KI-Störmeldesystem: Maschinenstillstand per App

TL;DR

Ein KI-Störmeldesystem erkennt Maschinenstillstände automatisch über Sensordaten und benachrichtigt Instandhalter per App in unter 90 Sekunden. Fertigungsbetriebe reduzieren ungeplante Ausfallzeiten um 31% und sparen durchschnittlich €67.000 pro Jahr. Die Implementierung dauert 4-6 Wochen und amortisiert sich innerhalb von 5 Monaten.

Warum klassische Störmeldungen in der Fertigung versagen

Maschinenführer bemerkt Stillstand, ruft Schichtleiter an, Schichtleiter sucht freien Instandhalter, Instandhalter läuft zur Maschine. Dieses Szenario kennt jeder Fertigungsbetrieb im Mittelstand. Zwischen Stillstand und erster Reaktion vergehen im Durchschnitt 23 Minuten. Bei einem Maschinenstundensatz von €180 kostet jeder ungeplante Stillstand €69 pro Minute.

Eine Erhebung des VDMA zeigt: 68% aller mittelständischen Fertigungsbetriebe nutzen noch manuelle Störmeldeprozesse. Telefonanrufe, handschriftliche Protokolle, Excel-Listen. Das KI-Störmeldesystem ersetzt diesen Prozess durch automatische Erkennung und sofortige App-Benachrichtigung.

Typische Verluste durch manuelle Störmeldung:

So funktioniert das KI-Störmeldesystem

Das System verbindet drei Komponenten: Sensordaten von der Maschine, ein Edge-Gateway für die lokale KI-Analyse und eine mobile App für die Instandhaltung. Die KI erkennt Anomalien in Vibration, Stromaufnahme und Temperatur, bevor der Stillstand eintritt, oder meldet ihn innerhalb von Sekunden.

Architektur im Überblick

# Störmeldesystem Architektur
sensoren:
  vibration: "IEPE-Beschleunigungssensor, 100 Hz Abtastrate"
  strom: "Stromwandler am Hauptantrieb, 50 Hz"
  temperatur: "PT100 an Spindellager"

edge_gateway:
  hardware: "Siemens IOT2050 oder Raspberry Pi 4"
  software: "TensorFlow Lite Anomalie-Modell"
  protokoll: "MQTT an zentralen Broker"

app_benachrichtigung:
  plattform: "Progressive Web App (iOS/Android)"
  eskalation:
    stufe_1: "Zuständiger Instandhalter (sofort)"
    stufe_2: "Schichtleiter (nach 10 Min.)"
    stufe_3: "Produktionsleiter (nach 30 Min.)"
  informationen:
    - "Maschinenkennung und Standort"
    - "Fehlerklassifikation (mechanisch/elektrisch/steuerung)"
    - "Historische Ausfallhäufigkeit"
    - "Empfohlene Ersatzteile"

Schritt-für-Schritt-Implementierung

Phase 1 – Sensorik nachrüsten (Woche 1-2): Beschleunigungssensoren und Stromwandler an den 10-15 kritischsten Maschinen montieren. Kosten: €200-400 pro Maschine. Die meisten CNC-Fräsen, Drehmaschinen und Pressen lassen sich ohne Eingriff in die Steuerung nachrüsten.

Phase 2 – Edge-Gateway konfigurieren (Woche 2-3): Ein Siemens IOT2050 pro Hallensegment erfasst die Sensordaten und führt die Anomalieerkennung lokal durch. Das TensorFlow-Lite-Modell wird mit 2-3 Wochen historischer Betriebsdaten trainiert. Kein Cloud-Zwang, alles bleibt im Firmennetzwerk.

Phase 3 – App und Eskalation einrichten (Woche 3-4): Die Progressive Web App benötigt keine Installation aus dem App Store. Instandhalter öffnen den Link, erlauben Push-Benachrichtigungen und erhalten sofort Störmeldungen. Die Eskalationslogik stellt sicher, dass keine Meldung untergeht.

Phase 4 – Anlernphase und Feintuning (Woche 4-6): In den ersten zwei Wochen nach Go-Live lernt das System Fehlalarme von echten Störungen zu unterscheiden. Die Erkennungsrate steigt typischerweise von 78% auf 94% innerhalb der ersten 500 Betriebsstunden.

Praxisbeispiel: Metallverarbeiter aus Baden-Württemberg

Ein Zulieferbetrieb mit 85 Mitarbeitern und 22 CNC-Maschinen hat das KI-Störmeldesystem im Oktober 2025 eingeführt. Vorher meldeten Maschinenführer Störungen per Telefon an den Meister. Durchschnittliche Reaktionszeit: 27 Minuten.

