LeistungenV — Industrielle Anwendungen: Produktion, Qualität und Lager
Ausfallprognose und Wartungsplanung aus Sensordaten
Wartung passiert entweder zu früh — unnötiger Stillstand und Teilekosten — oder zu spät, als ungeplanter Stillstand. Die Signale vor einem Ausfall stecken längst in den Sensordaten, nur sieht sie niemand: Die Daten bleiben in der SPS oder im SCADA-Archiv, während die Instandhaltung nach Kalender arbeitet.
Wir führen die Sensorströme der Maschine (Schwingung, Temperatur, Strom, Druck, Taktzeit) mit der Wartungs- und Ausfallhistorie in einer Zeitreihenschicht zusammen. Darauf bauen wir zuerst Anomalieerkennung und, wo genug dokumentierte Ausfälle vorliegen, eine Restlebensdauer-Prognose. Der Alarm landet nicht auf einem Dashboard, sondern im Auftragsfluss, den die Instandhaltung ohnehin nutzt.
Wartung, die aus den Daten der Maschine entschieden wird statt aus dem Kalender. Zu jedem Alarm steht, welcher Messwert wann welche Schwelle überschritten hat — der Techniker vertraut den Daten, nicht dem Modell.
Starten lässt sich, sobald die Maschine überhaupt Daten liefert — SPS, SCADA, IoT-Gateway oder eigene Sensorik — und frühere Ausfälle dokumentiert sind. Ohne Ausfallhistorie bleibt es zunächst bei Anomalieerkennung; ein Prognosemodell braucht erst gelabelte Ausfälle.
Wir beginnen mit einer Linie oder einer Maschinenfamilie: welcher Sensor, welche Abtastrate, welcher Fehlermodus. Sobald die Erfassung läuft, testen wir rückwirkend gegen die Historie — bevor etwas in die Produktion geht, wird gemessen, wie viele Tage vorher das Modell den letztjährigen Ausfall gesehen hätte. Schwellen und Auftragsanbindung folgen danach.
Die Installation von Sensorik und Feldhardware gehört nicht dazu; wir nehmen Daten aus Ihrer vorhandenen Automatisierung. Und wir behaupten nicht, ein Modell sehe jeden Ausfall: Der Rückwärtstest zeigt, welche Fehlermodi in den Daten sichtbar sind — die übrigen werden benannt.