Shop Floor Process Mining

Mit dem IoT Miner aus Sensordatenechte Prozessaktivitäten machen

Der Process.Science IoT Miner nutzt Machine Learning, um zu erkennen, was Ihre Maschinen tatsächlich tun. Er macht aus diesen Zuständen Prozessaktivitäten und verknüpft sie mit den Aufträgen aus Ihrem ERP. Process Mining mit Sensordaten, bis auf den Shopfloor.
So funktioniert es
Mit einem Experten sprechen

Ihr ERP kennt den Auftrag.Ihre Maschinen kennen den Rest.

Zwischen „Auftrag freigegeben“ und „Auftrag fertig“ liegt alles, was auf dem Shopfloor passiert. Der IoT Miner macht diesen Teil sichtbar, im selben Event Log wie den Rest Ihres Prozesses.
Dashboard-Oberfläche mit dem Titel „Formlinie 2, eine Woche“, die den Fortschritt einer Datenverarbeitungspipeline anzeigt. Die Schritte „Datensatz“, „Clustering“ und „Etikettierung“ sind als abgeschlossen markiert, während „Ereignisprotokoll“ der aktuelle Schritt ist. Die Statistiken zeigen 60.480 Messwerte, 6 Sensoren, kontinuierliche Daten mit einer Konfidenz von 77 % sowie einen Zeitraum von 168 Stunden ab dem 03.02.2026. Eine Spaltenübersichtstabelle listet drei Sensortypen auf: barrel_temperature_c, injection_pressure_bar und screw_speed_rpm. Alle sind kontinuierlich und weisen eindeutige Werte sowie Änderungsraten von 1.252 (99,5 %), 4.065 (93,0 %) bzw. 538 (92,5 %) auf. Die Oberfläche umfasst ein Seitenmenü und eine Schaltfläche „Ereignisprotokoll herunterladen“.
Dashboard-Ansicht mit dem Titel „Clustering“, die die Clustering-Konfiguration für Messwerte des Maschinenzustands zeigt. Dargestellt sind sechs verschiedene Maschinenzustände mit einem Silhouette-Koeffizienten von 0,498 und einem Aggregationszeitraum von 60 Sekunden. Die Tabelle listet die Zustände #0 bis #5 mit Zeilenanzahl, prozentualem Anteil sowie Messwerten für Zylindertemperatur, Einspritzdruck, Schneckendrehzahl und Werkzeugtemperatur auf. Über die Bedienelemente auf der rechten Seite lassen sich der Zeitfensterbereich, die Suche, Konfigurationsoptionen sowie die Mindest- und Höchstanzahl der Zustände festlegen. Auf der linken Seite ist eine Seitenleiste mit Symbolen sichtbar.
Bildschirmansicht einer Benutzeroberfläche zur Kennzeichnung von Cluster-Aktivitätszuständen. Eine Tabelle listet Zustände wie Produktion, Aufheizen, Leerlauf, Werkzeugwechsel, Alarmstopp und Spülen auf, ergänzt durch Spalten für Zeilen, Anteil in Prozent, Zylindertemperatur, Einspritzdruck, Schneckendrehzahl und Werkzeugtemperatur. Auf der rechten Seite befindet sich ein Eingabefeld für Kontextinformationen, das eine Spritzgießmaschine zur Gehäusefertigung im Zweischichtbetrieb beschreibt, sowie ein Umschalter zur Nutzung eines Sprachmodells für die Benennung der Zustände.
Dashboard-Oberfläche mit einem Ereignisprotokoll von 341 Ereignissen, 84 Fällen, 6 Aktivitäten und einer mittleren Falldauer von 34,5 Minuten. Aktivitätssequenzen wie „Leerlauf“ zu „Aufheizen“ zu „Produktion“ werden mit der jeweiligen Fallanzahl aufgelistet. Über die Steuerelemente auf der rechten Seite lassen sich die Lückendauer, Ereignisse pro Fall, Mindestanzahl an Ereignissen sowie die Zusammenführung wiederholter Aktivitäten festlegen. Schaltflächen zum Herunterladen und Erstellen des Ereignisprotokolls befinden sich oben rechts.
Benutzeroberfläche mit dem Bereich „Alle Datensätze“, in dem ein Datensatz mit dem Titel „Formanlage 2, eine Woche“ angezeigt wird. Dieser enthält 60.480 Messwerte von sechs Sensoren und ist datiert auf den 26.10.2026 um 13:45:02 Uhr. Es gibt eine Schaltfläche zum Hinzufügen eines Datensatzes. Die Oberfläche verfügt über eine vertikale schwarze Seitenleiste mit Symbolen für die Navigation; die Sprache ist auf Englisch eingestellt.