Nach der Implementierung sank die Reaktionszeit auf 2 Minuten. Ungeplante Stillstände reduzierten sich von 14 auf 9 pro Monat. Die jährliche Ersparnis liegt bei €67.400, bei einmaligen Investitionskosten von €28.000. Der ROI war nach 5 Monaten erreicht.

Besonders wertvoll: Das System erkennt schleichende Verschlechterungen. Eine Spindel an einer DMG-Fräse zeigte über drei Wochen steigende Vibrationen. Der Instandhalter tauschte das Lager geplant am Wochenende, statt einen ungeplanten Stillstand während der Produktion zu riskieren.

Kosten und ROI-Berechnung

Die Kosten für ein KI-Störmeldesystem sind überschaubar und skalieren mit der Maschinenanzahl.

Bei durchschnittlich €67.000 Einsparung pro Jahr ergibt sich ein ROI von 145% im ersten Jahr. Ab dem zweiten Jahr liegt die Nettoersparnis bei über €60.000 jährlich. Für die detaillierte Kalkulation empfehlen wir die Excel-Vorlage zur ROI-Berechnung.

Integration in bestehende Systeme

Das KI-Störmeldesystem lässt sich über MQTT und REST-API in vorhandene Infrastruktur einbinden. Typische Integrationen für den Mittelstand:

• SAP PM: Automatische Erstellung von Instandhaltungsaufträgen bei Störmeldung
• ERP-System: Ersatzteilbestellung wird direkt ausgelöst, wenn das System den Bedarf erkennt
• MES: Produktionsplanung passt sich automatisch an, wenn eine Maschine ausfällt
• Microsoft Teams: Störmeldungen erscheinen als Kanal-Nachrichten für das gesamte Team

Die Implementierung der SAP-Anbindung dauert typischerweise 2-3 zusätzliche Tage. Die meisten mittelständischen Betriebe starten ohne SAP-Integration und ergänzen sie nach der Anlernphase.

Datenschutz und Sicherheit

Das System verarbeitet ausschließlich Maschinendaten, keine personenbezogenen Daten. Die Edge-Verarbeitung stellt sicher, dass Sensordaten das Firmennetzwerk nicht verlassen. Für Betriebe mit erhöhten Sicherheitsanforderungen empfiehlt sich eine vollständig air-gapped Installation ohne Internetverbindung.

Die App-Kommunikation läuft über verschlüsselte WebSocket-Verbindungen innerhalb des Firmen-VPNs. Externe Cloud-Dienste sind nicht erforderlich.

Häufige Fehler bei der Einführung

Zu viele Maschinen gleichzeitig: Starten Sie mit 10-15 kritischen Maschinen. Das System braucht Anlernzeit und Ihr Instandhaltungsteam muss die neuen Workflows verinnerlichen.

Fehlende Eskalationslogik: Ohne klare Zuständigkeiten und Eskalationsstufen versanden Meldungen. Definieren Sie vor dem Go-Live, wer wann reagiert.

Kein Feedback-Loop: Instandhalter müssen Fehlalarme als solche markieren. Nur so verbessert sich die Erkennungsgenauigkeit über die Zeit.

FAQ

Was kostet ein KI-Störmeldesystem für 20 Maschinen?

Rechnen Sie mit €25.000-35.000 einmalig plus €6.000-8.000 jährlich für Support und Updates. Die Einsparungen übersteigen die Kosten typischerweise nach 4-6 Monaten.

Funktioniert das System auch mit älteren Maschinen ohne Steuerungsanbindung?

Ja. Die externen Sensoren (Vibration, Strom, Temperatur) werden unabhängig von der Maschinensteuerung montiert. Auch Maschinen aus den 1990er-Jahren lassen sich nachrüsten.

Wie hoch ist die Erkennungsrate nach der Anlernphase?

Nach 500 Betriebsstunden erreichen die meisten Installationen eine Erkennungsrate von 92-96% bei einer Fehlalarmquote unter 5%.

Brauche ich eine Cloud-Anbindung?

Nein. Das System arbeitet vollständig on-premise. Eine Cloud-Anbindung ist optional und nur für standortübergreifende Auswertungen sinnvoll.

Wie lange dauert die Einführung vom Projektstart bis zum produktiven Betrieb?

Planen Sie 4-6 Wochen ein. Die Sensorik-Montage dauert 1-2 Wochen, die Software-Konfiguration eine Woche und die Anlernphase 2-3 Wochen.