Smart Factory-Architektur: IoT-Sensoren, Edge Computing und ERP-Integration

Eine Fabrikhalle mit 200 Maschinen, die 16 Stunden am Tag laufen, generiert täglich etwa 400 GB an Rohdaten der Sensoren. Das Senden all dieser Daten an einen Cloud-Server, deren Verarbeitung und das Zurücksenden von Anweisungen an die Maschinen führt zu einer Latenz von Sekunden. Bei einer Sicherheitsverriegelung, die in Millisekunden reagieren muss, können Sekunden genauso gut Stunden sein.

Die Smart-Factory-Architektur löst dieses Problem, indem sie die Intelligenz auf drei Ebenen verteilt: Edge-Geräte, die Daten an der Maschine verarbeiten, lokale Server, die Daten innerhalb der Anlage aggregieren und analysieren, und Cloud-Plattformen, die standortübergreifende Analysen und Langzeitspeicherung übernehmen. Die richtige Architektur entscheidet darüber, ob IoT-Investitionen einen echten Produktionswert generieren oder nur Daten generieren, die niemand nutzt.

Dieser Artikel ist Teil unserer Serie Fertigung im KI-Zeitalter.

Wichtige Erkenntnisse

• Edge Computing verarbeitet 80–90 % der IoT-Daten der Fertigung lokal, senkt die Cloud-Kosten und ermöglicht Reaktionszeiten von weniger als einer Millisekunde
• Die Sensorauswahl hängt vom Fehlermodus ab, den Sie überwachen, nicht vom Maschinentyp, und nicht übereinstimmende Sensoren sind die Hauptursache für das Scheitern von IoT-Projekten
• MQTT ist aufgrund seines geringen Platzbedarfs und seines Publish-Subscribe-Modells das Standardprotokoll für das IoT in der Fertigung
• Die Odoo ERP-Integration wandelt rohe Sensordaten durch Arbeitsaufträge, Qualitätswarnungen und Bestandsanpassungen in Geschäftsaktionen um

---

Sensortypen für Fertigungsumgebungen

Die Wahl der richtigen Sensoren ist die folgenreichste Entscheidung bei einem Smart-Factory-Projekt. Die Auswahl des falschen Sensortyps für eine bestimmte Anwendung führt zu unzuverlässigen Daten, die die Glaubwürdigkeit des gesamten Systems untergraben.

Umfassender Sensorvergleich

Sensoren an Fehlermodi anpassen

Der häufigste Fehler besteht darin, zu fragen, welche Sensoren an einer bestimmten Maschine angebracht sein sollen. Die richtige Frage ist, welche Fehlerarten erkannt werden müssen und welche physikalischen Parameter sich ändern, bevor dieser Fehler auftritt.

For example, a bearing failure on a conveyor motor progresses through predictable stages:

1. Frühe Verschlechterung: Ultraschall-Schallemissionen nehmen zu (3–6 Monate vor dem Ausfall erkennbar)
2. Entwicklung eines Fehlers: Vibrationssignatur ändert sich bei Lagerfehlerfrequenzen (1–3 Monate vor dem Ausfall)
3. Fortgeschrittener Schaden: Die Temperatur steigt über den Ausgangswert (Wochen vor dem Ausfall)
4. Drohender Ausfall: Die Stromaufnahme steigt mit zunehmender Reibung (Tage vor dem Ausfall)

Eine umfassende Überwachungsstrategie setzt Sensoren ein, die basierend auf den Kosten ungeplanter Ausfallzeiten die frühestmögliche Phase für die kritischsten Geräte und spätere Phasen für weniger kritische Anlagen erkennen.

---

Edge-Computing-Architektur

Dreistufiges Verarbeitungsmodell

Stufe 1: Machine Edge (Reaktionszeit: <10 ms)

Edge-Geräte auf Maschinenebene sitzen direkt auf oder neben einzelnen Maschinen. Sie kümmern sich um:

• Sicherheitsverriegelungen (Not-Aus, Überlastschutz)
• Echtzeit-Prozessregelkreise (Temperaturregelung, Geschwindigkeitsregelung)
• Datenfilterung und -komprimierung (Sampling-Reduzierung von 10 kHz auf aussagekräftige Ereignisse)
• Erkennung lokaler Anomalien (Schwellenwertverletzungen, plötzliche Änderungen)

Bei der Hardware dieser Stufe werden typischerweise Einplatinencomputer oder SPS in Industriequalität mit eingebettetem Linux verwendet. Der Stromverbrauch beträgt 5–15 W und die Geräte müssen Vibrationen, extremen Temperaturen und elektromagnetischen Störungen standhalten, die in Produktionsumgebungen üblich sind.

