Die Maschinenüberwachung in der Fertigung hat eine Lücke, über die bei Verkaufsgesprächen niemand spricht. Ihr System meldet 76 % OEE. Die Spindel lief die ganze Schicht. Die Taktzeiten sahen normal aus. Dann stellt Ihr Vorgesetzter fest, dass an Station 3 ein Drehmomentschritt übersprungen wurde. Nach sechzig Teilen wächst der Nacharbeitsstapel.
Der globale Markt für Maschinenüberwachungslösungen liegt im Jahr 2025 bei 3,78 Milliarden US-Dollar . Ein Großteil dieser Ausgaben erfasst nur, was die Maschinen melden. Nicht, was tatsächlich in der Fertigung passiert.
Maschinenüberwachung ist die automatisierte, kontinuierliche Erfassung von Maschinenzustand, Taktzeit, Stillstand, OEE und Zustandssignalen, die Bedienern und Vorgesetzten live angezeigt wird. Sie ersetzt die manuelle Auswertung am Schichtende durch Daten, auf die Sie noch während der laufenden Produktion reagieren können.
Dieser Leitfaden erläutert die drei Verbindungsmethoden, die acht Kennzahlen, die sich zu verfolgen lohnen, und wo die Echtzeit-Maschinenüberwachung endet und die Prozesstransparenz beginnt.
Was Maschinenüberwachung misst und wo ihre Grenzen liegen
Die Maschinenüberwachung liefert Ihnen einen Live-Feed Ihrer Maschinen. Laufzustand, Stückzahl, Stillstandsdauer, OEE unterteilt in ihre drei Komponenten. Diese Daten sind präzise. Das Problem ist ihr Umfang.
Ein Maschinenüberwachungssystem meldet das Verhalten der Maschine, nicht das des Menschen. Das sind zwei verschiedene Dinge, und genau diese Verwechslung führt dazu, dass die meisten Überwachungsprojekte scheitern.
Was das System sieht:
- Lauf-/Stopp-Zustand und Verfügbarkeit im Verhältnis zur geplanten Zeit
- Leistungsrate im Vergleich zur programmierten Nenngeschwindigkeit
- Zustandsüberwachung der Anlagen: Vibration, Temperatur, Stromaufnahme
- Ungeplante Stopp-Ereignisse, protokolliert mit Zeitstempeln
Was das System nicht sieht:
- Ob der Bediener die korrekte Montagesequenz eingehalten hat
- Ob die richtige Komponente verbaut wurde
- Ob ein Prozessschritt komplett übersprungen wurde
Über 64 % der Industrieanlagen nutzen mittlerweile Maschinenüberwachungssysteme, doch fast die Hälfte verfügt immer noch nicht über Transparenz auf Prozessebene.
Maschinensensoren melden, was gelaufen ist. Sie melden nicht, was korrekt ausgeführt wurde. Genau um diesen Unterschied dreht sich der Monitoring-Stack im nächsten Abschnitt.
Der Monitoring-Stack: Drei Ebenen der Fertigungstransparenz
Ein einzelnes Maschinenüberwachungssystem liefert Ihnen nicht die ganze Wahrheit über die Produktion. Es deckt nur Ebene 1 ab. Darüber gibt es zwei weitere Ebenen, und die Verluste, die sich in diesen Ebenen verbergen, tauchen in keinem OEE-Dashboard auf.
Ebene 1: Maschinenüberwachung
Dies ist das, was die meisten Maschinenüberwachungssysteme standardmäßig liefern. Die Maschine meldet Verfügbarkeit, OEE, Stückzahl, Stillstandsdauer und Leistungsgrad im Vergleich zur programmierten Nenngeschwindigkeit. Die Daten stammen von SPS-Signalen, IoT-Sensoren oder Protokollen wie MTConnect, OPC-UA und Fanuc Focas.
Was dabei fehlt: alles, was nicht als Maschinenereignis registriert wird. Eine CNC-Maschine, die mit 85 % der Nennvorschubgeschwindigkeit läuft, sieht in Ordnung aus. Eine Station, die einen Drehmomentschritt überspringt, sieht ebenfalls in Ordnung aus. Ebene 1 erfasst beides nicht.
