Aussgangssituation
Im Unternehmen waren bereits einzelne Maschinen im Zuge eines Retrofits mit Sensorik ausgestattet. Über den vorhandenen KNX‑Bus wurden Zustandsinformationen der Maschinen („läuft“ / „läuft nicht“) sowie bei ausgewählten Anlagen auch der aktuelle Energieverbrauch erfasst. Diese Daten wurden jedoch ausschließlich für die Momentbetrachtung genutzt und nicht gespeichert oder ausgewertet.
Somit fehlte eine zentrale, persistente Datenhaltung sowie Transparenz über Stillstandszeiten und die zeitliche Auslastung der Anlagen. Eine fundierte Grundlage für Kennzahlen, Analysen und zukünftige datenbasierte Anwendungen war somit nicht gegeben.
Das vorhandene ERP‑System war für diese Anforderungen nicht ausgelegt und konnte dafür nicht erweitert werden. Gesucht war daher eine flexible, entkoppelte Dateninfrastruktur.
Projektziel
Ziel des Projekts war der prototypische Aufbau einer skalierbaren Architektur zur
- kontinuierlichen Erfassung von Maschinen- und Energiedaten,
- strukturierten Speicherung dieser Daten in einer geeigneten Datenbank,
- Visualisierung der Daten in übersichtlichen, anpassbaren Dashboards und
- Schaffung einer belastbaren Datengrundlage für zukünftige Optimierungs- und KI‑Anwendungen.
Vorgehen
Das Projekt wurde in mehreren aufeinander aufbauenden Schritten umgesetzt:
- Aufnahme des Ist‑Zustands: Analyse der bestehenden Maschinen, Sensorik, KNX‑Infrastruktur und der verfügbaren Datenpunkte
- Technologiebewertung und Architekturplanung: Untersuchung geeigneter Datenbanksysteme und Definition einer Zielarchitektur
- Prototypische Umsetzung: Implementierung der Datenaufnahme, ‑verarbeitung und ‑speicherung, sowie Aufbau erster Dashboards
- Erprobung und Dokumentation: Gemeinsames Testen unterschiedlicher Visualisierungsansätze und abschließende Dokumentation der Lösung
Lösung
Der Lösungsweg konzentrierte sich auf den prototypischen Aufbau einer modularen und skalierbaren Dateninfrastruktur. Diese macht bestehende Sensordaten zukünftig dauerhaft nutzbar.
Zu Beginn wurde die Auswahl eines geeigneten Datenbanksystems untersucht. Während mit QuestDB zunächst eine reine Zeitreihendatenbank evaluiert wurde, zeigte sich im Projektverlauf, dass neben Zeitreihendaten auch relationale Informationen – etwa zu Maschinen, Zuordnungen und zukünftigen Erweiterungen – erforderlich sind. Aus diesem Grund fiel die Entscheidung auf den Einsatz von TimescaleDB auf Basis von PostgreSQL, um sowohl performante Zeitreihenspeicherung als auch die Vorteile einer relationalen Datenbank zu kombinieren. Für Maschinenzustände und Energiedaten wurden getrennte Hypertables angelegt.
Die Datenerfassung und -verarbeitung bildet das Herzstück der Umsetzung und wurde mithilfe der Low-Code-Plattform Node-RED realisiert. Über die Erweiterung „KNX-Ultimate“ liest Node-RED die Zustands- und Energiedaten direkt vom bestehenden KNX-Bus aus. Die Maschinen liefern dabei binäre Zustandsinformationen („läuft“ / „läuft nicht“) sowie bei ausgewählten Anlagen den aktuellen Energieverbrauch in Watt. Innerhalb von Node-RED-Flows werden diese Rohdaten weiterverarbeitet, unter anderem durch Glättung kurzzeitiger Fehl- oder Aus-Signalen einzelner Maschinen. Anschließend werden die aufbereiteten Zustands- und Energiedaten getrennt voneinander in die entsprechenden TimescaleDB-Hypertables geschrieben. Damit wurde erstmals eine kontinuierliche, historisierte Speicherung der Maschinendaten umgesetzt.
Aufbauend auf der Datenspeicherung erfolgte die Visualisierung der Informationen mithilfe der Open-Source-Software Grafana. In mehreren Dashboards wurden verschiedene Darstellungsformen für Maschinenzustände, Stillstandszeiten, zeitliche Auslastung und Energieverläufe erprobt. Die Dashboards sind für das Unternehmen jederzeit anpassbar und ermöglichen eine flexible Auswertung der Daten im laufenden Betrieb. Zusätzlich zu den Maschinendaten konnten Daten zu Aufträgen direkt aus der Datenbank des ERP-Systems ausgelesen werden.
Die gesamte Lösung wurde als Prototyp auf einer virtuellen Maschine im Unternehmensnetzwerk installiert. Dabei sind alle Komponenten – Node-RED, TimescaleDB und Grafana – klar voneinander getrennt und modular aufgebaut. Diese Architektur erlaubt es, die einzelnen Bausteine bei Bedarf auf leistungsfähigere Systeme zu migrieren, auf mehrere Maschinen zu verteilen oder auch gegen andere Systeme auszutauschen.
Fazit
Das Projekt konnte unserem Unternehmen in Bezug auf die Digitalisierung eine transparente Übersicht über die Auslastung unserer Maschinen schaffen.
Das Projekt lieferte der BRAND Werkzeug- und Maschinenbau GmbH erstmals eine dauerhafte Speicherung und Auswertung von Produktions- und Energiedaten. Maschinenzustände, Stillstandszeiten und die zeitliche Auslastung können nun transparent erfasst und ausgewertet werden. Dadurch sind datenbasierte Diskussionen in Produktion und Management möglich.
Die ersten Dashboards ermöglichen eine flexible Visualisierung der Informationen und dienen als Grundlage für weitere Digitalisierungs- und KI-Projekte. Der Prototyp dient dem Unternehmen als Orientierung und Ausgangspunkt für weitere Schritte.
Damit zeigt das Praxisbeispiel, wie Open-Source-Technologien wie Node-RED und Grafana effizient kombiniert werden können, um bestehende Sensordaten nutzbar zu machen und schrittweise mehr Transparenz in der Produktion zu schaffen.
