Computer Vision für OEE: Leitfaden für Manager

Jedes Werk hat ein schwarzes Loch: die Zeit, in der die Linie nicht läuft, aber niemand sagen kann warum. Die PLC meldet Zyklus komplett. Das Bedienerprotokoll sagt nichts. Das OEE-Dashboard zeichnet 87 Minuten „kleine Stopps“ ohne Ursache auf.

Eine McKinsey-Studie zur industriellen Produktivität 2024 zeigt, dass mittelgroße europäische Hersteller 10-15% der theoretischen Kapazität an Ereignissen unter 5 Minuten verlieren, die nie protokolliert werden. Auf einer Linie mit 6.000 Einheiten pro Schicht sind das 600-900 Einheiten, die jede Schicht entweichen.

Bediener können keine 30-Sekunden-Verstopfung notieren. PLCs kennen nur „gestoppt“ oder „läuft“, nicht warum. Das schwarze Loch existiert, weil die Datenschicht nie gebaut wurde, um es zu sehen.

Diese Lücke schließt Computer Vision OEE. Siehe: OEE-Monitoring ohne PLC und OEE-Datenerfassungsmethoden im Vergleich.

Computer Vision ist eine Kamera plus KI-Software, die die Linie beobachtet und erkennt, was passiert, genauso wie ein erfahrener Bediener, aber mit 30 Bildern pro Sekunde, jede Sekunde, ohne Ermüdung.

Die Hardware: eine industrielle IP-Kamera (typisch 4-8 Megapixel) montiert über der Linie mit klarer Sicht auf die Arbeit. Eine kleine Edge-Compute-Box oder PoE-Link zu einem Server führt das Modell aus. Gesamthardwarekosten 300-800 EUR pro Linie.

Die Software: ein Vision-Modell, trainiert, um drei Dinge auf Ihrer spezifischen Linie zu erkennen: (1) gute Produktion läuft durch, (2) die Maschine bewegt sich erwartungsgemäß, (3) Anomalien wie Verstopfungen, fehlende Teile oder Produkt außerhalb der Spezifikation. Das Modell verbessert sich mit jeder Schicht.

Was es NICHT ist: keine generische Überwachung. Keine Gesichtserkennung. Keine Black Box. Jede Erkennung kommt mit dem Bild, das sie ausgelöst hat, sodass ein Bediener bestätigen oder korrigieren kann.

Siehe Fabricos Implementierung: Computer Vision OEE Feature-Seite.

Eine hydraulische Presse von 1995 hat keine PLC-Schnittstelle zum Abgreifen. Kein Modbus, kein OPC UA, kein Ethernet. Der Steuerschrank ist vom OEM versiegelt. Traditionelle Antwort: IoT-Vibrationssensoren und Stromklemme am Motor installieren. Kosten pro Maschine: 1.500-2.000 EUR + Elektriker + 6 Wochen Integrationszeit.

Computer Vision Antwort: eine Kamera mit Sicht auf die Presse. Das Modell wird über 2-3 Schichten trainiert, um den Presszyklus zu erkennen (Leerlauf, Schließen, Halten, Öffnen). Ab dann wird jeder Zyklus mit Millisekunden-Präzision protokolliert. Stopps werden automatisch mit Zeitstempel und Videobild markiert. Zeit bis live: 3-5 Tage. Kosten: 600 EUR. Maschinen-Integration: null.

Echtes Beispiel: ein FMCG-Werk mit 47 gemischten Pressen versuchte IoT-Retrofit. Angebot kam zurück mit 96.000 EUR + 14 Wochen. Gleiche Abdeckung per Computer Vision: 28.000 EUR + 3 Wochen.

Deshalb ist OEE-Tracking ohne PLC ein gelöstes Problem, wenn die Kamera die Integration erledigt.

Leistungsverlust ist der stille Killer. Die Linie läuft. Die PLC meldet Normalbetrieb. Aber Sie schaffen 92 Teile pro Minute auf einer 100-Teile-pro-Minute-Designrate. Wo sind die 8 Teile hin?