Ebene 2: Zustandsüberwachung
Dies ist die Ebene der physischen Gesundheit. Vibrationsbeschleunigungssensoren, Lagertemperaturfühler, Stromzangen und Schallemissionsdetektoren werden am Maschinengehäuse angebracht, ohne die SPS zu berühren. Sie erfassen Lagerfehlerfrequenzen, thermische Gradienten und akustische Signaturen, die einem Ausfall 48 bis 96 Stunden vorausgehen.
Die Vibrationsüberwachung macht weltweit über 75 % der industriellen Zustandsüberwachungsanwendungen aus. Ebene 2 sagt Ihnen, dass die Maschine abbaut. Sie kann Ihnen jedoch immer noch nicht sagen, was der Bediener an Station 3 getan hat.
Ebene 3: Prozess- und Bedienerüberwachung
Dies ist die Lückenebene. KI-gestützte Kameras analysieren Bedieneraktionen Bild für Bild anhand einer digitalen Arbeitsanweisung (SOP) und bestätigen in Echtzeit das Vorhandensein von Komponenten, die Montagereihenfolge und die Schrittdauer. Statistische Studien in der Automobil-, Elektronik- und Lebensmittelindustrie zeigen konsistent, dass menschliche Prüfer unter optimalen Bedingungen zwischen 70 % und 85 % der Fehler erkennen, wobei dieser Wert während Nachtschichten und gegen Schichtende stark abfällt.
Ebene 3 ist der Ursprung von Nacharbeit, und es ist die Ebene, die kein Maschinensignal abdecken kann.
Die richtige Methode zur Anbindung Ihrer Maschinen hängt vollständig davon ab, welche Ebene Sie adressieren möchten – genau das behandelt der nächste Abschnitt.
Drei Methoden zur Maschinenanbindung: Protokoll, Sensor und Vision
Ihr Maschinenpark ist gemischt. Manche Maschinen haben Fanuc-Steuerungen. Manche sind Drehmaschinen aus den 1990er Jahren ohne digitalen Ausgang. Manche sind Montagestationen, bei denen der Bediener die Variable darstellt. Jede Einführung einer Maschinenüberwachung beginnt mit derselben Frage: Welche Anbindungsmethode passt zu welchem Asset? Wählen Sie die falsche, riskieren Sie blinde Flecken, verschwendetes Budget oder beides.
Methode 1: Protokollbasiert (MTConnect, OPC-UA, Fanuc Focas, Siemens SINUMERIK)
Dies ist die umfassendste Form der CNC-Maschinenüberwachung. Das Überwachungssystem liest die Daten direkt aus der Steuerung aus: Spindellast, Achsauslastung, M-Code-Status, Vorschub-Override, Alarmcodes sowie Soll- und Ist-Zykluszeiten. Die Daten stammen direkt aus der Steuerung und sind keine Ableitung aus externen Signalen.
Einschränkung: Funktioniert nur bei Maschinen mit kompatiblen Steuerungen. Ältere Anlagen bleiben „dunkel“.
Methode 2: IoT-sensorbasiert (Stromzangen, Vibration, optisch)
Die Zustandsüberwachung von Anlagen über externe Sensoren erfordert weder Änderungen an der SPS noch Produktionsstopps. Stromzangen und Vibrationssensoren werden am Maschinengehäuse angebracht und leiten den Betriebszustand aus elektrischen und mechanischen Signalen ab. Funktioniert bei jeder Maschine, unabhängig vom Alter: manuelle Fräsen, Bandsägen, Spritzgussmaschinen oder 30 Jahre alte Drehmaschinen.
IoT-gestützte vorausschauende Wartung reduziert Ausfälle um bis zu 70 % und senkt die Instandhaltungskosten um 25 %. Die typische Implementierung für eine Echtzeit-Maschinenüberwachung im gesamten Werk dauert 48 Stunden, ohne die Produktion zu unterbrechen.
Einschränkung: kann keine G-Codes, Teileprogramme oder native Qualitätsdaten auslesen.
Methode 3: Bildbasiert (Edge AI + Inspektionskamera für die Fertigungslinie)
Eine Inspektionskamera für die Fertigungslinie in Kombination mit Edge-KI deckt Ebene 3 des Überwachungs-Stacks ab. Sie erfasst Bedieneraktionen, Bauteilplatzierung, Montagereihenfolge und Maßprüfungen Bild für Bild. Dies sind Prozessfehler, die kein Maschinensignal erkennen kann.
Einschränkung: Erfordert die Positionierung der Kamera und das Training von KI-Modellen für jede Station. Kein Ersatz für die Zustandsüberwachung auf Spiegelebene.
