Die Marketingversion der vorausschauenden Wartung ist einfach: Man montiert ein paar Sensoren, die KI lernt die Maschine kennen und meldet sich, bevor etwas ausfällt.

Die Wirklichkeit ist weniger magisch, dafür aber deutlich nützlicher.

Maschinelles Lernen kann tatsächlich Zusammenhänge und Veränderungen erkennen, die sich mit einfachen Grenzwerten kaum erfassen ließen. Allerdings nur, wenn zuvor die ingenieurtechnischen Grundlagen, die Datenerfassung und der Betrieb stimmen.

Vorausschauende Wartung beginnt deshalb nicht als KI-Projekt, sondern mit einer sehr konkreten Frage:

Welchen Ausfall wollen wir früher erkennen, und welches physikalische Phänomen geht ihm voraus?

Nicht „die Maschine“ im Allgemeinen überwachen

Ein Motor, eine Pumpe oder ein Getriebe kann auf viele verschiedene Arten ausfallen. Lagerverschleiß, Unwucht, Schmierungsprobleme, Überlast, Isolationsfehler und unzureichende Kühlung hinterlassen jeweils andere Signale.

Der erste Schritt ist daher, die Fehlerarten und ihre Folgen festzulegen. Man muss wissen:

  • was ausfallen kann;
  • wie häufig es vorkommt;
  • wie groß der Stillstand oder Schaden ist;
  • ob es sich im Voraus erkennen lässt;
  • wie viel Zeit für einen Eingriff bleibt;
  • welches Messsignal verwertbare Informationen trägt.

Fehlen diese Antworten, entsteht leicht eine teure Datensammlung, die viele Kurven erzeugt, aber nur wenige Wartungsentscheidungen unterstützt.

Der richtige Sensor ist wichtiger als ein beeindruckendes Modell

Typische Datenquellen der industriellen Zustandsüberwachung:

  • Schwingung und Beschleunigung;
  • Temperatur;
  • elektrischer Strom, Spannung und Leistung;
  • akustische Signale;
  • Druck und Durchfluss;
  • Drehzahl;
  • Luftfeuchtigkeit oder andere Umgebungsgrößen.

Entscheidend ist jedoch, wo der Sensor sitzt, in welcher Richtung er misst, wie er befestigt ist und welche Abtastrate, welchen Messbereich und welchen Rauschpegel er hat.

Ein mechanisch schlecht befestigter Schwingungssensor kann mehr Schaden anrichten als ein schwächerer Algorithmus: Das Modell lernt dann konsequent aus schlechten Daten. Dasselbe gilt für einen ungeeigneten Stromwandler, eine träge Temperaturmessung oder ein akustisches Signal, das vom Prozesskontext losgelöst ist.

Die Abtastung muss zum Phänomen passen

Eine sich langsam ändernde Lagertemperatur lässt sich unter Umständen im Sekunden- oder Minutentakt ausreichend überwachen. Für die Spektralanalyse von Schwingungen ist dagegen eine um Größenordnungen schnellere Abtastung erforderlich.

Misst man zu selten, verschwindet das relevante Phänomen. Misst man unnötig häufig, steigen Datenverkehr und Verarbeitungskosten ohne Nutzen.

Genau hier kann Edge-Verarbeitung besonders hilfreich sein. Das lokale Gerät kann aus dem hochfrequenten Rohsignal Kennwerte wie RMS, Spitzenwert, Kurtosis oder die Energie einzelner Frequenzbänder berechnen und an die Zentrale nur noch deren zeitlichen Verlauf senden.

Zuerst den Normalbetrieb lernen

Die Daten einer Maschine sind nicht an sich normal oder fehlerhaft. Dieselbe Stromaufnahme kann im Leerlauf, unter Volllast, beim Anlauf oder in einem Reinigungszyklus etwas völlig anderes bedeuten.

Für eine verlässliche Zustandsbewertung braucht es deshalb den Betriebskontext:

  • aktuelle Last;
  • Betriebsart;
  • Produkt oder Rezeptur;
  • Umgebungstemperatur;
  • Schicht;
  • Wartungszustand;
  • An- und Abfahrereignisse.