Computer Vision antwortet auf drei Arten:

• Direkte Zählung. Die Kamera zählt jede Einheit, die einen Marker am Förderband passiert. Querprüfung mit PLC-Ausgang deckt die Lücke auf.
• Mikro-Stopp-Erkennung. Jede Pause unter 5 Minuten wird zeitgestempelt und gezählt. Manuelle Logs verpassen 20-40% davon laut unabhängigen Audits. Computer Vision verpasst keinen.
• Zykluszeit-Drift. Das Modell verfolgt die Zeit zwischen Einheiten. 0,4 Sekunden Drift in einer Woche ist unsichtbar für das Auge, aber sichtbar in den Daten.

Eine europäische Verpackungslinie fand 8,4% Leistungsrückgewinnung in den ersten 60 Tagen nach Anschluss von Computer Vision an das bestehende OEE-Dashboard. Etwa 220 EUR pro Stunde zusätzlicher Output auf einer typischen Linie, ohne Kapitalaufwand an der Maschine.

Optionen vergleichen: Beste Echtzeit-OEE-Monitoring-Systeme.

Die meiste Qualitätskontrolle passiert im Nachhinein. Linienende, offline, stichprobenbasiert. Ein Defekt wird gefunden, aber 200 Einheiten desselben Defekts sind bereits geliefert.

Computer Vision macht Inline-Qualitätskontrolle bei jeder Einheit. Das Modell wird auf guten gegen schlechten Beispielen trainiert (Etikett schief, zu wenig gefüllt, Deckel fehlt, Farbe falsch) und lehnt in Echtzeit ab. Falsch-Positiv-Rate nach 4 Wochen Training fällt typisch unter 0,5%.

Der größere Wert ist das Schließen der OEE-CMMS-Schleife. Wenn die Defektrate steigt, weiß das System, welche Station driftet. Ein Arbeitsauftrag geht an den Techniker mit dem Videoclip angehängt.

Das ist dasselbe Hansen-Methode-Muster „OEE diagnostiziert, CMMS heilt“, das wir in OEE-Benchmark-Leitfaden beschreiben. Qualitätsdaten ohne Aktion sind ein Museumsausstellung.

Brauchen wir einen Reinraum für Kameras?

Nein. Industrielle IP-Kameras bewältigen 90% der Fabrikumgebungen (Lebensmittel, Automobil, Verpackung, Elektronik). Nur schwere Washdown-Zonen (volle Sanitärzyklen mit 80°C Wasser) erfordern IP69K-Gehäuse. Fabricos Standard-Kit ist IP67.

Was ist mit Beleuchtungsänderungen?

Modelle werden auf Ihre tatsächliche Beleuchtung trainiert (Schichtvariationen, Sonne durch Oberlichter, Leuchtstoffflackern). Training dauert 2-3 Schichten. Danach fallen Falsch-Positive unter 1%.

Wird das Video in der Cloud oder on-prem gespeichert?

Ihre Wahl. Standard ist Frame-only-Modus: nur das Auslöserbild wird gespeichert, kein kontinuierliches Video. Volles Video kann on-prem in einem 7-Tage-Rolling-Buffer gehalten werden, wenn Compliance es erfordert.

Was ist der ROI?

Typische Amortisation: 4-9 Monate. Die 10-15% Kapazitätsfreisetzung auf der ersten Linie deckt die Rollout-Kosten für 10 weitere Linien.

Pilot-Pricing-Logik: Wie ein CMMS-Angebot aufgebaut wird.

Eine Kamera, die nur ein Dashboard produziert, ist eine teurere Version desselben Problems. Der Grund, warum Computer Vision wichtig ist, ist, was nach der Erkennung passiert.

Die richtige Architektur: Kamera erkennt Mikro-Stopp auf Linie 3. Die Erkennung wird zu einem CMMS-Ereignis. Das CMMS findet den richtigen Techniker basierend auf Maschine + Symptom + Schicht. Ein Arbeitsauftrag mit dem Videobild angehängt landet auf dem Tablet des Technikers. Mittlere Reaktionszeit fällt von 12 Minuten (Funk + Vorgesetzten suchen) auf 90 Sekunden.

Das ist der Fabrico-Ansatz: Computer Vision OEE nativ verdrahtet mit unserem CMMS. Nicht zwei Systeme, die vorgeben zu sprechen. Ein System vom Sensor bis zur Reparatur.

Wenn Sie auf einer Ihrer schwierigsten Linien testen wollen, siehe den 1-Tages-Pilot-Pfad.