Herausforderung¶
Der Kunde, ein führender tschechischer Automobilhersteller, betreibt in Mittelböhmen eine der modernsten Automobilproduktionslinien in Mitteleuropa. Mit einer Tagesproduktion von über 2.500 Fahrzeugen und Tausenden von Roboterarbeitsplätzen ist die Zuverlässigkeit der Produktionslinie direkt proportional zum Umsatz — jede Stunde ungeplanter Stillstand bedeutet einen Verlust von etwa 4,2 Mio. CZK.
Im Jahr 2024 stand der Hersteller vor mehreren grundlegenden Problemen bei Wartung und Produktionsmanagement. Die Wartung wurde überwiegend reaktiv oder nach festen Zeitintervallen durchgeführt — Roboter und CNC-Maschinen wurden alle X Tausend Betriebsstunden gewartet, unabhängig vom tatsächlichen Zustand der Komponenten. Dies führte entweder zur vorzeitigen Außerbetriebnahme funktionsfähiger Teile (unnötige Kosten) oder zu unerwarteten Ausfällen zwischen geplanten Wartungsfenstern.
Die bestehenden SCADA-Systeme sammelten zwar Betriebsdaten, doch diese waren in Silos einzelner Produktionssegmente (Karosseriewerkstatt, Lackiererei, Montage) eingeschlossen. Es gab kein einheitliches digitales Modell der gesamten Produktionslinie, das die Simulation von Änderungsauswirkungen, die segmentübergreifende Vorhersage von Ausfällen oder die Optimierung des Produktionsflusses als Ganzes ermöglicht hätte.
Das IT-Management des Herstellers schrieb in Zusammenarbeit mit der Produktionstechnik ein Projekt zur Erstellung eines digitalen Zwillings der Produktionslinie mit integrierter vorausschauender Wartung aus. CORE SYSTEMS wurde aufgrund früherer Erfahrungen mit industriellem IoT und der Azure-Plattform als Hauptimplementierungspartner ausgewählt.
Lösung¶
CORE SYSTEMS entwarf eine Lösung namens TwinLine — eine Digital-Twin-Plattform, die die physische Produktionslinie in Echtzeit mit ihrem virtuellen Modell verbindet. Die Plattform deckt drei Hauptbereiche ab:
Echtzeit-Digital-Twin: Erstellung eines dynamischen 3D-Modells der Produktionslinie in Azure Digital Twins, das den aktuellen Zustand jeder Maschine, jedes Roboters und jedes Fördersystems widerspiegelt. Das Modell umfasst 847 Schlüssel-Assets und mehr als 15.000 Sensorpunkte. Jedes Asset hat sein digitales Pendant mit aktuellen Betriebsparametern, Wartungshistorie und prognostizierter Komponentenlebensdauer.
IoT-Sensornetz: Installation und Integration von 3.200 zusätzlichen IoT-Sensoren (Vibration, Temperatur, akustische Emission, Stromaufnahme) an kritischen Assets, bei denen die bestehende SCADA-Instrumentierung keine ausreichende Datengranularität für Predictive Analytics lieferte. Die Sensoren kommunizieren über einen industriellen MQTT-Broker mit Azure IoT Hub.
Predictive-Maintenance-Engine: Entwicklung einer ML-Pipeline zur Ausfallvorhersage auf Basis von Degradationsmodellen — das System analysiert Trends bei Vibrationen, Temperaturprofilen und anderen Parametern und prognostiziert die verbleibende Nutzungsdauer (RUL — Remaining Useful Life) kritischer Komponenten mit einem Horizont von 2–6 Wochen.
Die Implementierung erfolgte in enger Zusammenarbeit mit den Wartungsteams des Herstellers, die Domänenexpertise für die Labelierung historischer Daten und die Validierung der Vorhersagemodelle beisteuerten.
Architektur¶
Die TwinLine-Architektur ist hybrid — Edge Computing im Fertigungswerk verarbeitet Daten mit geringer Latenz, während die Cloud-Schicht in Azure für Analytik, ML-Training und Langzeitspeicherung sorgt.
Die Edge-Schicht läuft auf industriellen Dell-EMC-PowerEdge-Servern, die direkt in den Produktionshallen stehen. Jedes Segment (Karosseriewerkstatt, Lackiererei, Endmontage, Motorenmontage) hat seinen eigenen Edge-Cluster mit Kubernetes (K3s). Die Edge-Schicht empfängt Daten von MQTT-Brokern, führt Filterung, Aggregation und die erste Stufe der Anomalieerkennung mit leichtgewichtigen ML-Modellen (ONNX Runtime) durch. Kritische Alarme werden lokal mit einer Latenz unter 500 ms generiert.
Die Kommunikationsschicht nutzt Azure IoT Hub als zentralen Ingestion Point für alle Sensordaten. Daten fließen über IoT Hub in Event Hubs (partitionierter Kafka-kompatibler Stream) und weiter in zwei parallele Zweige — einen Hot Path für Echtzeitverarbeitung und einen Cold Path für Batch-Analytik.
Der Hot Path wird von Azure Stream Analytics in Kombination mit benutzerdefinierten Flink-Jobs auf Databricks für komplexe segmentübergreifende Korrelation verarbeitet. Beispielsweise die Erkennung eines Ketteneffekts — Verlangsamung eines Roboters in der Karosseriewerkstatt, die die Taktzeit der Lackiererei beeinflusst.
