Temperaturabweichungen während der Fahrt erkennen
Bei gekühlter Ware müssen die vorgeschriebenen Temperaturgrenzen während des gesamten Transports eingehalten werden. Steigt die Temperatur im Kühlaufbau zu lange über den Grenzwert, ist die Ladung oft nicht mehr verkäuflich. Wird die Abweichung erst nach der Tour festgestellt, ist es für ein Eingreifen zu spät.
Die nötigen Messwerte werden bereits während der Fahrt erfasst. Telematik und Tracking-Dienstleister melden laufend Position und Temperatur jedes Fahrzeugs. Entscheidend ist, diese Messwerte mit den Tourdaten zu verknüpfen und sofort auszuwerten.
Für einen international tätigen Logistikdienstleister haben wir eine solche Lösung mit Microsoft Fabric umgesetzt. Wir beschreiben das Projekt, die Architektur und worauf es bei der Umsetzung ankommt.
Aus der Praxis: Kühlkettenüberwachung bei einem Logistikdienstleister
Der Logistikdienstleister liefert gekühlte Ware auf Touren mit vielen Stopps aus. Die Temperatur muss auf der gesamten Strecke stimmen. Ziel war, Abweichungen schon während der Fahrt zu erkennen.
Tracking-Dienstleister liefern laufend die Position der Fahrzeuge und die Temperaturwerte der Kühlaufbauten. Diese Daten fließen in Echtzeit in Microsoft Fabric. Dort werden sie mit den Tourdaten aus der Planung verknüpft: Fahrzeug, Route, Stopps und Ware.
Eine Auswertung im Datenstrom erkennt, ob eine Kühlkette unterbrochen wurde oder ob die Temperatur in einen kritischen Bereich läuft. Bei kritischen Abweichungen werden die Verantwortlichen automatisch benachrichtigt. In Power BI lässt sich der Temperaturverlauf je Tour und Fahrzeug nachvollziehen.
Kritische Lagen werden schon während der Tour sichtbar. Die Disposition kann rechtzeitig eingreifen.
So ist die Lösung in Microsoft Fabric aufgebaut
Die Lösung läuft vollständig in Microsoft Fabric. Real-Time Intelligence, der Echtzeit-Baustein von Fabric, deckt alle Schritte vom Messwert bis zur Warnung ab. Der Aufbau folgt drei Phasen. Mit Data Science lassen sich Vorhersagen ergänzen.
Die optionale Vorhersage baut auf den erfassten Betriebsdaten auf.
Die drei Phasen im Detail
1. Erfassen
Ein Eventstream nimmt die Meldungen der Tracking-Dienstleister über deren Schnittstellen auf. Bereits beim Eingang lassen sich die Daten im Eventstream filtern und bereinigen. Anschließend schreibt er sie in ein Eventhouse, den Echtzeit-Datenspeicher von Fabric. Dort stehen neue Messwerte nach wenigen Sekunden für Abfragen bereit.
Tourdaten aus der Planung ändern sich langsamer. Sie kommen über Data Factory in OneLake, den zentralen Datenspeicher von Fabric. Dazu gehören Fahrzeuge, Kühlaufbauten, Routen, Stopps und die Grenzwerte je Ware.
2. Anreichern und bewerten
Im Eventhouse wird jeder Messwert mit diesem Kontext verknüpft. Aus „Fahrzeug 17 meldet 9 °C“ wird so: Tour 4711, dritter von acht Stopps, Ware bis 7 °C freigegeben, Grenzwert seit zwölf Minuten überschritten.
Abfragen in KQL, der Abfragesprache des Eventhouse, prüfen laufend Grenzwerte und Temperaturverläufe. Sie unterscheiden eine kurze Spitze beim Öffnen der Tür von einem echten Ausfall der Kühlung.
3. Sichtbar machen und handeln
- Activator löst bei einer kritischen Lage automatisch eine Warnung aus, per E-Mail oder Teams. Über Power Automate lassen sich weitere Schritte anstoßen, etwa ein Eintrag im Störungsprotokoll.
- Real-Time Dashboard zeigt der Disposition alle Fahrzeuge auf einer Karte, mit aktuellem Temperaturstatus je Tour.
- Power BI liefert Berichte für Qualitätssicherung und Management, etwa zu Abweichungen je Route, Fahrzeug oder Kunde.
Mit Copilot in Fabric lassen sich Abfragen auch in natürlicher Sprache formulieren, etwa: Welche Touren hatten diese Woche die meisten Abweichungen?
Was Fabric hier einfacher macht
Gegenüber einer Lösung aus getrennten Einzeldiensten bringt Fabric einige Vereinfachungen:
- Gemeinsame Plattform. Die Fabric-Bausteine nutzen eine gemeinsame Kapazität. Betrieb und Abrechnung werden dadurch übersichtlicher. Auch die Berechtigungen werden innerhalb der Plattform verwaltet.
- Weniger Schnittstellen. Daten aus dem Eventhouse lassen sich in OneLake bereitstellen. Power BI und weitere Auswertungen greifen darauf zu, ohne eigene Kopien.
- Warnregeln ohne Entwicklung. Mit Activator legen Fachbereiche Grenzwerte und Empfänger selbst fest. Neue Regeln brauchen kein Entwicklungsprojekt.