Die Baseline ist kein einzelner Mittelwert. Sie ist der mehrdimensionale Bereich des Normalbetriebs, der sich je nach Betriebssituation unterscheiden kann.

Ohne Datenqualität irrt die KI mit großer Selbstsicherheit

Reale Industriedaten sind lückenhaft, verrauscht und mitunter widersprüchlich. Ein Sensortausch, ein Kommunikationsausfall, ein falscher Zeitstempel, ein Firmware-Update oder eine geänderte Prozesseinstellung können eine Datenreihe unterbrechen.

Zu behandeln sind:

  • fehlende Messwerte;
  • doppelte Daten;
  • Fehlercodes, die als Messwert erscheinen;
  • Änderungen der Skalierung;
  • Probleme bei der Zeitsynchronisation;
  • Sensordrift;
  • der neue Ausgangszustand nach einer Wartung.

Die KI behebt diese Fehler nicht automatisch. Bleiben sie unerkannt, lernt das Modell womöglich sogar, dass ein Kommunikationsfehler ein Vorzeichen eines bevorstehenden Lagerschadens ist.

Überwachtes maschinelles Lernen ist nicht immer nötig

In der Industrie gibt es oft nur wenige gut gelabelte Fehlerereignisse. Das ist logisch: Zum Glück fällt nicht jede Maschine hundertmal aus, während alle Umstände genau dokumentiert werden.

Deshalb kommen mehrere Ansätze in Frage:

  • ingenieurtechnische Grenzwerte und Regelwerke;
  • statistische Trend- und Änderungserkennung;
  • unüberwachte Anomalieerkennung;
  • Zustandsschätzung;
  • überwachte Klassifikation, sofern geeignete gelabelte Daten vorliegen;
  • Schätzung der Restnutzungsdauer, wenn die Datenbasis dies tatsächlich zulässt.

Eine gute Lösung ist nicht deshalb fortschrittlich, weil sie das komplexeste mögliche Modell verwendet. Sie ist fortschrittlich, weil sie die Wartungsentscheidung rechtzeitig und mit einer akzeptablen Fehlalarmrate unterstützt.

Der geschäftliche Nutzen beginnt nach dem Alarm

Ein Anomaliewert allein repariert noch nichts. Es muss festgelegt werden, was danach geschieht:

  • wer die Meldung erhält;
  • welche weiteren Daten er sieht;
  • welche Schweregrad-Stufe das Ereignis bekommt;
  • ob eine Prüfung vor Ort nötig ist;
  • ob ein Arbeitsauftrag eröffnet wird;
  • wie Diagnose und Reparaturergebnis in den Lernprozess zurückfließen.

Genau hier liegt die Stärke von OrigSmart: in der Abdeckung der gesamten Kette. Von der Auslegung von Sensor und Gateway über die Zeitreihenverarbeitung und automatische Analyse bis zur Wartungsaufgabe und Rückmeldung kann ein und dasselbe System den Prozess zusammenführen.

Den Nutzen in einem Pilotprojekt belegen

Ein gutes Pilotprojekt für vorausschauende Wartung will nicht das ganze Werk auf einmal „mit KI ausstatten“. Es wählt eine geschäftlich wichtige Anlage oder Fehlerart aus, legt das Erfolgskriterium fest, installiert die nötige Messtechnik und weist zuerst nach, dass die Daten stabil und interpretierbar zur Verfügung stehen.

Danach folgen die Baseline, die Bewertung der Anomalien und die Rückmeldung der Instandhaltung. Das Modell darf erst dann auf eine höhere Automatisierungsstufe gehen, wenn die realen Betriebsergebnisse dies bestätigen.

Vorausschauende Wartung wird also nicht dadurch intelligent, dass man „KI“ darauf schreibt.

Sie wird intelligent, wenn sie das richtige physikalische Signal im richtigen Kontext über einen verlässlichen Datenfluss in eine echte Wartungsentscheidung überführt.

Sprechen wir über Ihr Projekt

Quellen