Energieverbrauch in der Möbelproduktion KI-gestützt optimieren

Das echte Ausmaß des Problems

Energie ist in holzverarbeitenden Betrieben kein Randposten. Wie hoch der Anteil an den Herstellkosten ist, hängt stark davon ab, wie viel Trocknung, Oberflächenbehandlung und Druckluft im Prozess stecken; eine belastbare Branchenzahl haben wir nicht gefunden. Stefans Werk zahlt 18.400 Euro im Monat, aufs Jahr gerechnet rund 220.000 Euro, und mit dieser Zahl rechnet die Seite weiter.

Das eigentliche Problem ist nicht die Höhe der Rechnung. Es ist die Blindheit dahinter.

In den meisten mittelständischen Produktionsbetrieben gibt es genau einen Strommesszähler am Netzanschluss. Der zeigt, was insgesamt verbraucht wird, aber nicht, wer gerade was verbraucht. Und er zeigt nicht, wann gleichzeitig mehrere Großverbraucher laufen und damit den sogenannten Leistungspreis in die Höhe treiben: Betriebe mit registrierender Leistungsmessung zahlen neben dem Arbeitspreis (Cent pro kWh) einen Leistungspreis im Netzentgelt. Er wird auf die höchste Viertelstunden-Leistung des ganzen Abrechnungsjahres angewendet (Jahreshöchstleistung, § 17 StromNEV), auch wenn diese Spitze nur einmal vorkommt.

Was das bedeutet: Eine einzige Viertelstunde, in der Kompressor, Trocknungskammer und beide CNC-Linien gleichzeitig unter Last laufen, kann die Bemessungsleistung für das ganze Jahr setzen. Kurze Anlaufspitzen von wenigen Sekunden fallen dabei kaum ins Gewicht, gemessen wird der Durchschnitt je Viertelstunde; teuer wird es, wenn große Verbraucher eine Viertelstunde lang gemeinsam laufen.

Weitere typische Energiefresser in der Möbelproduktion, die ohne Messpunkte unsichtbar bleiben:

• Druckluft: In Betrieben mit viel Druckluft entfällt ein großer Teil des Stromverbrauchs auf die Kompressoren, wie viel, zeigt ein Messpunkt am Kompressor. Atlas Copco schätzt, dass über 70 Prozent der Lebenszykluskosten eines Kompressors Energiekosten sind. Lecks von einem Millimeter Durchmesser kosten bei 3.000 Betriebsstunden und 0,25 €/kWh rund 225 Euro jährlich, und die meisten Betriebe haben Dutzende davon.
• Holztrockenkammern: Laufen oft zeitlich ungesteuert, unabhängig davon, ob der Tarif gerade günstig oder teuer ist.
• CNC-Anlagen: Verbrauchen auch im Leerlauf erheblich, wenn niemand explizit die Einschaltzeitpunkte plant.
• Sprühkabine mit Absaugung: Hohe Anlaufleistung beim Einschalten, oft ohne Koordination mit anderen Anlagen.

Eine belastbare Einsparquote für Möbelbetriebe haben wir nicht gefunden. Der konkreteste Beleg aus der Holzbranche: Der kanadische Holzkonzern Canadian Forest Products meldete 15 Prozent weniger Energieverbrauch durch Echtzeit-Alarme bei Abweichungen vom erwarteten Verbrauch (ISA InTech, 2018). Das ist ein Großkonzern, kein 60-Personen-Möbelwerk.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, sehr gering (1/5)
KI-gestütztes Energiemanagement spart keine Arbeitszeit. Stefan Bauer verbringt nach der Einführung nicht weniger Stunden in der Produktion. Was sich ändert, ist der Energieeinsatz der Maschinen, nicht der Zeitaufwand der Mitarbeitenden. Das ist ehrlich: Dieser Anwendungsfall optimiert Strom, nicht Stunden. Unter den Anwendungsfällen in der Möbel- und Holzbranche gibt es klar bessere Hebel für Zeitersparnis, etwa bei der Angebotskalkulation oder der Fertigungsdokumentation.

