Industrieunternehmen erfassen heute umfangreiche Energie- und Prozessdaten. Messgeräte, Steuerungen und Sensoren liefern kontinuierlich Werte zu elektrischen Größen und Betriebszuständen. Dennoch bleibt der praktische Nutzen dieser Informationen häufig begrenzt. Aus Sicht von „in.hub“ entsteht dieser blinde Fleck nicht durch fehlende Daten, sondern durch eine industrielle Datenanalyse, die Energie und Produktion nicht gemeinsam betrachtet. Statt eines integrierten Entscheidungsraums existieren parallele Datenwelten. Energieeffizienz, Anlagenverfügbarkeit und Qualität werden getrennt ausgewertet, obwohl sie technisch miteinander verknüpft sind. Genau hier setzt der Ansatz von „in.hub“ an.
Industrielle Datenanalyse zwischen Energie und Produktion
Für Energieaudits nach dem Energiedienstleistungsgesetz oder für Energiemanagementsysteme nach ISO 50001 ist nicht allein der absolute Energieverbrauch relevant. Erst die industrielle Datenanalyse im Produktionskontext macht sichtbar, wie viel Energie pro Stück, Auftrag oder Betriebszustand benötigt wird. In der Praxis bleibt dieser Zusammenhang häufig verborgen. Energieparameter stammen aus Zählern und Messgeräten, Prozessdaten aus Steuerungen, Sensoren oder MES-Systemen. Unterschiedliche Formate, Zeitbezüge und Auflösungen verhindern eine konsistente Analyse. Der blinde Fleck entsteht dort, wo Daten zwar vorhanden sind, aber nicht gemeinsam nutzbar gemacht werden.
Lokale Energie- und Prozessdatenanalyse statt zentraler IT-Systeme
Eine zentrale Herausforderung der industriellen Datenanalyse besteht in der technischen Zusammenführung heterogener Datenquellen. Klassische Ansätze setzen auf zentrale Server oder Cloud-Plattformen, die zusätzliche IT-Strukturen erfordern. Ein alternativer Ansatz ist die lokale Datenanalyse direkt an der Maschine. Das IoT-Modul „HUB-EN200“ von „in.hub“ erfasst elektrische Energieparameter wie Leistung, Strom, Spannung oder Blindleistung und verknüpft diese vor Ort mit Produktions- und Prozessdaten. Über offene Schnittstellen wie OPC UA, MQTT oder Modbus lassen sich bestehende Steuerungs- und Sensordaten integrieren.
Die industrielle Datenanalyse erfolgt vollständig lokal. Funktionen wie Normalisierung, Zeitbezug und Datenzusammenführung werden direkt auf dem Gerät umgesetzt. Dadurch entsteht ein konsistenter Datenraum ohne Cloud-Anbindung, ohne zentrale Server und ohne zusätzliche IT-Infrastruktur. Dieser Ansatz reduziert die Komplexität der Datenanalyse und ermöglicht eine unmittelbare Nutzung der Informationen im laufenden Betrieb.
Bildung von Energie-Performance-Indikatoren
Ein wesentlicher Nutzen der lokalen industriellen Datenanalyse liegt in der Bildung von Energie-Performance-Indikatoren (kurz: EnPI) gemäß ISO 50006. Diese Kennzahlen werden aus Energie- und Prozessgrößen abgeleitet und direkt an der Quelle berechnet. Typische Ergebnisse sind Energiekennzahlen pro Stück oder Auftrag, spezifische Verbräuche je Betriebszustand sowie Leistungskennzahlen für Teillast- oder Leerlaufphasen. Durch die gemeinsame Datenbasis sind diese EnPIs vergleichbar, reproduzierbar und auditfähig.
Industrielle Datenanalyse mit Kontext aus der Feldebene
Damit Ergebnisse der industriellen Datenanalyse fachlich interpretierbar sind, wird zusätzlicher Kontext aus der Feldebene benötigt. IO-Link stellt hierfür neben Schaltsignalen auch Prozesswerte, Parameter und Gerätezustände bereit.
Auf dieser Basis lassen sich Energieverbräuche zustandsbasiert analysieren. Produktionsphasen wie Anfahren, Stillstand, Rüsten oder Normalbetrieb werden nachvollziehbar, da die zugehörigen Feldsignale verfügbar sind. Veränderungen im Energieprofil können konkreten Prozess- oder Zustandsänderungen zugeordnet werden.
Fazit: Vom blinden Fleck zur belastbaren Entscheidung
Nach Ansicht von „in.hub“ liegt der Mehrwert der industriellen Datenanalyse darin, den Schritt vom Messwert zur Entscheidung zu ermöglichen. Die Kombination aus lokaler Energieerfassung und kontextbezogener industrieller Datenanalyse ermöglicht es, Abweichungen unmittelbar an ihrem Entstehungsort zu erkennen. Typische Erkenntnisse betreffen ungeplante Lastspitzen, ineffiziente Rüstphasen, Unterschiede zwischen Produkten sowie Abweichungen zwischen Soll- und Ist-Prozess. Energieeffizienz, Anlagenverfügbarkeit und Qualität werden nicht länger getrennt betrachtet, sondern als Teil eines gemeinsamen Systems analysiert. Der zuvor bestehende blinde Fleck wird durch einen lokalen, konsistenten Datenraum ersetzt, der operative Entscheidungen unterstützt, ohne Cloud-Abhängigkeit und ohne komplexe IT-Strukturen.
Autor
Christoph Müller
IOT Senior-Partnermanager bei „in.hub“