Der richtige Ansatz für gemischte Maschinenparks
Protokollintegration für CNC-Maschinen, die dies unterstützen. IoT-Sensoren für Altanlagen. Eine Inspektionskamera an prozesskritischen Arbeitsstationen. Diese Kombination bietet eine vollständige Maschinenüberwachung für die gesamte Fertigung, ohne eine einzige Methode auf alle Anlagen erzwingen zu müssen.
Verbindungsmethode geklärt. Weiter geht es mit den acht Kennzahlen, die Ihnen zeigen, ob das Ganze tatsächlich funktioniert.
Die 8 Kennzahlen der Maschinenüberwachung für fundierte Verbesserungsentscheidungen
Jede Anbieter-Demo beginnt mit der OEE. Diese Zahl ist wichtig, aber ein einzelner Prozentwert verrät einem Betriebsleiter nicht, wo er eingreifen muss. Diese acht Kennzahlen sind es, die erfahrene Ingenieure tatsächlich in einem Maschinenüberwachungssystem verfolgen – sortiert nach operativer Auswirkung, nicht alphabetisch.
1. OEE (Gesamtanlageneffektivität)
Die wichtigste Kennzahl. Verfügbarkeit × Leistung × Qualität. Der weltweite Durchschnitt in der diskreten Fertigung liegt 2025 bei etwa 68 %, ein Anstieg gegenüber 58 % im Jahr 2020. Nur 6 % der Hersteller erreichen dauerhaft 85 % oder mehr. Eine OEE-Steigerung um 10 Prozentpunkte in einem Werk mit 50 Mio. $ Produktionsvolumen setzt ohne Investitionsausgaben einen Durchsatz von rund 5,5 Mio. $ frei.
2. Verfügbarkeitsgrad
Geplante Zeit im Vergleich zur tatsächlichen Laufzeit. Ein niedriger Wert deutet direkt auf ungeplante Stillstände oder übermäßige Rüstzeiten hin. Dies ist die erste Kennzahl, die geprüft werden sollte, wenn Echtzeit-Dashboards zur Maschinenüberwachung einen OEE-Abfall während der Schicht anzeigen.
3. Leistungsgrad
Tatsächliche Taktzeit im Vergleich zur programmierten Nenngeschwindigkeit. Manuelle OEE-Erfassungen überschätzen die Leistung im Vergleich zu automatisierten Messungen um 8 bis 12 Prozentpunkte. Ein CNC-Maschinenüberwachungssystem erkennt, wenn eine Maschine nur mit 85 % der Nennvorschubgeschwindigkeit läuft. Eine manuelle Kontrolle mit Klemmbrett wird das nie leisten.
4. Qualitätsgrad
Gutteile im Vergleich zum Gesamtausstoß, erfasst auf Maschinenebene. Die Aggregation von Ausschuss am Schichtende verschleiert, welche Maschine und welcher Bediener das Problem verursacht haben.
5. Rüstzeit
Der Rüstvorgang beginnt mit dem Start und endet mit der Bestätigung des ersten Gutteils. SMED-orientierte Werke erfassen dies separat in ihrem Maschinenüberwachungssystem, da es sich um einen geplanten Verlust handelt und nicht um einen Ausfall. Wird dies in der Verfügbarkeit versteckt, verfälscht das beide Kennzahlen.
6. MTBF (Mittlere Zeit zwischen Ausfällen)
Ein sinkender MTBF-Trend bei einer bestimmten Anlage ist das früheste Signal dafür, dass die zustandsorientierte Instandhaltung eine Zustandsbewertung einleiten muss. Auf den Ausfall zu warten, kostet deutlich mehr, als auf den Trend zu reagieren.
7. MTTR (Mittlere Reparaturzeit)
Die automatisierte Ereigniserkennung reduziert die MTTR bei erkannten Fehlermodi um 30 bis 50 %, wobei sich die Edge-Hardware in der Regel innerhalb von 2 bis 6 Monaten amortisiert. Eine lange MTTR deutet fast immer auf Lücken bei der Ersatzteilverfügbarkeit oder der Personaleinsatzplanung hin, nicht auf die Komplexität der Maschine.
8. Produktion vs. Plan
Tatsächlicher Ausstoß im Vergleich zum Produktionsplan. Die wichtigste Kennzahl für einen Schichtleiter. Maschinenüberwachung macht dies in Echtzeit sichtbar, anstatt erst bei der Nachbesprechung am Schichtende, wenn nichts mehr korrigiert werden kann.