Kosteneinsparung, sehr hoch (5/5)
Bei 220.000 Euro Stromkosten im Jahr bedeuten 10 Prozent Einsparung 22.000 Euro, 15 Prozent wie bei Canfor 33.000 Euro. Die Einsparung entsteht aber nicht durch das Monitoring, sondern durch das, was ihr daraufhin ändert: Lecks abdichten, Anlaufzeiten verschieben, Leerlauf abschalten. Das kostet Arbeitszeit und manchmal Investitionen. Wenn es gelingt, ist das einer der größten Kostenhebel dieser Branche.

Schnelle Umsetzung, niedrig (2/5)
Die Sensorinstallation dauert, die OT-IT-Integration ist komplex, und das ML-Modell braucht mehrere Wochen Trainingsdaten, bevor es zuverlässige Prognosen liefert. Drei bis sechs Monate bis zum produktiven Betrieb sind realistisch. Kein Self-Service-Start möglich. Wer einen schnellen Einstieg braucht, ist bei anderen Use Cases besser bedient.

ROI-Sicherheit, sehr hoch (5/5)
Das ist der zweite große Stärkenaspekt: Die Einsparung ist direkt messbar, wenn du richtig vergleichst. Nicht die Euro-Summe der Rechnung von Monat eins und Monat zwölf, denn Strompreis und Auslastung schwanken, sondern den Verbrauch je produzierter Einheit vor und nach der Einführung. Strom kostet Geld, und das System senkt den Verbrauch sowie die Lastspitzen. Wenige andere Use Cases haben einen so direkten Beweis.

Skalierbarkeit, mittel (3/5)
Ein zweites Werk oder eine zweite Fertigungslinie ist technisch ohne weiteres integrierbar. Aber: Jede Anlage braucht ihre eigene Sensor-Infrastruktur, und das Modell muss auf die spezifischen Maschinen und Prozesse kalibriert werden. Echte Skalierung ohne proportionalen Mehraufwand sieht anders aus. Mittelposition im Branch ist hier fair.

Richtwerte, stark abhängig von Anlagengröße, Jahresstromverbrauch und bestehendem Automatisierungsgrad der Maschinen.

Was das System konkret macht

Der technische Kern ist Machine Learning auf Zeitreihendaten. Das Grundprinzip lässt sich in drei Schichten erklären:

Schicht 1: Messen, was du nicht siehst.
An jedem relevanten Verbraucher, Kompressor, Trocknungskammer, CNC-Anlage, Sprühkabine, Lüftung, wird ein Strommessgerät (Klappstromwandler oder Festklemme, je nach Anschlusstyp) angebracht. Diese Geräte senden alle 15 bis 60 Sekunden einen Messwert: Leistung in kW, manchmal auch Strom, Spannung und Leistungsfaktor. Dazu kommen Drucksensoren im Druckluftnetz, Temperaturfühler in Trocknungskammern und optional Zählpulse aus bestehenden Zählern. Alles läuft über ein lokales Netzwerk (meist MQTT-Protokoll oder Modbus TCP) auf einen Edge-Gateway, einen kleinen Industrierechner, der die Daten lokal sammelt, vorverarbeitet und in die Cloud oder in ein lokales System weitergibt.

Schicht 2: Verstehen, was normal ist.
Ein ML-Modell, in der einfachsten Form ein statistisches Zeitreihenmodell, in der aufwendigeren Form ein Anomalieerkenner, lernt aus mehreren Wochen historischer Daten, welches Verbrauchsmuster für welchen Betriebszustand normal ist. Wenn der Kompressor an einem Dienstag um 6:30 Uhr anläuft und die erste Viertelstunde 45 kW zieht, dann ist das normal. Wenn er plötzlich dauerhaft 52 kW zieht, ohne dass die Produktion hochgefahren wurde, ist das wahrscheinlich eine Leckage oder ein Defekt, und das System gibt einen Alarm.

Schicht 3: Optimieren, was steuerbar ist.
Das eigentliche KI-Element kommt bei der aktiven Steuerung: Das Modell kennt den Produktionsplan (wann welche Maschinen für welche Aufträge laufen müssen), den aktuellen und prognostizierten Strompreis (bei variablen Tarifen oder Day-Ahead-Preisen), und die aktuelle Laststruktur. Es empfiehlt, oder bei Anbindung an das MES steuert es direkt, welche Anlagen früher oder später anlaufen sollten, um Lastspitzen zu brechen. Das Ziel: nie zwei Großverbraucher gleichzeitig im Anlaufmodus, Trocknungszyklen in günstige Nachtstunden verschieben, Kompressoren im Verbundbetrieb effizienter aufteilen.