Der Cold Path speichert Rohdaten in Azure Data Lake Storage Gen2 im Delta-Lake-Format. Die Databricks-Lakehouse-Plattform dient als Analytik-Engine für das Training von ML-Modellen, historische Analysen und Reporting. Der Feature Store bewahrt vorberechnete Features für prädiktive Modelle auf.
Azure Digital Twins pflegt einen Graphen der Beziehungen zwischen Assets, Räumen und Prozessen, definiert in DTDL (Digital Twins Definition Language). Das Modell wird im 1-Sekunden-Intervall mit dem realen Zustand der Linie synchronisiert. Die API der Plattform ermöglicht What-if-Szenario-Simulationen — beispielsweise die Auswirkung des Ausfalls eines bestimmten Roboters auf den gesamten Produktionsfluss.
Die Präsentationsschicht kombiniert Grafana-Dashboards für Wartungsteams (Asset-Status, Ausfallvorhersagen, Wartungsfensterplanung) und eine individuelle Webanwendung (React + Three.js) zur 3D-Visualisierung des digitalen Zwillings für das Produktionsmanagement.
Die gesamte Infrastruktur ist als Code definiert (Terraform) und wird über eine CI/CD-Pipeline in Azure DevOps bereitgestellt.
Ergebnisse¶
Die TwinLine-Plattform wurde im September 2024 im Pilotbetrieb an der Endmontagelinie und im Januar 2025 im Vollbetrieb über alle Segmente hinweg eingesetzt. Ergebnisse nach den ersten sechs Monaten Vollbetrieb:
Vorausschauende Wartung: Das System sagte 87 % der Ausfälle kritischer Komponenten mit einem Vorlauf von mindestens 14 Tagen erfolgreich voraus. Dies ermöglichte die Verlagerung der Wartung in geplante Wartungsfenster (Wochenenden, Nachtschichten) und die Eliminierung der meisten ungeplanten Stillstände während der Produktionszeiten.
Reduzierung der Ausfallzeiten: Ungeplante Stillstände der Produktionslinie sanken um 45 % — von durchschnittlich 23 Stunden pro Monat auf 12,6 Stunden. Die verbleibenden ungeplanten Ausfallzeiten werden hauptsächlich durch externe Faktoren verursacht (Materiallieferungen, Energieversorgung).
OEE (Overall Equipment Effectiveness): Die Gesamteffektivität der Produktionslinie stieg von 78 % auf 91 %, wodurch das Werk auf das Niveau der besten Werke innerhalb des Automobilkonzerns gehoben wurde. Die Verbesserung resultiert aus höherer Verfügbarkeit (weniger Ausfälle), besserer Leistung (Taktzeitoptimierung) und geringerer Ausschussrate.
Finanzielle Auswirkungen: Jährliche Einsparungen von 32 Mio. CZK bei den direkten Wartungskosten — der Wechsel von zeitbasierter zu zustandsbasierter Wartung reduzierte den Ersatzteilverbrauch um 28 % und optimierte die Nutzung der Wartungskapazitäten. Indirekte Einsparungen durch höhere Produktivität der Produktionslinie werden auf weitere 85 Mio. CZK pro Jahr geschätzt.
Optimierung des Produktionsflusses: Simulationen am digitalen Zwilling identifizierten Engpässe im Produktionsprozess — die Anpassung der Sequenzierung an zwei Roboterarbeitsplätzen in der Karosseriewerkstatt steigerte den Durchsatz um 7 % ohne jegliche Hardware-Investition.
Datenkultur: Das Projekt katalysierte einen Wandel im Umgang mit Daten in der Produktion. Wartungsteams nutzen aktiv Dashboards und Vorhersagen bei der Arbeitsplanung. Produktionsingenieure simulieren Prozessänderungen am digitalen Zwilling, bevor sie auf der physischen Linie umgesetzt werden.
Technologie¶
Der TwinLine-Technologie-Stack ist für die industrielle Umgebung optimiert, mit Schwerpunkt auf Zuverlässigkeit und geringer Latenz:
- Azure IoT Hub — zentraler Ingestion Point, Gerätemanagement, Device-to-Cloud-Messaging
- Azure Digital Twins — Asset-Beziehungsgraph, DTDL-Modelle, Echtzeitsynchronisation
- Databricks (Azure) — ML-Training, Feature Store, Delta Lake, Batch-Analytik
- Apache Kafka (Event Hubs) — Streaming von Sensordaten, eventgesteuerte Architektur
- K3s (Edge Kubernetes) — Orchestrierung von Edge-Workloads in Produktionshallen
- MQTT (Mosquitto) — industrielles Messaging-Protokoll für IoT-Sensoren
- Grafana — operative Dashboards für Wartung und Produktion
- Python (scikit-learn, PyTorch) — prädiktive Modelle, Degradationsanalysen
- Terraform — Infrastructure as Code für die Azure-Umgebung
- Azure DevOps — CI/CD-Pipeline, Git-Repositories, Projektmanagement
Die Zusammenarbeit zwischen CORE SYSTEMS und dem Hersteller wird mit der Erweiterung der Plattform auf die Werke Kvasiny und Vrchlabí sowie der Integration mit dem MES-System zur automatischen Produktionsumplanung auf Basis von Vorhersagen fortgesetzt.