Jeden Stillstand verstehen

Micro-Stoppages und Störungen werden als eigene Aktivitäten sichtbar, mit Beginn, Ende und Häufigkeit. So lässt sich jeder Maschinenstillstand gezielt analysieren.

Verzögerungen bis zur Maschine zurückverfolgen

Kommt ein Auftrag zu spät, sehen Sie, welcher Zustand an welcher Maschine ihn verursacht hat. So erkennen Sie Engpässe in der Fertigung dort, wo sie entstehen.

Eine Sicht für Planung und Fertigung

Maschinen-Events und ERP-Aufträge stehen im selben Event Log. Das ist echte Shopfloor Transparenz: Planung und Fertigung sprechen über dieselben Fakten.
Die Process.Science Formel

Vom Maschinensignalzur Prozesserkenntnis

Sensor-Dashboards

Zeigen, was eine Maschine gemessen hat. Temperatur, Strom, Vibration. Ein verlässliches Bild des Signals.

Process Mining auf ERP-Daten

Zeigt, wie ein Auftrag durch Planung, Fertigung und Auslieferung lief. Zwischen Freigabe und Fertigstellung sieht es einen einzigen Schritt.

Process.Science IoT Miner

Setzt die echten Maschinenaktivitäten in diesen Schritt. Sie sehen, welcher Zustand an welcher Maschine welchen Auftrag verzögert hat, und wie oft.

IoT Process Mining: Ihre Maschinendatenin drei Schritten

Cluster findet die Muster. Label gibt ihnen einen Namen. Merge verbindet sie mit Ihren Aufträgen.
Cluster

Die Daten zeigen ihre Muster selbst

Machine Learning findet die Zustände in Ihren Sensordaten, ohne von Hand programmierte Schwellenwerte. Sensordaten-Analyse in der Produktion statt reiner IoT Datenanalyse.
Muster finden:Bis zu 80 % der Prozesse werden ohne manuelle Modellierung erkannt.
Anomalien isolieren:Micro-Stoppages und Störungen werden zu eigenen Clustern, zeitlich exakt abgegrenzt.
Standard-Anbindung:OPC-UA-Daten analysieren und SCADA-Daten auswerten, über IoT-Gateways und Standardprotokolle.
Dashboard-Ansicht mit dem Titel „Clustering“, die die Clustering-Konfiguration für Messwerte des Maschinenzustands zeigt. Dargestellt sind sechs verschiedene Maschinenzustände mit einem Silhouette-Koeffizienten von 0,498 und einem Aggregationszeitraum von 60 Sekunden. Die Tabelle listet die Zustände #0 bis #5 mit Zeilenanzahl, prozentualem Anteil sowie Messwerten für Zylindertemperatur, Einspritzdruck, Schneckendrehzahl und Werkzeugtemperatur auf. Über die Bedienelemente auf der rechten Seite lassen sich der Zeitfensterbereich, die Suche, Konfigurationsoptionen sowie die Mindest- und Höchstanzahl der Zustände festlegen. Auf der linken Seite ist eine Seitenleiste mit Symbolen sichtbar.
Bildschirmansicht einer Benutzeroberfläche zur Kennzeichnung von Cluster-Aktivitätszuständen. Eine Tabelle listet Zustände wie Produktion, Aufheizen, Leerlauf, Werkzeugwechsel, Alarmstopp und Spülen auf, ergänzt durch Spalten für Zeilen, Anteil in Prozent, Zylindertemperatur, Einspritzdruck, Schneckendrehzahl und Werkzeugtemperatur. Auf der rechten Seite befindet sich ein Eingabefeld für Kontextinformationen, das eine Spritzgießmaschine zur Gehäusefertigung im Zweischichtbetrieb beschreibt, sowie ein Umschalter zur Nutzung eines Sprachmodells für die Benennung der Zustände.
Label