Das Ergebnis ist kein großer Sprung, sondern viele kleine Optimierungen, die sich über 365 Tage addieren. Canadian Forest Products, ein großer kanadischer Holzkonzern, berichtete laut ISA InTech (2018) von 15 Prozent weniger Energieverbrauch durch Echtzeit-Alarme bei Abweichungen vom erwarteten Verbrauch, also durch frühzeitige Reaktion auf Anomalien.

Was ihr hardware-seitig braucht

Das ist der Teil, der in den meisten Anleitungen fehlt, und der darüber entscheidet, ob das Projekt funktioniert.

Strommessgeräte an den Maschinen. Es gibt zwei Hauptvarianten: Klappstromwandler (nicht-invasiv, werden um das Kabel geklemmt, keine Abschaltung nötig) und fest montierte Messgeräte im Schaltschrank (genauer, aber Elektriker-Arbeit). Für die meisten Maschinen in der Möbelproduktion sind Klappstromwandler mit einem IoT-Gateway der praktikable Einstieg. Preis je Messpunkt inkl. Gateway: 150–400 Euro (z.B. PSsystec SMARTmetering-Paket für ca. 381 Euro je Messpunkt laut aktueller Preisliste). Siemens SENTRON PAC-Messgeräte für den Schaltschrank-Einbau liegen bei 200–600 Euro je Gerät ohne Installation.

Drucksensoren im Druckluftnetz. Mindestens einer am Kompressorausgang und einer am Ende des Verteilnetzes. Damit erkennst du den Druckabfall, der auf Lecks hindeutet. Günstiger Industriedrucksensor: 80–150 Euro je Stück, mit 4–20 mA-Ausgang oder IO-Link.

Edge-Gateway. Sammelt alle Messwerte, verarbeitet sie lokal (wichtig für geringe Latenz und Datenschutz) und sendet sie weiter. Industriequalität: Siemens SIMATIC IOT2000, Advantech WISE-5231 oder günstige Variante auf Raspberry Pi 4 mit Node-RED . Kosten: 80–600 Euro je nach Anforderung.

Netzwerkanbindung. In der Produktion oft schwieriger als gedacht: Maschinenhallen haben metallische Umgebungen, die WLAN stören. Am zuverlässigsten ist Ethernet (LAN-Kabel), gefolgt von industriellem LoRaWAN für weitläufige Hallen. Plane Kabelwege ein, das ist oft der versteckte Zeitfresser bei der Installation.

Voraussetzung OPC-UA oder Modbus. Neuere CNC-Anlagen (Heidenhain, Fanuc, Siemens SINUMERIK ab ca. 2012) haben bereits eine digitale Schnittstelle, über die Betriebszustand, Spindellast und Energiemesswerte direkt ausgelesen werden können. Das ist deutlich präziser und günstiger als nachgerüstete Klemmen. Prüfe, bevor du kaufst: Welche Schnittstelle hat jede deiner Anlagen?

Die wichtige Frage vorab: Für wie viele Messpunkte planst du? Ein 60-Personen-Werk hat typisch 8–15 relevante Hauptverbraucher. Daraus ergibt sich eine Hardware-Investition von 3.000–8.000 Euro für die Messtechnik allein, ohne Installation und Inbetriebnahme.

Konkrete Werkzeuge, was wann passt

Die Werkzeugwahl hängt von zwei Fragen ab: Wie groß ist das Unternehmen? Und wie viel eigene IT-Kompetenz ist vorhanden?

Für den DIY-Stack (mit IT-Kompetenz intern oder über einen lokalen Dienstleister):

Node-RED ist der bevorzugte Einstieg für die Datenkollektionsschicht. Das Open-Source-Tool läuft auf einem Edge-Gateway, spricht Modbus, OPC-UA, MQTT und verbindet Sensordaten in einer visuellen Workflow-Oberfläche mit der Datenbank. Kostenlos, selbst-hostbar, DSGVO-freundlich weil nichts nach außen muss. Technisches Know-how erforderlich.

