Monitoring & Predictive Maintenance

Von reaktiver zu praediktiver Wartung¶

Die meisten Industrieunternehmen betreiben Wartung reaktiv oder zeitbasiert. Beides ist suboptimal:

Reaktive Wartung: Maschine faellt aus → wir reparieren. Ungeplanter Ausfall, Expressteile, Ueberstunden. Der teuerste Ansatz — ein ungeplanter Ausfall kostet 3-10x mehr als ein geplanter.

Zeitbasierte Wartung: Lager alle 6 Monate austauschen. Unabhaengig vom tatsaechlichen Zustand. Wir tauschen Teile aus die noch funktionieren (Verschwendung). Und werden trotzdem von Ausfaellen zwischen den Intervallen ueberrascht.

Praediktive Wartung: Kontinuierliches Condition Monitoring. Wartung wenn Daten sagen „in 2 Wochen gibt es ein Problem” — nicht frueher (Verschwendung), nicht spaeter (Ausfall). Optimales Timing, minimale Ausfallzeiten.

ROI in Zahlen¶

Industriekonsens (McKinsey, Deloitte):

• 25-30% Senkung der Wartungskosten
• 70-75% Senkung ungeplanter Ausfaelle
• 20-25% Verlaengerung der Geraetelebensdauer
• 35-45% Reduktion des Ersatzteilbestands

Ungeplanter Ausfall einer Produktionslinie: erhebliche Kosten pro Stunde (branchenabhaengig). Ein vorhergesagter und vermiedener Ausfall bezahlt das Projekt.

Condition Monitoring¶

Sensoren und Messwerte¶

Vibration — empfindlichster Indikator fuer den mechanischen Zustand: - Beschleunigungssensoren an Lagerhaeusern, Motoren, Getrieben - FFT (Fast Fourier Transform)-Analyse des Frequenzspektrums - Charakteristische Frequenzen: BPFO, BPFI, BSF, FTF fuer verschiedene Lagerdefekttypen - Huelkurvenanalyse zur Erkennung fruehzeitiger Defekte

Temperatur: - Oberflaechentemperatur von Motoren, Lagern, Transformatoren - Thermokameras fuer beruehrungslose Messung - Trend: langsamer Anstieg ueber Baseline = Schmiermitteldegradation, Ueberlastung, verstopfter Kuehler

Elektrische Groessen: - Strom und Spannung — Motor Current Signature Analysis (MCSA) - Phasenasymmetrie = Wicklungsproblem - Stromanstieg bei konstanter Last = mechanischer Widerstand

Weitere: - Akustische Emission — Ultraschallerkennung von Leckagen, Teilentladungen - Druck — Hydrauliksysteme, Kompressoren, Filtersysteme - Durchfluss — Kuehlkreislaeufe, Schmiersysteme - Luftfeuchtigkeit — Transformatoroel, Isolierung

Sensorinfrastruktur¶

Nachruestung ohne Verkabelung:

Kabellose Vibrationssensoren (ABB, SKF, Fluke) mit 3-5 Jahren Batterielebensdauer. Installation in Minuten — Magnet oder Klebstoff am Lagergehaeuse. Kommunikation ueber BLE, Wi-Fi oder LoRaWAN zum Gateway → Cloud/Edge.

Integration mit bestehenden SPSen:

Die meisten modernen SPSen sammeln bereits Daten von Analogeingaengen. Keine zusaetzlichen Sensoren noetig — Daten einfach ueber OPC-UA exportieren. Einschraenkung: SPSen abtasten typischerweise langsam (1 Hz) — Vibration erfordert 10-50 kHz (dedizierter Sensor).

Anomalieerkennung¶

Baseline — was ist normal¶

Jede Maschine hat ihren „Fingerabdruck des Normalbetriebs”. Vibration bei 120 Hz mit Amplitude 2,5 mm/s ist normal fuer Motor X unter Last Y. Statistisches Modell des Normalzustands:

• Trainingsphase: 2-4 Wochen Datensammlung im Normalbetrieb
• Feature-Extraktion: Statistische Features (Mean, Std, RMS, Kurtosis, Crest Factor), Frequenz-Features (dominante Frequenzen, spektrale Entropie)
• Baseline-Modell: Multivariate Normalverteilung oder Autoencoder

Anomalie-Erkennungsmethoden¶

Statistische Methoden (schnell einsetzbar): - Z-Score pro Feature. Alert wenn |z| > 3 (3 Sigma). - Regelkarten (Shewhart, CUSUM, EWMA). Industriestandard, gut verstaendlich. - Vorteil: interpretierbar, wenige False Positives, kein Training erforderlich.

ML-Methoden (genauer, komplexer): - Isolation Forest: Unueberwacht, baumbasiert. Anomalien sind „leicht zu isolierende” Punkte. Schnell, wenig Speicher. - One-class SVM: Grenze um normale Daten. Alles ausserhalb = Anomalie. - Autoencoder: Neuronales Netzwerk komprimiert und rekonstruiert Eingabe. Hoher Rekonstruktionsfehler = Anomalie. Bewaltigt multivariate, nichtlineare Muster. - Temporale Modelle: LSTM sagt naechsten Zeitschritt vorher. Grosse Abweichung Vorhersage vs. Ist = Anomalie.