Ihre Experten benennen es einmal

Ein Cluster namens „Zustand A“ hilft im Prozessgraphen niemandem. Ihre Experten benennen ihn einmal.
Die KI schlägt vor:Der IoT Miner schlägt für jeden Cluster eine fachliche Bezeichnung vor.
Der Mensch bestätigt:Wer die Maschine kennt, übernimmt oder korrigiert den Vorschlag. Ein Data Scientist ist nicht nötig.
Einmal gelernt:Jede bestätigte Bezeichnung gilt für alle neuen Daten.
Merge

Ein Event Log für Auftrag und Maschine

Die Maschinenaktivitäten werden über Auftragsnummer und Zeit mit Ihrem ERP oder MES verknüpft. So verbinden Sie IoT-Daten mit dem ERP.
Eine Datenbasis:Die Maschinen-Events stehen direkt im ERP-Schritt „Auftrag 4711 in Fertigung“. So analysieren Sie Produktionsdaten zeitnah und im Zusammenhang.
Ursachen bis auf die Maschine:Auftrag 4711 kam zu spät, weil „Micro-Stoppage Maschine 3“ 15-mal auftrat.
Schlank gebaut:Weiter geht nur, was erkannt wurde, nicht Terabytes an Rohkurven.
Dashboard-Oberfläche mit einem Ereignisprotokoll von 341 Ereignissen, 84 Fällen, 6 Aktivitäten und einer mittleren Falldauer von 34,5 Minuten. Aktivitätssequenzen wie „Leerlauf“ zu „Aufheizen“ zu „Produktion“ werden mit der jeweiligen Fallanzahl aufgelistet. Über die Steuerelemente auf der rechten Seite lassen sich die Lückendauer, Ereignisse pro Fall, Mindestanzahl an Ereignissen sowie die Zusammenführung wiederholter Aktivitäten festlegen. Schaltflächen zum Herunterladen und Erstellen des Ereignisprotokolls befinden sich oben rechts.
Expert Insights

IoT Mining in der Praxis

Wie werden aus Maschinendaten echte Prozesskenntnisse? Gründer Lucas M. Schroth zeigt, wie der Process.Science IoT Miner Produktionsabläufe automatisch erkennt, Maschinen- und Prozessdaten verbindet und Optimierungspotenziale sichtbar macht.
Prozesse automatisch aus Sensordaten erkennen
Muster und Abweichungen sichtbar machen
Produktionsdaten in konkrete Insights übersetzen
Expertengespräch buchen
Das perfekte Setup

Gebaut für IhrPower BIundIntelligence

Der IoT Miner ergänzt Ihr Process Mining um den Shopfloor. Das Data Preparation Tool verknüpft Maschinenund Auftragsdaten, das Ergebnis fließt in das System, mit dem Sie arbeiten.

Data Preparation Tool

Bringt Ihre ERP-Daten in Form und verknüpft die Maschinenaktivitäten bei jedem geplanten Lauf mit Ihren Fertigungsaufträgen.
Zum Data Preparation Tool →
Dashboard einer Kreditvergabepipeline im Bankwesen mit zwei erfolgreichen Durchläufen am 16.10.2026 um 21:53 Uhr mit einer Dauer von 14s bzw. 13s. Die Protokolle führen Aktivitäten wie Antragseinreichung, Dokumenteneingang, KYC-Prüfung, Bonitätsberechnung, Risikobewertung, Dokumentenanforderungen, Angebotserstellung und -annahme, Vertragsunterzeichnung, Kreditauszahlung sowie Antragsablehnung oder -stornierung auf und melden die Anzahl der Ereignisse. Der Pipeline-Status auf der rechten Seite zeigt 4 Durchläufe, eine Erfolgsquote von 100 %, eine durchschnittliche Dauer von 16s, die Nutzung von MySQL Banking Core als Quelle, einen benutzerdefinierten Prozess mit 14 Aktivitäten sowie ein nicht definiertes Ereignisprotokoll-Ziel. Die Benutzeroberfläche bietet Optionen zum Planen, Bearbeiten und Starten der Pipeline.