InfluxDB ist die passende Zeitreihendatenbank darunter. Optimiert für Messwerte mit Zeitstempel, genau das, was Stromdaten sind. Die Open-Source-Version läuft on-premise auf einem Server in der Produktion, kostet nichts in der Lizenz und ist seit Jahren industriell bewährt. Für Einsteiger: InfluxDB Cloud Serverless gibt es auch in der EU-Region Frankfurt, mit Startguthaben.

Grafana übernimmt die Visualisierung und seit der Version 10 auch echte ML-Anomalieerkennung (Grafana ML / Sift). Du siehst in einem Dashboard, was jede Maschine gerade zieht, erkennst Abweichungen in Echtzeit und kannst Alarme setzen. Grafana OSS ist kostenlos und selbst-hostbar; EU-Hosting in der Cloud ab 19 USD/Monat. Für die meisten mittelständischen Möbelwerke ist der DIY-Stack aus Node-RED + InfluxDB + Grafana die praktikabelste und kosteneffizienteste Lösung.

Für größere Betriebe oder Betriebe mit Siemens-Maschinenpark:

Siemens Insights Hub (früher MindSphere) ist die industrielle IoT-Plattform von Siemens. Wenn CNC-Anlagen oder Kompressoren bereits Siemens-Steuerungen haben, ist die Anbindung deutlich einfacher als bei Drittsystemen. Integrierte Predictive-Maintenance-Logik, DSGVO-konformes EU-Hosting. Preise nur auf Anfrage, eine belastbare Zahl haben wir nicht.

Für Betriebe mit Schneider-Electric-Schaltanlagen oder Neuinvestition:

Schneider EcoStruxure bietet mit seiner Energy-Management-Schicht eine durchgängige Lösung von der Messtechnik bis zum Cloud-Dashboard. Besonders stark, wenn ohnehin Schneider-Messgeräte (POWRLOGIC, PM-Serie) im Schaltschrank eingebaut werden. Solution-Partner-Netzwerk in Deutschland, deutschsprachiger Support, EU-Hosting. Projektvolumen laut unserer Toolseite typisch 25.000 bis 250.000 Euro, dazu 0,30 bis 1,20 Euro je Datenpunkt und Monat.

Für ML-basierte Anomalieerkennung:

Hier lohnt eine Einordnung, bevor ihr in Richtung Cloud denkt. Amazon Lookout for Equipment, ein verwalteter AWS-Dienst, der aus historischen Sensordaten ohne ML-Expertise ein Anomaliemodell baut, wird am 7. Oktober 2026 eingestellt; neue Kunden nimmt er seit Oktober 2025 nicht mehr an. AWS verweist Bestandskunden auf AWS IoT SiteWise, das seit Juli 2025 eine eigene multivariate Anomalieerkennung mitbringt (AWS, Preserve access and explore alternatives for Amazon Lookout for Equipment). Wer die Kompressorüberwachung darauf gebaut hat, muss migrieren.

Für einen Tischlerei- oder Möbelbetrieb mit 8 bis 15 Messpunkten ist das aber ohnehin die falsche Größenordnung. Die Muster, um die es hier geht, erhöhte Motorlast am Kompressor als Leckageindikator oder ungewöhnlich lange Trocknungszeiten, findet ihr mit einem einfachen Anomaliemodell auf dem Stack, den ihr eh betreibt: PyOD auf den InfluxDB-Daten oder die Anomalieerkennung in Grafana. Läuft lokal, kostet keine Lizenz, und niemand kann es euch abschalten. Eine Cloud-ML-Plattform wie Amazon SageMaker AI ist erst dann die richtige Antwort, wenn eure Datenpipeline ohnehin in AWS läuft und jemand das Modell dauerhaft betreut.

Zusammenfassung:

• Eigene IT, kein großes Budget → Node-RED + InfluxDB + Grafana (DIY-Stack, Open Source)
• Siemens-Maschinenpark, Enterprise-Budget → Siemens Insights Hub
• Schneider-Schaltanlage oder Neuaufbau → Schneider EcoStruxure
• Anomalieerkennung gewünscht → PyOD oder Grafana auf dem eigenen Stack, eine Cloud-ML-Plattform erst ab eigener Data-Science-Kapazität

Datenschutz und Datenhaltung

Energiedaten aus der Produktion sind in der Regel keine personenbezogenen Daten im Sinne der DSGVO, Maschinenverbrauchswerte, Druckwerte, Temperaturen identifizieren keine Personen. Das vereinfacht die rechtliche Lage erheblich.