Stufe 2: Factory Edge (Reaktionszeit: <1 Sekunde)

Edge-Server auf Fabrikebene aggregieren Daten von mehreren Maschinen und führen komplexere Analysen durch:

• Maschinenübergreifende Korrelation (Erkennung, wann sich die Ausgabequalität einer Maschine auf nachgelagerte Vorgänge auswirkt)
• Prädiktive Wartungsmodellinferenz (Ausführen trainierter ML-Modelle anhand eingehender Sensordaten)
• Qualitätstrendanalyse (statistische Prozesskontrollberechnungen)
• Produktionsverfolgung und OEE-Berechnung

Diese Stufe wird normalerweise auf Rack-montierten Industrieservern mit GPU-Beschleunigung für maschinelle Lerninferenzen ausgeführt. Die Speicherkapazität reicht von 1 bis 10 TB für die Speicherung detaillierter Daten für 30 bis 90 Tage.

Stufe 3: Cloud/Rechenzentrum (Reaktionszeit: Minuten bis Stunden)

Cloud-Plattformen bewältigen Arbeitslasten, die von massiver Rechen- und Speicherkapazität profitieren:

• Modelltraining und Umschulung (Aktualisierung von ML-Modellen mit neuen Daten)
• Historische Analysen und Trendanalysen (mehrjährige Datenaufbewahrung)
• Einrichtungsübergreifendes Benchmarking und Best-Practice-Identifizierung
• ERP-Integration und Business Intelligence

Datenflussarchitektur

Sensors (10kHz) → Machine Edge (filter to events) → Factory Edge (analyze/store) → Cloud (train/archive)
                                                   ↕                              ↕
                                              Local Dashboard                  Odoo ERP

Das entscheidende Designprinzip besteht darin, dass jede Ebene das Datenvolumen reduziert und gleichzeitig den Datenwert erhöht. Rohe Vibrationsdaten, die 10.000 Mal pro Sekunde abgetastet werden, werden am Maschinenrand auf Frequenzbereichsmerkmale komprimiert, wodurch die Lautstärke um 95 % reduziert wird. Der Factory Edge fasst dies weiter in Gesundheitsindikatoren und Warnungen zusammen und reduziert so das Volumen um weitere 80 %. Die Cloud erhält nur geschäftsrelevante Erkenntnisse und Modelltrainingsdatensätze.

---

Kommunikationsprotokolle

MQTT: Der Fertigungs-IoT-Standard

MQTT (Message Queuing Telemetry Transport) hat sich aufgrund mehrerer Merkmale, die mit den Fabrikanforderungen übereinstimmen, zum dominierenden Protokoll für das IoT in der Fertigung entwickelt:

• Leichtgewicht: Durch den minimalen Overhead ist es für eingeschränkte Geräte geeignet
• Publish-Subscribe: Entkoppelt Datenproduzenten von Konsumenten und ermöglicht so flexible Architekturen
• Quality of Service Levels: QoS 0 (Fire and Forget) für Hochfrequenzüberwachung, QoS 1 (mindestens einmal) für Warnungen, QoS 2 (genau einmal) für kritische Befehle
• Beibehaltene Nachrichten: Neue Abonnenten erhalten sofort den neuesten Status, ohne auf den nächsten Veröffentlichungszyklus warten zu müssen
• Letzter Wille und Testament: Automatische Benachrichtigung, wenn ein Gerät unerwartet die Verbindung trennt

Themenhierarchie für die Fertigung

Eine gut gestaltete MQTT-Themenhierarchie macht Daten auffindbar und verwaltbar:

factory/{site}/line/{line}/machine/{machine}/sensor/{type}
factory/plant-a/line/assembly-1/machine/cnc-001/sensor/vibration
factory/plant-a/line/assembly-1/machine/cnc-001/sensor/temperature
factory/plant-a/line/assembly-1/machine/cnc-001/status/oee
factory/plant-a/line/assembly-1/machine/cnc-001/alert/maintenance