Alert-Management¶

Nicht jede Anomalie ist ein Alarm. Hierarchie:

1. Info: Abweichung erkannt, Trendmonitoring aktiviert
2. Warnung: Abweichung haelt an / waechst. Inspektion planen.
3. Alert: Hohe Ausfallwahrscheinlichkeit innerhalb von X Tagen. Wartung planen.
4. Kritisch: Unmittelbares Risiko. Abschaltung erwaegen.

Ermuedungspraevention: Zu viele Fehlalarme = Operatoren ignorieren sie. Ziel: <5% False-Positive-Rate. Alert-Tuning ist ein kontinuierlicher Prozess.

Remaining Useful Life (RUL)-Vorhersage¶

Anomalieerkennung sagt: „etwas stimmt nicht.” RUL-Vorhersage sagt: „es haelt noch ungefaehr 14 Tage.”

Ansaetze¶

Physik-basierte Modelle: Mathematisches Modell des Degradationsprozesses (Paris-Gesetz fuer Rissausbreitung, Archard-Gleichung fuer Verschleiss). Genau, erfordert aber tiefes Domaenenwissen und Verstaendnis spezifischer Ausfallmodi.

Datengetriebene Modelle:

1. Trainingsdaten: Historische Run-to-Failure-Daten — Sensoren von Installation bis Ausfall. Je mehr Run-to-Failure-Zyklen, desto besser das Modell.
2. Feature Engineering: Gleitfenster-Statistiken, Trend-Features, Frequenzbereichs-Features.
3. Modell: Gradient Boosted Trees (XGBoost, LightGBM) fuer tabellarische Daten. LSTM/Transformer fuer Sequenzdaten. Survival Analysis (Cox Regression) fuer zensierte Daten.
4. Output: Vorhergesagte RUL in Tagen/Stunden + Konfidenzintervall.

Hybrid: Physics-informed Neural Networks — ML-Modell mit physikalischen Constraints. Das Beste aus beiden Welten.

Ohne historische Ausfalldaten¶

Keine Run-to-Failure-Daten? (Die meisten Unternehmen haben keine.) Wir beginnen mit:

1. Anomalieerkennung — erkennt Abweichungen vom Normalzustand
2. Degradations-Tracking — Trends bei Schluesselindikatoren
3. Expertenwissen — Wartungsteam weiss, was Indikatoren bedeuten
4. Schrittweise Ansammlung von Ausfalldaten — jeder Ausfall = Trainingsdaten fuer zukuenftiges Modell

Typischerweise sammeln wir nach 1-2 Jahren Betrieb genuegend Daten fuer ein ueberwachtes RUL-Modell.

IoT-Dashboards¶

Grafana als Visualisierungsplattform¶

• Flottenuebersicht: Alle Maschinen auf einem Bildschirm. Gruen/Gelb/Rot. Drill-down ins Detail.
• Maschinendetail: Echtzeit-Sensordaten, Trends, historischer Vergleich, Vorhersagen.
• Schichtbericht: KPI pro Schicht — OEE, Verfuegbarkeit, Leistung, Qualitaet.
• Wartungsansicht: Offene Arbeitsauftraege, anstehende Vorhersagen, Ersatzteilbestand.

Alerting-Integration¶

Alert aus Monitoring → automatischer Workflow:

1. Anomalie erkannt → Alert in Grafana
2. Arbeitsauftrag erstellt in CMMS (SAP PM, Maximo, Fiix)
3. Zuweisung an Techniker (automatisch oder manuell)
4. Techniker diagnostiziert und repariert
5. Reparaturbestaetigung → Arbeitsauftrag geschlossen
6. Feedback an ML-Modell (war die Vorhersage korrekt?)

Mobiler Zugang¶

Wartungsteam im Feld braucht Daten auf dem Telefon:

• Responsive Grafana-Dashboards
• Push-Benachrichtigungen bei neuem Alert
• QR-Code an der Maschine → oeffnet das Maschinen-Dashboard auf dem Handy
• Offline-Zugang zu Runbooks und Dokumentation

Technologie-Stack¶

Sensoren: ABB, SKF, Fluke Wireless Vibration. Industrielle RTD/Thermocouple. Stromwandler.

Datenpipeline: MQTT, OPC-UA, Kafka, InfluxDB, TimescaleDB.

ML: scikit-learn, XGBoost, PyTorch (LSTM/Transformer), MLflow, Kubeflow.

Visualisierung: Grafana, Custom Web Dashboards.

Integration: SAP PM, IBM Maximo, Fiix CMMS, Custom Work Order Systeme.

Edge: Verarbeitung am Edge fuer Echtzeit-Anomalieerkennung (siehe Edge Computing).

Verwandt mit