Allerdings gibt es zwei Ausnahmen, die prüfenswert sind:

Verbindung mit Schichtplänen. Wenn das Energiemanagement-System Daten mit Schichtzeiten oder Arbeitszeiten verknüpft, entsteht mittelbar ein Bezug zu Mitarbeitenden, etwa wenn daraus ablesbar wird, wie viel eine bestimmte Schicht produziert oder wann Pausen genommen werden. Das ist im Grenzbereich der Mitbestimmungspflicht: Betriebsrat einbeziehen, bevor Schichtdaten und Energiedaten gemeinsam ausgewertet werden.

Cloud-Hosting sensibler Produktionsdaten. Wer seinen DIY-Stack auf einer US-Cloud betreibt (AWS, Azure in US-Regionen), überträgt Produktionsdaten, auch wenn es nur Stromwerte sind, in die USA. Datenschutzrechtlich ist das für reine Maschinentelemetrie weniger problematisch, aber manche Unternehmen haben Geheimhaltungsinteressen an Produktionsmuster-Daten (Laufzeiten verraten Kapazitäten). Lösung: On-premise-Stack (Node-RED + InfluxDB auf eigenem Server) oder EU-Hosting (AWS eu-central-1, Azure Germany West Central).

Konkret:

• DIY-Stack on-premise: Kein Cloud-Datentransfer, keine AVV-Pflicht, volle Datenkontrolle, die bevorzugte Wahl für datensensible Betriebe
• Siemens Insights Hub: EU-Hosting, DSGVO-konform, AVV über Siemens-Rahmenvertrag
• Schneider EcoStruxure: EU-Hosting (Azure Europe), AVV über Vertriebspartner
• Amazon SageMaker AI (EU-Region Frankfurt): AWS-DPA gilt als AVV, DSGVO-konform wenn Region eu-central-1 explizit gewählt

Was es kostet, realistisch gerechnet

Einmalige Kosten (Hardware + Installation + Inbetriebnahme):

• 8–15 Messpunkte (Klappstromwandler + IoT-Gateway): 3.000–6.000 Euro Hardware
• Drucksensoren Druckluftnetz (4–6 Stück): 500–900 Euro
• Edge-Gateway-Server: 400–800 Euro
• Elektroinstallation durch Fachbetrieb (Kabelwege, Schaltschrank-Einbau): 2.000–5.000 Euro
• Inbetriebnahme, Konfiguration, erste Modelltraining (Dienstleister oder intern): 3.000–8.000 Euro

Gesamte Erstinvestition: typisch 9.000–21.000 Euro für einen Standort mit DIY-Stack.
Mit Schneider EcoStruxure typisch 25.000–250.000 Euro, Siemens Insights Hub auf Anfrage.

Laufende Kosten (monatlich):

• DIY-Stack (Server on-premise): 0 Euro Lizenzkosten, ca. 50–150 Euro/Monat für IT-Betreuung und Sensorkalibrierung
• Grafana Cloud (EU): ab 19 USD/Monat für einfache Setups, praktisch nutzlos für große Datenmengen
• Siemens Insights Hub: Preise nur auf Anfrage
• Schneider EcoStruxure: 0,30–1,20 Euro/Datenpunkt/Monat

ROI-Rechnung, konservativ:
Jahresstromkosten: 220.000 Euro
10 Prozent Einsparung (eine Annahme, kein Messwert): 22.000 Euro/Jahr
Laufende Kosten DIY-Stack: 50–150 Euro/Monat, also 600–1.800 Euro/Jahr
Erstinvestition DIY-Stack: 15.000 Euro
Amortisation: rund 8 bis 9 Monate, wenn die 10 Prozent eintreten

Die Arbeit für die Maßnahmen selbst (Lecks abdichten, Abläufe umstellen) ist darin nicht enthalten. Ob die 10 Prozent eintreten, zeigt nicht die nächste Rechnung, sondern der Verbrauch je Einheit über mehrere Monate.

So misst du den ROI tatsächlich:
Vergleiche die monatlichen Rechnungen jeweils Monat für Monat mit dem Vorjahreswert, am besten bereinigt um Produktionsvolumen (kWh pro produzierte Einheit oder kWh pro Arbeitsstunde). Behalte zusätzlich den Leistungspreis im Blick: Hat die Jahreshöchstlast abgenommen? Das ist oft der größte Hebel, weil er auf den gesamten Jahrestarif wirkt.