Diese acht Kennzahlen zeigen Ihnen, wo die Verluste liegen. Als Nächstes behandeln wir, was CNC-Maschinenüberwachung speziell für Bearbeitungszentren ermöglicht, bei denen die Daten deutlich tiefer gehen.
CNC-Maschinenüberwachung: Spezifische Einrichtungsüberlegungen für Bearbeitungszentren
Allgemeine Maschinenüberwachung deckt den Lauf-/Stopp-Zustand und die OEE ab. CNC-Maschinenüberwachung geht tiefer. Ein Bearbeitungszentrum mit einer kompatiblen Steuerung liefert Daten, die kein externer Sensor replizieren kann. Hier erfahren Sie, wie das in der Praxis aussieht und wo die Entscheidungen bei der Einrichtung tatsächlich liegen.
1. Protokolldaten der Steuerung
CNC machine monitoring via Fanuc Focas, MTConnect, or Siemens SINUMERIK provides precise data on spindle load, axis utilization, feed override, M-code status, alarm codes, as well as target and actual cycle times. This is direct information from the controller – without estimates or interpretations.
2. Spindle condition via condition monitoring
Vibration sensors on the spindle housing capture bearing fault frequencies and thermal gradients. AI-supported predictive maintenance reduces unplanned downtime by 70 to 75% and increases OEE in CNC machining processes by 10 to 20%. Most condition monitoring systems detect an impending spindle failure 48 to 96 hours in advance with an accuracy of over 85%.
3. The problem of micro-stoppages
This is where most users experience their first surprise when introducing CNC monitoring. Stoppages of four to seven seconds for chip removal, tool changes, or bar feeder reloading are too short for manual recording. In total, however, they account for 10 to 15% of available production time. Only real-time machine monitoring captures these losses.
4. What the numbers look like before implementation
Typical OEE in small to medium-sized CNC operations is between 30 and 60%. A pilot project with 3 to 10 machines usually increases OEE by 5 to 15% within 3 to 6 months and reduces unplanned downtime by 20 to 50%. Hardware and integration costs range from 500 to 2,500 USD per machine, plus SaaS fees of 50 to 300 USD per machine per month. Most operations report a return on investment within 3 to 12 months.
CNC machine monitoring provides you with the deepest available data at the machine level. However, what it cannot offer is transparency regarding what happens at the workstation once the spindle stops.
How AI camera monitoring closes the gap that machine data cannot capture
Your machine monitoring system confirmed that the spindle was running. The cycle time was on target. The OEE looked good. But the scrap rate during final inspection told a different story. This is the gap at level 3: the discrepancy between what the machine reported and what actually happened at the workstation. An AI-supported inspection camera for the production line is the only solution to close this gap.
1. Process errors that machine sensors do not see
Machine monitoring confirms that a machine was running at the intended speed and producing output. However, it cannot confirm whether the operator installed the correct component, applied the correct torque, or performed the assembly steps in the correct order.
Human inspectors detect between 70% and 85% of errors under optimal conditions – a rate that drops drastically during night shifts and towards the end of a shift. It is precisely these errors that lead to rework, customer complaints, and warranty claims.
2. What AI image monitoring achieves at level 3
An inspection camera with edge AI performs step-by-step verification in real time based on a digital standard operating procedure (SOP). It confirms not only whether the machine was running, but also exactly what was done and in what order. Image-based analysis detects process deviations the moment they occur – and not just during inspection at the end of the shift.
3. Nagare from Jidoka Technologies
Nagare transforms existing RTSP and IP-compatible cameras (from Bosch, Hikvision, and others) into a live, real-time monitoring system for process compliance. For most installations, no new hardware is required.
The system runs two parallel streams locally via edge AI, without dependence on the cloud:
- Stream 1 (Objekterkennung): bestätigt die Anwesenheit von Bauteilen und den korrekten Sitz der Schrauben
- Stream 2 (Aktionserkennung): bestätigt die Bewegungen des Bedieners und stellt sicher, dass das Drehmoment tatsächlich aufgebracht wurde, anstatt das Teil nur zu platzieren
Nagare sorgt für eine 30-prozentige Verbesserung der Prozesseinhaltung, eine Reduzierung der Nacharbeit um 35 % und einen Rückgang der Ausfallzeiten um 25 %. Das System erfasst 100 % der Montageschritte über die vorhandene Kamerainfrastruktur. Die Skelett-Erkennung überwacht die Aktionen des Bedieners ohne Gesichtserkennung, wodurch die Identität der Mitarbeiter geschützt bleibt.