Power BI Integration

Das verknüpfte Event Log landet in Ihrem eigenen Power-BI-Modell und funktioniert mit unseren Report-Templates.
Zur Power BI Suite →
Dashboard mit einem Kostenvergleich zwischen automatisierten und manuellen Prozessen für Versand, Bestellung, Rechnung, Zahlung und Anfrage, wobei die Balken Kosten von bis zu 3 Millionen Dollar anzeigen. Ein Balkendiagramm stellt die Fälle nach Automatisierungsgrad in Intervallen von 0 % bis 70 % mit einer Anzahl von bis zu 500 dar. Ein Liniendiagramm zeigt den durchschnittlichen Automatisierungsgrad nach Datum von Januar 2016 bis Juli 2018, wobei die Raten zwischen etwa 32 % und 38 % schwanken. Der durchschnittliche Automatisierungsgrad liegt bei 33,81 %. Eine vertikale Liste auf der rechten Seite zeigt Varianten-IDs mit den entsprechenden durchschnittlichen Bearbeitungszeiten in Sekunden, die von etwa 10 bis 168 Sekunden reichen. Die Gesamtzahl der angezeigten Fälle beträgt 1677 bei 23 Varianten.

Process.Science Intelligence

Ursachenanalyse, Insights und Alerts auf dem gemeinsamen Prozess, bis hinunter zur einzelnen Maschine.
Zu Intelligence →
Loslegen

Sehen Sie Ihre eigenen Maschinen als Prozess

Schließen Sie eine Maschine oder eine Linie an, wählen Sie einen Produktionsprozess und sehen Sie, was dabei herauskommt. Wir machen das gemeinsam auf Ihren Daten. Das Ergebnis ist Ihr Shopfloor und kein Beispieldatensatz.
Läuft auf Ihren eigenen Maschinen- und ERP-Daten
Anbindung über Standardprotokolle wie OPC UA
Keine Data Scientists nötig
Mit dem Absenden der Anfrage stimmen Sie der Datenschutzerklärung von process.science zu.
Vielen Dank! Ihre Nachricht wurde erfolgreich übermittelt!
Sie erhalten eine E-Mail mit einem Bestätigungslink.
Hoppla! Beim Absenden des Formulars ist ein Fehler aufgetreten.
Noch Fragen?

FAQ:Technik & Machbarkeit

Die wichtigsten Antworten für IT-Admins und Produktionsverantwortliche.
Brauchen wir für das Labeling Data Scientists?

Nein. Das Clustering läuft automatisch. Für das Labeling brauchen Sie nur das Wissen der Menschen, die die Maschinen bedienen. Sie sagen dem System einmal: Wenn die Maschine dieses Muster zeigt, nennen wir das „Rüsten“.

Wir erzeugen Terabytes an Sensordaten. Hält unser BI-System das aus?

Ja, denn es bekommt sie gar nicht zu sehen. Statt Rohkurven in Power BI zu laden, bereitet der IoT Miner die Daten vor und gibt nur die erkannten Zustände als schlankes Event Log weiter, zum Beispiel Aktivität „Störung“, Start 14:00, Ende 14:05.

Welche Maschinen- und Sensordaten können wir anbinden?

Zeitreihen Ihrer Maschinen und Sensoren, erfasst über IoT-Gateways oder SCADA-Systeme und Standardprotokolle wie OPC UA. Typische Signale sind Strom, Temperatur, Druck, Drehzahl und Vibration.

Brauchen wir zwingend das Data Preparation Tool?

Um Maschinen-Events mit ERP-Aufträgen zu verknüpfen, müssen Ihre ERP-Daten als sauberes Event Log vorliegen. Wenn Sie das bereits anders erzeugen, funktioniert der IoT Miner auch allein. Wir empfehlen trotzdem das Data Preparation Tool, weil es die Verknüpfung bei jedem Lauf automatisch übernimmt.

Wo liegen unsere Daten?

Dort, wo Sie es möchten: bei Ihnen vor Ort, in Ihrem eigenen Azure-Tenant oder gehostet von Process.Science. Process.Science arbeitet DSGVO-konform und ist ISO 27001 zertifiziert.

Wie passt der IoT Miner zum Rest der Plattform?

Das Data Preparation Tool baut und pflegt die Event Logs, Intelligence analysiert sie, und der IoT Miner ergänzt Maschinen- und Sensordaten dort, wo Ihr Prozess den Shopfloor erreicht. Sie arbeiten zusammen, und jedes lässt sich auch einzeln nutzen.