Typische Einstiegsfehler

1. Mit der Gesamtanlage messen, statt mit einzelnen Verbrauchern anfangen.
Der verbreitete Reflex: Erst einmal alle Daten sammeln, dann sehen wir weiter. In der Praxis resultiert das in einer Flut von Zahlen, aus der niemand ein Optimierungspotenzial ableiten kann. Richtig: Zuerst die drei oder vier größten Verbraucher identifizieren (meistens Kompressor, Trocknungskammer, Hauptspindeln der CNC), dort Messpunkte setzen, und den ersten Monat damit Basiswerte aufnehmen. Erst wenn diese Daten verstanden sind, den Scope erweitern.

2. Das Modell trainieren, ohne Betriebszustände zu labeln.
Machine-Learning-Modelle für Anomalieerkennung brauchen Kontext: Wann war die Anlage in Betrieb, wann in Pause, wann in Wartung, wann wurde ein Produkt gewechselt? Wer einfach Strommessdaten aufzeichnet, ohne diese Metadaten zu ergänzen, trainiert ein Modell, das normale Produktionswechsel als Anomalie meldet, und dann ignoriert das Team die Alarme. Lösung: Vor dem Training mindestens drei bis vier typische Betriebszustände je Anlage dokumentieren und in den Trainingsdaten kennzeichnen.

3. Sensor-Drift ignorieren.
Das ist der gefährlichste stille Fehler: Klappstromwandler und IoT-Sensoren driften im Laufe der Monate. Ein Stromsensor, der nach sechs Monaten acht Prozent zu niedrig misst, liefert ein Bild, das konsistent wirkt, aber falsch ist. Das ML-Modell lernt auf Basis dieser verzerrten Werte, und die Lastspitzenprognosen werden systematisch falsch. Abhilfe: halbjährliche Kalibrierungsroutine mit einem Referenzgerät, protokolliert und dokumentiert. Das kostet zwei Stunden, und rettet die gesamte Datenqualität.

4. Die Optimierungsempfehlungen nicht in den Schichtplan übersetzen.
Das System sagt: „Starte Trocknungskammer nicht vor 7 Uhr, wenn Kompressor noch hochläuft.” Wer das als E-Mail-Benachrichtigung in der Nacht schickt, die niemand liest, verschenkt den Wert. Die Handlungsempfehlungen müssen in den konkreten Tagesablauf integriert werden: Aushang an der Anlage, Hinweis im Schichtübergabeprotokoll, oder direkte Integration ins MES. Erst wenn der Maschinenanfahrer die Information rechtzeitig bekommt und versteht, warum er warten soll, ändert sich das Verhalten dauerhaft.

Was mit der Einführung wirklich passiert, und was nicht

Das Schwierige an diesem Use Case ist nicht die Technik, es ist die Überzeugungsarbeit gegenüber denen, die täglich mit den Maschinen arbeiten.

Das „ich kenn meine Maschinen”-Muster. Erfahrene Maschinenführer haben über Jahre ein Gespür dafür entwickelt, wann was wie läuft. Ein System, das ihnen sagt, wann sie die Maschine anfahren sollen, kann sich wie ein Misstrauen anfühlen. Das Gegenteil ist der Fall: Das System macht sichtbar, was sie bisher nur ahnen konnten, und gibt ihnen ein Werkzeug, das sie entlastet. Die Lösung ist keine Überzeugungskampagne, sondern ein konkretes Erlebnis: Zeig dem Schichtführer, wie die Lastspitze vom letzten Dienstag auf dem Dashboard ausgesehen hat und was sie im Tarif gekostet hat. Zahlen, die er vorher nie sehen konnte.

Was die Einführung nicht ändert: Energiemonitoring allein senkt keine Kosten. Das System zeigt Potenziale, aber jemand muss handeln. Wenn das Optimierungssystem sagt, Kompressor B könnte in Standby gehen, und niemand wechselt die Betriebsweise, ändert sich nichts. Die Einführung ist ein Informationssystem, kein Autopilot, es sei denn, du entscheidest dich für die direkte MES-Integration, die tatsächlich Anlaufzeiten automatisch anpasst. Das ist der nächste Schritt, nicht der erste.