Sie evaluieren Microsoft Fabric?
Zur Fabric-Beratung
Wir begleiten Sie von der ersten Bestandsaufnahme bis zum laufenden Betrieb Ihrer Lösung in Microsoft Fabric.
Worauf es in der Umsetzung ankommt
Fünf Punkte entscheiden über den Erfolg:
- Grenzwerte je Ware festlegen. Tiefkühlware, Frischware und Arzneimittel haben unterschiedliche Temperaturbereiche. Die Qualitätssicherung sollte diese Grenzwerte festlegen und bei Bedarf selbst anpassen können.
- Fehlalarme vermeiden. Beim Öffnen der Tür steigt die Temperatur kurz an. Das ist normal und darf keine Warnung auslösen. Erst die Dauer einer Abweichung macht sie kritisch.
- Sauberes Datenmodell. Welcher Kühlaufbau gehört zu welchem Fahrzeug, welches Fahrzeug fährt welche Tour? Diese Zuordnung ist die Grundlage für jede Auswertung.
- Lücken in den Daten einplanen. Funklöcher und verspätete Meldungen kommen vor. Die Auswertung muss erkennen, ob ein Wert fehlt oder ob nur die Verbindung abgerissen ist.
- Berechtigungen nach Rollen. Disposition, Qualitätssicherung und Management brauchen unterschiedliche Sichten. Rollenbasierte Zugriffe gehören von Anfang an dazu.
Ausblick: von der Überwachung zur Vorhersage
Mit ausreichend historischen Betriebsdaten lassen sich künftig auch Ausfälle der Kühlaggregate prognostizieren. Ein Kühlaggregat kündigt einen Ausfall oft an, etwa durch längere Laufzeiten oder langsameres Abkühlen nach einem Stopp.
Microsoft beschreibt dafür eine eigene Referenzarchitektur für vorausschauende Instandhaltung. Sie nutzt dieselben Bausteine und ergänzt Data Science in Fabric. Machine-Learning-Modelle lernen aus der Historie, wann ein Aggregat voraussichtlich ausfällt. Die Werkstatt kann es dann warten, bevor die nächste Tour startet.
Praxishinweis
Voraussetzung für Vorhersagen sind Betriebsdaten über einen längeren Zeitraum und dokumentierte Ausfälle. Die bei der Überwachung erfassten Betriebsdaten können später als Grundlage für solche Modelle dienen.
Fazit
Microsoft Fabric bündelt Datenstrom, Speicher, Warnungen und Berichte auf einer Plattform. So lässt sich mit wenigen Fahrzeugen beginnen und die Lösung schrittweise auf die ganze Flotte erweitern. Später kommt bei Bedarf die Vorhersage dazu.
Kurz & knapp: Häufige Fragen
Was bedeutet Kühlkettenüberwachung in Echtzeit?
Position und Temperatur der Kühlfahrzeuge werden laufend erfasst und sofort mit den Tourdaten verknüpft. So werden Abweichungen schon während der Fahrt sichtbar und nicht erst nach der Auslieferung.
Welche Komponenten von Microsoft Fabric braucht man dafür?
Eventstream nimmt die Messwerte auf, das Eventhouse speichert und bewertet sie mit KQL. Activator verschickt Warnungen, Real-Time Dashboard und Power BI machen die Daten sichtbar. Tourdaten kommen über Data Factory in OneLake.
Wie schnell stehen neue Messwerte zur Verfügung?
Im Eventhouse sind neue Messwerte nach wenigen Sekunden für Abfragen und Warnregeln verfügbar.
Wie vermeidet man Fehlalarme beim Öffnen der Tür?
Die Warnregeln bewerten nicht nur den Grenzwert, sondern auch die Dauer einer Abweichung. Eine kurze Spitze beim Entladen löst so keine Warnung aus, ein echter Ausfall der Kühlung schon.
Kann man mit wenigen Fahrzeugen starten?
Ja. Die Lösung lässt sich mit wenigen Fahrzeugen beginnen und schrittweise auf die ganze Flotte erweitern. Die Vorhersage von Ausfällen kann später ergänzt werden.
Offene Fragen zur Kühlkettenüberwachung?
Wir haben eine solche Lösung bereits umgesetzt und unterstützen Sie bei der Anbindung Ihrer Fahrzeugdaten, der Überwachung und dem laufenden Betrieb.
Die oneLake GmbH ist Microsoft Solutions Partner für Data & AI und Analytics auf Azure. Wir begleiten Unternehmen beim Aufbau von Datenplattformen mit Microsoft Fabric, Azure und Power BI.
Die Kundenstory ist anonymisiert. Funktionen von Microsoft Fabric entwickeln sich laufend weiter; maßgeblich ist die aktuelle Dokumentation auf Microsoft Learn.
Quellen
[1] Microsoft Learn, „Real-Time Intelligence in Microsoft Fabric“. https://learn.microsoft.com/en-us/fabric/real-time-intelligence/overview (abgerufen: November 2026)
[2] Microsoft Learn, „Predictive maintenance reference architecture“. https://learn.microsoft.com/en-us/fabric/real-time-intelligence/architectures/predictive-maintenance (abgerufen: November 2026)