Ein vollständiger Stack zur Maschinenüberwachung, der alle drei Ebenen abdeckt, liefert Ihnen die Wahrheit über Ihre Produktion. Die Ebenen 1 und 2 liefern Ihnen eine präzise OEE. Ebene 3, die durch eine Inspektionskamera mit Edge-KI abgedeckt wird, zeigt Ihnen, ob die Arbeit korrekt ausgeführt wurde.
Fazit
Die meisten Hersteller, die heute ein Maschinenüberwachungssystem einsetzen, decken Ebene 1 ab. Sie verfügen über OEE-Dashboards, Ausfallprotokolle und Zykluszeitberichte. Die Daten sind präzise. Das Problem ist, dass die Verluste in der Fertigung nicht dort aufhören, wo die Sensoren der Maschinen enden.
Übersprungene Montageschritte, falsche Bauteile, Arbeiten in der falschen Reihenfolge: Nichts davon erscheint auf einem Dashboard zur Maschinenüberwachung. Diese Nacharbeit fällt erst bei der Endkontrolle oder – noch schlimmer – beim Kunden an.
Nagare von Jidoka Technologies verbindet Ihre vorhandenen Kameras mit der einen Ebene, die bei den meisten Maschinenüberwachungssystemen völlig im Dunkeln bleibt. Die Daten waren schon immer da. Jetzt sind sie nutzbar.
Kontaktieren Sie Jidoka und nutzen Sie Ihre vorhandene Kamerainfrastruktur effizient
FAQ
1. Was ist Maschinenüberwachung in der Fertigung?
Maschinenüberwachung ist die automatisierte, kontinuierliche Erfassung von Maschinenzuständen, Zykluszeiten, OEE, Ausfallereignissen und Zustandssignalen, die den Produktionsteams live angezeigt werden. Sie ersetzt die manuelle Abstimmung per Klemmbrett am Schichtende durch Daten, auf die Bediener und Vorgesetzte noch während der laufenden Produktion reagieren können.
2. Was ist der Unterschied zwischen Maschinenüberwachung und Prozessüberwachung?
Die Maschinenüberwachung erfasst, was die Maschine meldet: Verfügbarkeit, Leistung und OEE. Die Prozessüberwachung erfasst, was der Bediener tut: Montagesequenz, Anwesenheit von Bauteilen und Zeitvorgaben für die einzelnen Schritte gemäß einer digitalen Arbeitsanweisung (SOP). Ein vollständiges Transparenzsystem benötigt beides. Ohne das jeweils andere bleiben vermeidbare Verluste unsichtbar.
3. Wie verbinde ich ältere Maschinen ohne SPS mit einem Überwachungssystem?
Drahtlose IoT-Sensoren – wie Stromzangen, Vibrationsdetektoren oder optische Sensoren – lassen sich extern an jeder Maschine anbringen, ohne dass Änderungen an der SPS erforderlich sind. Die Implementierung einer Echtzeit-Maschinenüberwachung in einem Werk mit gemischtem Maschinenpark dauert in der Regel 48 Stunden, erfolgt ohne Produktionsunterbrechung und funktioniert bei Anlagen jeden Alters.
4. Welchen OEE-Wert sollte ich bei der Einführung einer Maschinenüberwachung anstreben?
Der häufig zitierte Weltklasse-Benchmark liegt bei 85 %, definiert von Seiichi Nakajima im Jahr 1984. Die meisten Fertigungsunternehmen, die mit der Maschinenüberwachung beginnen, liegen bei 60 bis 68 %. Ein realistisches Ziel für das erste Jahr ist eine Verbesserung um 5 bis 12 Prozentpunkte innerhalb von 6 Monaten nach der Implementierung.
5. Können vorhandene Sicherheitskameras für die Prozessüberwachung genutzt werden?
Herkömmliche CCTV-Systeme zeichnen lediglich Videomaterial auf, analysieren jedoch keine Produktionsereignisse. Nagare von Jidoka Technologies verwandelt vorhandene RTSP- und IP-kompatible Kameras mithilfe von Edge-KI vor Ort in ein Live-Inspektionssystem für Fertigungslinien, das bei den meisten Installationen 100 % der Montageschritte ohne neue Hardware erfasst.
