Eine Time-Series Database (TSDB) ist eine Datenbank, die speziell für Zeitreihendaten optimiert ist – also Messwerte, die immer aus zwei Teilen bestehen:
einem Zeitstempel (wann wurde gemessen?)
einem Wert (was wurde gemessen?)
Beispiele im Produktionsumfeld:
Temperatur, Druck, Drehmoment, Spindellast im Sekunden- oder Millisekunden-Takt
Maschinenzustände (RUN/STOP/FAULT), Zählerstände, Takte
Energie- und Medienverbräuche
KPIs wie OEE, Durchsatz oder Defect Rate in kurzen Intervallen
Im Unterschied zu klassischen SQL-Datenbanken ist eine TSDB darauf ausgelegt, sehr viele Messpunkte mit hoher Frequenz über lange Zeiträume performant zu speichern und auszuwerten.
Im Digital-Shopfloor-Kontext fallen drei harte Anforderungen zusammen:
Hohe Schreiblast
Viele Maschinen, Sensoren, Linien schreiben permanent Daten.
Lange Historie
Daten sollen über Monate/Jahre für Analysen, Audits und Optimierung verfügbar bleiben.
Zeitachsen-Analysen
Man will Trends, Verläufe, Vergleiche („heute vs. letzte Woche“, „vor/nach Umbau“) sehen – nicht nur einzelne Werte.
Eine Time-Series Database ist genau dafür ausgelegt:
Kompression von Zeitreihen (weniger Speicher, trotzdem präzise Verläufe)
schnelle Abfragen über Zeitfenster („letzte 24h“, „Schicht 2“, „Batch 4711“)
Aggregationen (Min/Max/Mittelwerte, Resampling auf 1s/1min/5min) direkt in der DB
Prozessdaten-Historian
Ein Historian ist im Kern eine spezialisierte Time-Series Database mit Industrie-Fokus (OT-Protokolle, Tag-Management, Visualisierung).
→ Jede Historian-Engine ist technisch eine TSDB, aber mit zusätzlicher Industrie-Funktionalität.
MES / Cloud-MES
MES speichert typischerweise kontextbezogene Ereignisse (Auftrag gestartet, Störung, NOK-Teil) und aggregierte Kennzahlen. Roh-Prozesswerte werden oft im Historian/TSDB gehalten und bei Bedarf angebunden.
→ MES = „Was ist passiert, mit welchem Auftrag/Teil?“
→ TSDB = „Wie sahen die Prozesskurven genau aus, Sekunde für Sekunde?“
Relationale SQL-Datenbank
Kann Zeitreihen theoretisch auch speichern, skaliert aber bei Industrie-Workloads (viele Tags, hohe Frequenz, lange Historie) deutlich schlechter und erfordert viel Tuning.
Process Monitoring & Troubleshooting
Trendkurven bei Störungen: „Was ist kurz vor dem Ausfall passiert?“
Overlay von Kurven („gute“ vs. „schlechte“ Zyklen) zur Mustererkennung.
OEE- & Performance-Analysen
Belastungsprofile, Mikrostopps, Geschwindigkeitsverluste aus Signalen ableiten.
Vergleich von Schichten/Linien auf Basis realer Laufprofile.
PAT & Predictive Quality
Multivariate Analysen auf Prozesskurven (Druck-/Temperaturverläufe, Kraft-Weg-Kurven).
Erkennen von Drifts und Abweichungen, bevor Qualitätsprobleme sichtbar werden.
Predictive Maintenance
Auswertung von Vibrations-, Strom- und Temperaturverläufen zur Vorhersage von Verschleiß und Ausfällen.
Energie- & Ressourcenmonitoring
Zeitreihen von Energie, Luft, Wasser, Gas als Basis für Energieeffizienz-Projekte und Nachweise.
Typische Architektur:
Shopfloor / OT
SPS, Sensoren, Roboter, Prüfstände → OPC UA, MQTT, Feldbus, Gateways.
Time-Series Database / Historian
nimmt hochfrequente Daten auf,
speichert sie komprimiert als Zeitreihen,
bietet API/Abfrage-Schnittstellen.
MES / Cloud-MES & Analytics
nutzt verdichtete Kennzahlen und ausgewählte Signale für OEE, Quality, Maintenance, Dashboards, Alarme, Reports.
Data-Science-/BI-Tools greifen direkt auf die TSDB oder replizierte Daten (Data Lake) zu.
Ergebnis: Rohdaten bleiben in einer spezialisierten TSDB, während MES und Analytik aufbereitet mit ihnen arbeiten. Damit bleibt das System performant und skalierbar – auch wenn später weitere Use Cases (PAT, Predictive, Digital Twin) hinzukommen.