Die Datenflüsse der Smart Factory für Pay-per-Use und Remote Operations

Welche Daten müssen fließen, damit Pay-per-Use im Maschinenbau funktioniert – und wo liegen die Grenzen? Von der fälschungssicheren Erfassung direkt an der Steuerung bis zur Anbindung an Kernbankensysteme zeigt diese Analyse das feingliedrige Zusammenspiel der IT/OT-Architektur.

Das Wichtigste in Kürze

Nutzungsbasierte Modelle (EaaS) und Remote Operations machen Telemetriedaten zur eigentlichen Währung. Ihr Erfolg hängt von der fälschungssicheren Übertragung aus der Steuerung (OT) bis in Banken- und ERP-Systeme (IT) ab.

• Die 4 Datenströme: Abrechnungsdaten (Laufzeiten, Stückzahlen), Zustandsdaten (Verschleiß), Prozessdaten (Rezepturen) und Remote-Befehle (OTA-Updates).
• Der Zielkonflikt: Betreiber fordern Datensouveränität und Schutz ihres Fertigungs-Know-hows. OEMs verlangen volle Telemetrie-Transparenz zur Risikostreuung. Komponentenlieferanten kämpfen gegen die Isolation durch OEMs als Daten-Gatekeeper.
• Die Lösung: Standards wie OPC UA, die Verwaltungsschale (AAS), souveräne Datenräume (Manufacturing-X) und Krypto-Chips am Edge-Gateway lösen das Dilemma durch präzise steuerbare Datennutzungsrechte.
  

Damit neuartige Nutzungsmodelle wie Equipment-as-a-Service (EaaS) oder die Fernsteuerung hochkomplexer Industrieanlagen in der Praxis funktionieren, reicht eine einfache Abrechnung am Monatsende nicht aus. Sie erfordern eine kontinuierliche, hochsichere und performante Datenarchitektur. Daten werden im digitalen Ökosystem der Smart Factory zur eigentlichen Währung. Doch welcher Datenfluss wird wo benötigt, wie sieht das Zusammenspiel der Komponenten aus – und welche oft gegensätzlichen Interessen verfolgen Maschinenhersteller (OEMs), Betreiber und Komponentenlieferanten?

Die Datenarchitektur: Welche Datenflüsse fließen wo?

Um ein Pay-per-Use-Modell oder den Remote-Betrieb verlässlich abzuwickeln, müssen Datenströme aus der physikalischen Maschine über die Edge bis in die Cloud und in betriebswirtschaftliche Systeme fließen. Dabei lassen sich vier zentrale Kategorien von Datenflüssen unterscheiden:

• Abrechnungs- und Nutzungsdaten (Metered Data): Hierbei handelt es sich um die metrische Grundlage des Geschäftsmodells – etwa Betriebsstunden, Hubzahlen, Kilowattstunden, geschnittene Blechmeter oder gefertigte Stückzahlen. Diese Daten werden direkt in der Maschinensteuerung (PLC) erfasst, fälschungssicher signiert und über IIoT-Gateways an Abrechnungssysteme übermittelt.
• Zustands- und Telemetriedaten (Condition & Health Data): Vibrationen, Temperaturen, Druckverläufe oder Schmiermittelzustände geben Auskunft über den aktuellen Verschleiß der Anlage. Sie sind das Fundament für Predictive Maintenance. Bei EaaS-Modellen, bei denen der OEM die Verfügbarkeit garantiert, sind diese Daten essenziell, um ungeplante Ausfälle zu verhindern.
• Prozess- und Qualitätsparameter (Context & Process Data): Diese Kategorie umfasst Vorschubgeschwindigkeiten, Materialqualitäten, Toleranzabweichungen oder Rezepturen. Sie verknüpfen den reinen Maschinenlauf mit dem fertigungstechnischen Ergebnis.
• Steuerungs- und Remote-Befehle (Control & Actuation Data): Bei Remote Operations fließen Daten nicht nur von der Maschine weg, sondern auch zu ihr hin. Das Spektrum reicht von Steuerungsbefehlen über OT-Fernwartungszugriffe bis hin zu Parametereinstellungen oder Over-the-Air-Firmware-Updates (OTA) aus der Ferne.

Die drei Perspektiven: Interessen, Zielkonflikte und Datenschutz

Die Einbindung dieser Datenströme stößt in der Praxis auf unterschiedliche Interessen der beteiligten Akteure. Die Schnittmenge zu finden, entscheidet über den Erfolg des Servitisierungsansatzes.