Was konkret hilft:

• Den ersten Monat ausschließlich zur Datenerhebung nutzen, noch keine Empfehlungen einfordern, das schafft Vertrauen in die Daten
• Eine Person in der Produktion als „Energiepate” benennen, die täglich einen Blick auf das Dashboard wirft und Auffälligkeiten meldet
• Erste sichtbare Erfolge (erkannte Leckage, vermiedene Lastspitze) im Team kommunizieren, konkret, mit Euro-Betrag
• Regelmäßige monatliche Auswertungsrunde: Welche Woche war am besten? Welche Maschine zeigt noch unklares Verhalten?

Realistischer Zeitplan mit Risikohinweisen

Ein realistisches Datum für den ersten produktiven Betrieb bei einem 60-Personen-Möbelwerk: etwa vier bis fünf Monate nach Projektstart. Wer mit einem Teilscope beginnt (nur Kompressor und Trocknungskammer), kann in acht bis zehn Wochen erste Ergebnisse sehen.

Häufige Einwände, und was dahintersteckt

„Wir haben einen Energieberater, der kommt einmal im Jahr.”
Das ist kein Energiemanagement, das ist ein Energiebericht. Der Unterschied: Ein Audit zeigt dir, was in der Vergangenheit teuer war. Ein Monitoring-System zeigt dir, was gerade teuer ist, und gibt dir die Möglichkeit, es noch heute zu ändern. Jahresaudits sind wertvoll für strategische Entscheidungen (Kompressor tauschen, Trockenanlage modernisieren). Tagesmonitoring ist wertvoll für operative Entscheidungen (Anlaufzeiten, Leckagen, Leerlaufzeiten). Beides hat seinen Platz, sie ersetzen sich nicht.

„Unsere Maschinen sind zu alt für IoT.”
In den meisten Fällen stimmt das nicht. Klappstromwandler werden um das Kabel geklemmt, die Maschine muss keine digitale Schnittstelle haben. Selbst eine 30 Jahre alte Kreissäge kann an einem Klemmensensor hängen. Was die Maschine nicht liefern kann, ist detaillierter Betriebszustand (läuft in Produktion oder im Leerlauf), das muss dann über den Stromverbrauch selbst interpretiert werden, was die Modelle können. Echter Ausschlussgrund ist nicht das Alter der Maschine, sondern das Fehlen eines zugänglichen Stromanschlusses.

„Der Aufwand lohnt sich bei unserer Größe nicht.”
Das ist der ehrlichste Einwand. Bei Jahresstromkosten unter 80.000 Euro ist die Rechnung tatsächlich eng: Selbst 15 Prozent Einsparung ergeben 12.000 Euro jährlich. Gegen eine Erstinvestition von 15.000 Euro und 600 bis 1.800 Euro Betrieb im Jahr macht das eine Amortisation von 16 bis 18 Monaten, was noch funktioniert. Aber wenn das Personal für Installation und Betrieb dazukommt, wird es knapper. Die Grenze, unterhalb derer der DIY-Stack sich klar nicht lohnt: unter 60.000 Euro Jahresstromkosten. Dort ist ein einmaliger Energieberater-Audit mit konkreten Maßnahmen (Druckluftnetz abdichten, Kompressor-Druckniveau anpassen) die kosteneffektivere Alternative.

Woran du merkst, dass das zu dir passt

• Deine monatliche Stromrechnung liegt über 7.000 Euro, das entspricht Jahresstromkosten von ca. 84.000 Euro aufwärts, bei dem eine 15%-Einsparung bereits 12.600 Euro/Jahr bringt
• Du zahlst einen Leistungspreis (Grundpreis nach Jahreshöchstlast oder 15-Minuten-Spitzenlast), der ist oft der größte Hebel, weil eine einzige vermiedene Lastspitze monatelange Wirkung hat
• Du hast mindestens vier steuerbare Großverbraucher (Kompressor, Trocknungskammer, Hauptbearbeitungsanlage, Lüftung), deren Anlaufzeiten theoretisch koordiniert werden könnten
• Die Maschinen laufen mindestens zwei Schichten, bei Einschichtbetrieb ist das Optimierungsfenster zu schmal
• Jemand in deinem Betrieb hat Lust auf Technik oder ihr habt eine Beziehung zu einem lokalen IT-Dienstleister mit Industrie-Erfahrung

