Praxisbeispiel: Alarm-Korrelation bei Neoperl

Neoperl betreibt vollautomatische Montageautomaten für Sanitärprodukte. Die SPS generiert hunderte Alarme pro Schicht — aber diese Alarme existierten isoliert: ein Code in einem Log, ohne Kontext.

Was SYMESTIC veränderte:

• SPS-basierte Alarmerfassung: Alarme werden automatisch erfasst und dokumentiert — ohne manuellen Eingriff der Mitarbeitenden.
• Automatische Stillstandsbegründung: Die Anlage begründet technische Stillstände selbst über die SPS-Alarme. Kein manuelles Klassifizieren am Schichtende.
• Korrelation SPS-Alarme × Stillstände × Qualitätsdefekte: SYMESTIC verknüpft Alarmcodes mit Stillständen und Ausschussdaten der betroffenen Chargen.

Ergebnis der Mustererkennung: 4 Alarmcodes verursachten 80 % aller Anlagenstopps. Nach gezielter Beseitigung dieser 4 Ursachen:

• 10 % weniger Stillstände
• 8 % höhere Anlagenverfügbarkeit
• 15 % weniger Ausschuss
• 15 % Produktivitätsgewinn

Das ist KI im MES, wie sie heute funktioniert: nicht als selbstlernende Black Box, sondern als datengestützte Mustererkennung, die unsichtbare Zusammenhänge sichtbar macht und dem Team die richtigen Hebel zeigt.

Architektur: Warum KI im MES Cloud braucht

KI-Anwendungen im MES stellen Anforderungen, die On-Premise-Architekturen nur schwer erfüllen:

SYMESTIC löst das über eine hybride Architektur: Edge-Gateways erfassen Maschinensignale mit Millisekundenlatenz und puffern lokal. Die Cloud (Microsoft Azure) analysiert Trends, trainiert Modelle und liefert Handlungsempfehlungen zurück ins MES-Dashboard. Der AI Assistent in SYMESTIC nutzt diese Architektur, um Produktionsdaten in Echtzeit zu interpretieren.

Was muss stimmen, bevor KI wirkt?

KI im MES scheitert nicht an der Technologie — sie scheitert an fehlenden Voraussetzungen:

Die Konsequenz: Starten Sie nicht mit KI. Starten Sie mit MES-Grundfunktionen. Die KI-Fähigkeiten wachsen automatisch mit der Datenbasis. Unternehmen, die sofort mit „Predictive Analytics" beginnen wollen, bevor sie eine saubere OEE-Erfassung haben, investieren in leere Versprechen.

FAQ

Was bedeutet KI im MES?
KI im MES bedeutet, dass das System Produktionsdaten nicht nur erfasst und anzeigt, sondern automatisch interpretiert: Anomalien erkennen, Alarme mit Stillständen korrelieren, OEE vorhersagen, Planungsvorschläge generieren. In der Praxis ist das oft regelbasierte Mustererkennung auf Echtzeitdaten — keine selbstlernende Black Box.

Welche KI-Anwendungen funktionieren heute im MES?
Vier Anwendungsfälle sind produktionsreif: Anomalieerkennung bei Prozessparametern, automatische Alarm-Korrelation (SPS-Alarme × Stillstände × Qualität), Predictive OEE auf Basis historischer Verlustmuster und KI-gestützte Planungsoptimierung (Rüstzeitminimierung).

Brauche ich ein Cloud-MES für KI?
Für Anomalieerkennung und Alarm-Korrelation reicht die Rechenleistung eines Cloud-MES. Für komplexes Modelltraining über mehrere Werke brauchen Sie Rechenkapazität, die On-Premise-Server typischerweise nicht bieten. Cloud-native MES-Plattformen wie SYMESTIC (auf Azure) bieten diese Infrastruktur als Service.

Ab wann lohnt sich KI im MES?
Erst wenn die Grundlagen stehen: automatische Datenerfassung (MDE/BDE), mindestens 3 Monate historische Daten, klassifizierte Stillstände und ein funktionierendes Shopfloor Management. Ohne diese Basis liefert KI keine verwertbaren Ergebnisse.

Ist KI im MES eine Black Box?
Sie sollte es nicht sein. Jede Empfehlung muss nachvollziehbar sein: „Alarmcode 47 korreliert mit 23 % der Stillstände an Linie 3." SYMESTIC setzt auf Explainable AI — das System zeigt die Datenkorrelation, nicht nur das Ergebnis.

Das Wichtigste: KI im MES ist kein Zukunftsthema — aber auch kein Startpunkt. Sie ist Stufe 4 in einem Reifegradmodell, das mit automatischer Datenerfassung beginnt. Wer die Grundlagen hat, kann heute bereits Anomalien erkennen, Alarme korrelieren und OEE vorhersagen. Wer die Grundlagen nicht hat, braucht zuerst ein MES — nicht KI.

→ Was ist ein MES? · → MES-Einführung · → Cloud MES · → SYMESTIC Preise

Weiterführende Artikel:

• MES: Definition, Funktionen & Nutzen 2026
• MES-Funktionen nach VDI 5600 im Detail
• Datenerfassung (MDE/BDE): Grundlagen & Praxis
• Cloud MES: Vorteile, Kosten und Umsetzung
• MES-Architekturen: On-Prem vs. Hybrid vs. Cloud
• MES vs. SCADA: Unterschiede & Datenfluss
• MES-Einführung: Vom Piloten zum Rollout
• OEE: Definition, Berechnung & Praxis 2026
• Predictive Maintenance: Vorausschauende Instandhaltung

Über den Autor:

Mark Kobbert

CTO der symestic GmbH. Verantwortet die Cloud-MES-Architektur seit 2014. B.Sc. Wirtschaftsinformatik.
LinkedIn