Protokollvergleich

---

ERP-Integration mit Odoo

Integrationsarchitektur

Die Brücke zwischen IoT-Daten und Geschäftsprozessen verläuft über das ERP-System. Odoo bietet mehrere Integrationsmechanismen für die IoT-Fertigung:

Odoo IoT Box: Das Hardware-Gateway von Odoo stellt eine direkte Verbindung zu USB- und Bluetooth-Geräten her. Es ist sofort einsatzbereit für Barcodescanner, Waagen, Drucker und einfache Sensoren. Für komplexere Sensornetzwerke ist eine benutzerdefinierte Integration über die REST-API von Odoo besser geeignet.

REST-API-Integration: Factory-Edge-Server übertragen zusammengefasste Daten über seine JSON-RPC- oder REST-API an Odoo:

• Maschinenstatusänderungen erstellen oder aktualisieren Arbeitsauftragsdatensätze
• Qualitätsmessungen lösen Prüfprotokolle mit Pass/Fail-Bestimmung aus
• Wartungswarnungen generieren Arbeitsaufträge mit vorhergesagten Ausfallkomponenten
• Energieverbrauchsaktualisierungen verfolgen die Kosten pro Produktionsauftrag
• Produktionszählungen aktualisieren die Arbeitsauftragsmengen in Echtzeit

Webhook-basierte Ereignisse: Für zeitkritische Ereignisse kann Odoo so konfiguriert werden, dass es Webhook-Benachrichtigungen empfängt:

• Der Gerätealarm löst einen sofortigen Wartungseinsatz aus
• Eine Verletzung des Qualitätsschwellenwerts stoppt die nachgelagerte Verarbeitung
• Der Bestandssensor erkennt einen Materialmangel und löst eine Nachbestellung aus

Datenzuordnung: Sensor zum Geschäftsobjekt

---

Netzwerkdesign und Sicherheit

Fertigungsnetzwerke erfordern eine Segmentierung, die den betrieblichen Zugriff mit der Cybersicherheit in Einklang bringt. Das Purdue-Modell bietet eine Standardarchitektur:

Ebene 0-1 (Prozessnetzwerk): Sensoren, Aktoren, SPS, Maschinen-Edge-Geräte. Isoliert von Unternehmensnetzwerken. Kommuniziert nur aufwärts bis Level 2.

Ebene 2 (Steuerungsnetzwerk): Fabrik-Edge-Server, HMI-Panels, SCADA-Systeme. Kommuniziert mit Level 0-1 unten und Level 3 oben über eine DMZ.

Ebene 3 (Standortnetzwerk): Fertigungsausführungssysteme, lokale Datenbanken, Engineering-Workstations. Kommuniziert mit Level 4 über eine andere DMZ.

Ebene 4 (Unternehmensnetzwerk): ERP (Odoo), E-Mail, Geschäftsanwendungen. Es gilt die übliche IT-Sicherheit.

Wichtige Sicherheitsmaßnahmen für das IoT in der Fertigung:

• Der gesamte MQTT-Verkehr ist mit TLS 1.3 verschlüsselt
• Gerätezertifikate zur gegenseitigen Authentifizierung
• Netzwerksegmentierung mit industriellen Firewalls zwischen den Ebenen
• Regelmäßige Firmware-Updates durch verwaltete Bereitstellung
• Überwachung der Einbruchserkennung auf anomale Verkehrsmuster

---

Umsetzung: Ein praktischer 90-Tage-Plan

Tage 1–30: Bewertung und Design

• Identifizieren Sie 3–5 kritische Maschinen für die Erstbereitstellung
• Fehlerarten dokumentieren und geeignete Sensoren auswählen
• Entwerfen Sie eine Netzwerkarchitektur und wählen Sie Edge-Computing-Hardware aus
• Planen Sie Odoo-Integrationspunkte und Datenzuordnung