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Jahresstromkosten unter 60.000–80.000 Euro. Die Einsparung durch Energiemanagement, angenommen 10–15 Prozent, ergibt dann 6.000–12.000 Euro jährlich. Die Erstinvestition für Hardware, Installation und Inbetriebnahme liegt auch bei einfachen Setups bei 9.000–15.000 Euro. Bei Betrieben unter dieser Schwelle ist ein einmaliger Energieberater-Audit mit Fokus auf Druckluft, Beleuchtung und Leerlaufzeiten der deutlich bessere erste Schritt.

2. Rein analoge Maschinen ohne möglichen Messpunkt und kein Elektriker-Budget. Wer in einer Schreinerei ausschließlich mit handgeführten Werkzeugen und kleinen Standmaschinen arbeitet und keine Möglichkeit hat, Messpunkte installieren zu lassen, ist bei diesem Ansatz falsch. Das betrifft vor allem Kleinstbetriebe unter zehn Mitarbeitenden mit wenig Fixinfrastruktur.

3. Kein Verantwortlicher für laufenden Betrieb des Systems. Ein Energiemonitoringsystem, das eingerichtet und dann nicht gepflegt wird, liefert nach 12–18 Monaten zuverlässig falsche Empfehlungen, weil Sensoren driften, Maschinen sich ändern, und das Modell nicht mehr zur Realität passt. Das ist schlimmer als kein System: Es gibt Empfehlungen, die das Team befolgt, die aber auf veralteten Daten basieren. Ohne eine namentlich benannte Person (Produktionsleiter, Energiebeauftragter, IT-Betreuer), die regelmäßig, mindestens einmal pro Quartal, das System prüft und Sensoren kalibriert, bitte nicht anfangen.

Das kannst du heute noch tun

Noch bevor du eine Investitionsentscheidung triffst, kannst du deine aktuelle Stromrechnung deutlich besser verstehen. Die meisten Betriebe wissen nicht, wie groß ihr Leistungspreis-Anteil ist und ob dort der größte Hebel liegt.

Lade deine letzten drei Monatsstromrechnungen herunter, oder frag deinen Versorger nach einem Lastprofil-Export, falls du keinen eigenen Zähler mit Lastgang hast, und lass diesen Prompt deine Analyse machen:

Den Lastgang-Export kannst du direkt bei deinem Energieversorger anfordern, in der Regel kostenlos, lieferbar als CSV. Mit diesen Daten weißt du innerhalb eines Tages, ob der Leistungspreis oder der Verbrauchspreis dein Haupthebel ist. Diese Antwort bestimmt, wo du mit der Sensorinstallation anfängst.

Quellen & Methodik

• 15 % Energiereduktion durch Echtzeit-Alarme: Canadian Forest Products, dokumentiert in: ISA InTech Magazine, „Combining IoT, Industry 4.0, and energy management”, März/April 2018, isa.org, abgerufen 18.09.2026.
• Leistungspreis nach Jahreshöchstleistung: § 17 Abs. 2 Stromnetzentgeltverordnung (StromNEV), gesetze-im-internet.de/stromnev/__17.html, abgerufen 18.09.2026.
• Druckluft als Kostentreiber (70–80 % Lebenszykluskosten): Atlas Copco Kompressoren, Whitepaper „Der größte Kostentreiber im Kompressorraum” (Stand April 2026).
• Hardware-Preise: PSsystec SMARTmetering IoT-Paket, m2mgermany.de (Stand Mai 2026, ca. 381 €/Messpunkt exkl. MwSt.); Siemens SENTRON PAC-Serie, Händlerpreise über Siemens-Distributoren.
• Sensor-Kalibrierungsrisiko: Neural Concept, „Predictive Maintenance Machine Learning: A Practical Guide” (2025) und Frontiers in Artificial Intelligence, „AI algorithms and IoT platforms for anomaly and failure prediction” (2026).

Du willst wissen, ob sich die Investition für euren konkreten Standort rechnet? Schick uns deine letzte Jahresstromrechnung (anonymisiert reicht), wir schätzen in einem kurzen Gespräch ein, wo der größte Hebel liegt.