Predictive Maintenance: Wie Maschinendaten Ausfälle vorhersagen

Ein ungeplanter Maschinenstillstand kostet schnell mehr als die Reparatur selbst: Produktion steht, Liefertermine wackeln, Techniker müssen kurzfristig anreisen. Predictive Maintenance, also vorausschauende Wartung, soll solche Ausfälle vorhersagen, bevor sie passieren. Dieser Artikel erklärt, wie das funktioniert, welche Daten und Technik dafür nötig sind und wie ein realistischer Einstieg aussieht.

Die vorausschauende Wartung baut auf der zustandsorientierten auf. Ohne verlässliche Zustandsdaten gibt es keine Vorhersage.

• Messwerte: Schwingungen, Temperatur, Stromaufnahme, Druck, Drehzahl
• Betriebsdaten: Laufzeiten, Zyklen, Lastprofile, Fehlermeldungen der Steuerung
• Wartungshistorie: wann welches Teil getauscht wurde und warum
• Umgebung: Umgebungstemperatur, Material, Schichtbetrieb

Viele dieser Daten liegen in der Steuerung bereits vor. Oft fehlt nur der Weg, sie auszulesen, zu speichern und auszuwerten.

Der einfachste Ansatz: Ein Messwert wie die Lagertemperatur wird dauerhaft aufgezeichnet. Steigt er langsam über Wochen an, ist das ein Hinweis auf Verschleiß. Schon diese Trendbeobachtung bringt oft einen großen Teil des Nutzens.

Statistische Verfahren oder maschinelles Lernen lernen das normale Verhalten einer Maschine und melden Abweichungen. Der Vorteil: Man muss nicht vorher wissen, wie ein Fehler aussieht.

Die anspruchsvollste Stufe schätzt, wie lange ein Bauteil noch hält. Dafür braucht es viele dokumentierte Ausfälle aus der Vergangenheit, und genau daran scheitern viele Projekte. Gut gewartete Maschinen fallen selten aus, es gibt also wenig Beispiele, aus denen ein Modell lernen kann.

Ein typischer Aufbau besteht aus vier Ebenen:

1. Maschine und Steuerung: Sensoren und SPS liefern die Rohdaten. Bei älteren Anlagen werden Sensoren nachgerüstet.
2. Anbindung: Die Daten werden über Standards wie OPC UA oder MQTT, über herstellerspezifische Protokolle oder per Bluetooth ausgelesen, oft über ein Gateway direkt an der Maschine.
3. Speicherung und Auswertung: Eine Zeitreihendatenbank sammelt die Messwerte, Regeln oder Modelle werten sie aus.
4. Anzeige und Handlung: Dashboards, Benachrichtigungen und Apps für Techniker machen aus einer Warnung eine konkrete Aufgabe.

Die vierte Ebene wird oft unterschätzt. Eine Vorhersage bringt nur etwas, wenn der richtige Mensch sie rechtzeitig sieht und weiß, was zu tun ist.

• Zu groß anfangen: Die ganze Fabrik auf einmal anzubinden, überfordert Budget und Team.
• Keine Wartungshistorie: Ohne dokumentierte Ausfälle lässt sich kaum etwas vorhersagen.
• Datenqualität: Fehlende Zeitstempel, falsche Einheiten oder Lücken machen Auswertungen wertlos.
• Steuerungen verhalten sich anders als dokumentiert: Tests an der echten Anlage sind unverzichtbar.
• Kein Prozess für die Warnung: Wer reagiert, wenn das System anschlägt?

1. Eine Maschine oder Baugruppe auswählen, deren Ausfall besonders teuer ist.
2. Die wichtigsten Messwerte auslesen und dauerhaft speichern.
3. Werte sichtbar machen, etwa in einer App für Techniker oder einem Dashboard.
4. Einfache Grenzwerte und Trends definieren und Wartungseinsätze dokumentieren.
5. Nach einigen Monaten prüfen, ob sich Muster zeigen, die ein Vorhersagemodell rechtfertigen.

So entsteht schon in den ersten Schritten Nutzen, und die Daten für spätere Modelle sammeln sich nebenbei.

Für Maschinenbauer ist nicht nur die eigene Produktion interessant, sondern auch die Maschine beim Kunden. Für Rehm Schweißtechnik haben wir eine App entwickelt, mit der Kunden die Gerätedaten ihrer Schweißgeräte per Bluetooth in Echtzeit auf dem Smartphone sehen, Fehler selbst diagnostizieren und Software-Updates einspielen. Viele Probleme lassen sich so ohne Techniker lösen, die Service-Einsätze gingen um 60 % zurück. Solche Service-Apps sind oft der erste Schritt, um Maschinendaten überhaupt zugänglich zu machen.

Sie wollen Maschinendaten auslesen, sichtbar machen oder in eine Service-App bringen? Auf unserer Seite zu Apps für Maschinen zeigen wir, welche Steuerungen und Protokolle wir anbinden.