[ Maschinenhersteller (OEM) ]

/ \

/ Interesse: Flotten-Insights \

/ & Subskriptions-Erlöse \

/ \

/ \

[ Betreiber / Fabrik ] <----------------> [ Komponentenlieferant ]

Interesse: CapEx->OpEx, Interesse: Komponentenschutz

Datensouveränität & Schutz von & direkte IIoT-Anbindung

Prozess-Know-how (Vermeidung von Blindflug)  

1. Die Perspektive des Betreibers (Fabrikbetreiber / KMU)

• Hauptinteresse: Maximale Flexibilität (Verschiebung von CapEx zu OpEx), hohe Anlagenverfügbarkeit ohne eigenes Instandhaltungsrisiko und Kostentransparenz.
• Befürchtungen & Hürden: Der Betreiber sorgt sich vor allem um seine Datensouveränität und den Schutz seines Geschäftsgeheimnisses. Prozess- und Bauteildaten (welches Teil wird für welchen Kunden in welcher Stückzahl gefertigt?) offenbaren Rückschlüsse auf seine Auslastung, Margen und Kundensegmente.
• Forderung an den Datenfluss: Strikte Datensparsamkeit (Data Minimization). Für ein Pay-per-Use-Modell soll der OEM oder der Finanzierer (z. B. die Bank) ausschließlich aggragierte Kennzahlen (z. B. "Maschine lief 4,5 Stunden") erhalten – keine detaillierten Werkstück- oder Rezepturdaten. Zudem fordert der Betreiber eine klare physikalische und logische Trennung der Netzwerke (OT-Gapping), um Cyber-Risiken durch Remote-Zugriffe zu minimieren.

2. Die Perspektive des Herstellers (OEM / Maschinenbauer)

• • Hauptinteresse: Planbare, wiederkehrende Umsätze (Recurring Revenue), engere Kundenbindung und wertvolle Einblicke in die reale Nutzung der Maschinenflotte (Fleet Insights).
  • Befürchtungen & Hürden: Übernimmt der OEM das Ausfall- und Verfügbarkeitsrisiko (wie bei Outcome-based Modellen), benötigt er tiefen Einblick in den Betrieb. Er muss verhindern, dass der Betreiber die Maschine unsachgemäß überlastet oder minderwertiges Rohmaterial verwendet, das den Verschleiß beschleunigt.
  • Forderung an den Datenfluss: Vollständiger Zugriff auf Telemetrie-, Belastungs- und Umgebungsdaten in Echtzeit. Der OEM benötigt hochfrequente Sensordaten, um Ausfälle prognostizieren zu können und Gewährleistungsansprüche abzugrenzen.

3. Die Perspektive des Komponentenlieferanten (Tier-1-Zulieferer)

• Hauptinteresse: Lieferanten von kritischen Baugruppen (z. B. Hydraulikaggregate, Antriebe, Spindeln oder Getriebe) wandeln sich ebenfalls zu Service-Providern (siehe das Beispiel Liebherr Nenzing bei Fräsantrieben). Sie wollen direkte Datenbeziehungen zum Endanwender aufbauen, um eigene Component-as-a-Service-Modelle anzubieten.
• Befürchtungen & Hürden: Der Komponentenhersteller droht in der Wertschöpfungskette nach hinten zu rücken, wenn der OEM alle Daten monopolisiert und als „Gatekeeper“ fungiert.
• Forderung an den Datenfluss: Direkt integrierte Edge-Sensorik und standardisierte Schnittstellen (z. B. via OPC UA oder MQTT), die es erlauben, Komponentendaten am OEM vorbei oder parallel in eigene Diagnose-Clouds zu übertragen – was wiederum zu Zielkonflikten mit dem OEM führt.
  
  

Die technische Lösung: Vertrauensanker und moderne Standards

Damit Pay-per-Use- und Remote-Operation-Modelle nicht an Bedenken hinsichtlich Datenschutz und Security scheitern, setzt die Industrie zunehmend auf drei technische Säulen:

• Standardisierte Schnittstellen und digitale Zwillinge: Offene Industriestandards wie OPC UA und die Asset Administration Shell (AAS / Verwaltungsschale) strukturieren Datenströme so, dass Daten semantisch eindeutig und interoperabel zwischen Maschinen, OEMs und FinTechs ausgetauscht werden können.
• Dezentrale Datenräume (Industrial Data Spaces): Initiativen wie Catena-X oder Manufacturing-X ermöglichen einen souveränen Datenaustausch. Über Richtlinien (Usage Policies) wird softwareseitig durchgesetzt, dass Daten nur für den definierten Zweck (z. B. rein zur Abrechnung) verwendet und nach der Verarbeitung gelöscht werden.
• Smart Contracts und Banken-Anbindung: Technologieplattformen binden Maschinen-Gateways direkt an Bankensysteme an. Ein im Gateway integrierter „Crypto-Chip“ (Hardware Security Module / HSM) signiert die Betriebsdaten fälschungssicher direkt an der Quelle. So erhält die Bank oder der OEM die verifizierte Abrechnungsgrundlage, ohne Einblick in sensible Fertigungsprozesse nehmen zu müssen.

Fazit

Der Datenfluss ist die Lebensader moderner Betreibermodelle. Der wirtschaftliche Erfolg hängt jedoch nicht allein von der Übertragungsbandbreite ab, sondern von der feingranularen Governance: Nur wenn Systeme so konstruiert sind, dass Betreiber die Kontrolle über ihr Prozess-Know-how behalten, OEMs ausreichende Telemetriedaten zur Risikosteuerung erhalten und FinTechs verifizierte Abrechnungswerte nutzen können, entfaltet das Prinzip Pay-per-Use sein volles Potenzial im industriellen Mittelstand.