Das Prinzip
Predictive Maintenance (vorausschauende Wartung) sagt drohende Ausfälle voraus, statt nach Plan oder erst nach dem Schaden zu reagieren. Kern ist die Anomalieerkennung: Das System lernt das normale, gesunde Verhalten einer Maschine und meldet Abweichungen, die auf einen beginnenden Defekt hindeuten.
Wie es funktioniert
- Erfassen: Echtzeit-Sensordaten (z. B. Vibration, Temperatur, Strom) von der Anlage.
- Lernen: Aus Daten des Normalbetriebs entsteht ein gesundes Referenzprofil.
- Vergleichen: Neue Daten werden gegen die Baseline geprüft; Ausreißer werden markiert.
Welche Verfahren
Häufig kommen Verfahren der Anomalieerkennung zum Einsatz — etwa Isolation Forest, Local Outlier Factor oder One-Class-SVM, gern kombiniert, um zuverlässige Treffer zu erzielen. Oft läuft die Erkennung direkt am Gerät (Edge AI), damit Reaktionen schnell und datensparsam erfolgen.
Der Nutzen
Weniger ungeplanter Stillstand, längere Lebensdauer, planbare Wartung statt teurer Notfälle.
Häufige Fragen
Brauche ich dafür sehr viele Ausfalldaten?
Nicht zwingend. Anomalieerkennung lernt vor allem das Normalverhalten — Abweichungen davon sind das Signal. Das ist praktisch, weil echte Ausfälle (zum Glück) selten und damit als Lerndaten knapp sind.
Läuft das in der Cloud oder am Gerät?
Beides ist möglich. Für schnelle Reaktion und Datensparsamkeit bietet sich die Erkennung am Edge an, für übergreifende Auswertung die Cloud — häufig in Kombination.