Tage 31–60: Bereitstellung und Integration

• Installieren Sie Sensoren und Edge-Geräte auf ausgewählten Maschinen
• Konfigurieren Sie den MQTT-Broker und die Themenhierarchie
• Entwicklung von Odoo-Integrationskonnektoren (REST API oder Webhook)
• Erstellen Sie erste Überwachungs-Dashboards

Tage 61–90: Validierung und Optimierung

• Validieren Sie die Genauigkeit der Sensordaten anhand manueller Messungen
• Passen Sie die Warnschwellen an, um Fehlalarme zu minimieren
• Schulung von Wartungs- und Betriebsteams zu neuen Werkzeugen
• Dokumentieren Sie Standardarbeitsanweisungen für IoT-gesteuerte Arbeitsabläufe

---

Häufig gestellte Fragen

Wie viele Sensoren benötigt eine typische Maschine?

Dies hängt von der Kritikalität und den Fehlermodi der Maschine ab. Eine kritische CNC-Maschine verfügt möglicherweise über 6–10 Sensoren (Vibration an Spindel und Achsen, Temperatur an Spindellager und Kühlmittel, Strom am Hauptmotor, Akustik an der Spindel). Ein einfacher Förderer benötigt möglicherweise nur 2-3 (Vibration am Antriebsmotor, Temperatur am Motorlager, Stromaufnahme). Beginnen Sie mit den kritischsten Geräten und den Fehlermodi, die die meisten Ausfallzeiten verursachen.

Wie hoch sind die Gesamtkosten eines IoT-Sensornetzwerks für eine Fabrik mit 50 Maschinen?

Eine typische Bereitstellung kostet 50.000–200.000 US-Dollar, einschließlich Sensoren (15.000–50.000 US-Dollar), Edge-Computing-Hardware (10.000–40.000 US-Dollar), Netzwerkinfrastruktur (10.000–30.000 US-Dollar), MQTT-Broker und Software (5.000–20.000 US-Dollar) und Integrationsentwicklung (10.000–60.000 US-Dollar). Zu den laufenden Kosten gehören Cloud-Dienste (500–2.000 $/Monat) und Sensoraustausch (5–10 % jährlich). Die Investition amortisiert sich in der Regel innerhalb von 8–14 Monaten allein durch die geringeren Ausfallzeiten.

Können IoT-Sensoren mit älteren Maschinen funktionieren, die keine digitalen Schnittstellen haben?

Ja. Bei den meisten industriellen IoT-Sensoren handelt es sich um externe Geräte, die keine digitale Schnittstelle zur Maschine selbst benötigen. Vibrationssensoren werden magnetisch oder mit Kleber befestigt. Temperatursensoren werden an Oberflächen oder Rohren befestigt. Stromsensoren werden um Stromkabel geklemmt. Die Maschine muss nicht wissen, dass die Sensoren vorhanden sind. Dies macht die Nachrüstung älterer Geräte praktisch und kostengünstig.

---

Was kommt als nächstes?

Der Aufbau einer Smart-Factory-Architektur ist die Grundlage für alle fortschrittlichen Fertigungsfunktionen, von der vorausschauenden Wartung über die KI-Qualitätsprüfung bis hin zu digitalen Zwillingen. Die Architekturentscheidungen, die Sie jetzt treffen, bestimmen, was in Zukunft möglich ist.

ECOSIRE unterstützt Hersteller beim Entwurf und der Implementierung von IoT-vernetzten Fabrikarchitekturen mit Odoo ERP im Mittelpunkt. Unser Team verfügt über Fachwissen in den Bereichen Sensorauswahl, Edge-Computing-Design und ERP-Integration, die rohe Fabrikdaten in Geschäftswert umwandelt.

Entdecken Sie unsere entsprechenden Leitfäden zu [vorausschauende Wartung] (/blog/predictive-maintenance-cmms-iot-ml) und [Digitale Zwillinge für die Fertigung] (/blog/digital-twins-manufacturing-simulation) oder [kontaktieren Sie uns] (https://ecosire.com/contact), um Ihre Smart Factory-Roadmap zu besprechen.

---

Veröffentlicht von ECOSIRE – Unterstützung von Unternehmen bei der Skalierung mit KI-gestützten Lösungen in Odoo ERP, Shopify eCommerce und OpenClaw AI.