Zum Inhalt springen

Vorausschauende Instandhaltung und Maschinenzustandsanalyse

Health-Score pro Maschine in Echtzeit aus Vibrations-, Temperatur-, Strom- und SCADA-Daten; Anomalieerkennung, die Instandhaltungsentscheidungen vor dem Ausfall liefert, und Prognose der Restnutzungsdauer (RUL).

Wir verknüpfen jede Maschine im Feld mit einem messbaren Health-Score. Wir bereinigen die Daten aus vorhandenen Sensoren und SCADA-/SPS-Aufzeichnungen, lernen ein Modell des Normalverhaltens der Maschine und erkennen Abweichungen, ohne gelabelte Daten zu benötigen. Eine physikbasierte Fehlerklassifikation (Lager, Getriebe, Ausrichtung, Elektrik) macht aus einem Alarm einen Instandhaltungsauftrag; die Prognose der Restnutzungsdauer ermöglicht es Ihnen, die Instandhaltung nicht nach Kalender, sondern nach dem tatsächlichen Zustand der Maschine zu planen. Das Ergebnis: weniger ungeplante Stillstände und geringere Ersatzteilbestände; das Instandhaltungsteam ist zur richtigen Zeit an der richtigen Maschine.

Schwerpunkte

  • Health-Score pro Maschine in Echtzeit (0–1)
  • Anomalieerkennung ohne Labels – Isolation Forest, Autoencoder
  • Physikbasierte Fehlerklassifikation und Hinweise auf die Grundursache
  • Restnutzungsdauer (RUL) und Vorschlag für ein Wartungsfenster
  • Integration von Arbeitsaufträgen in CMMS / ERP
1–48 Std.
Vorwarnzeit vor einem Ausfall
90 %
Konfidenzniveau des konformen Prognoseintervalls
6
Physikbasierte Fehlerkategorien
0
Bedarf an gelabelten Fehlerdaten (zum Start)

Kompetenzen

  1. 01

    Datenerfassung und -bereinigung

    Erfassung von Zeitreihen aus OPC UA, Modbus, MQTT und SCADA-Exporten; automatische Korrektur fehlender und fehlerhafter Messwerte, Abgrenzung von Stillstandsphasen.

  2. 02

    Health-Score und Anomalien

    Für jede Maschine wird ein „normaler“ Betriebsbereich gelernt; Abweichungen in Schwingungsspektrum, Temperaturgradient und Lastkurve werden zu einem einzigen Health-Score verdichtet, die Schwellenwerte werden anhand der Betriebserfahrung kalibriert.

  3. 03

    Fehlerklassifikation und RUL

    Fehlerkategorien Lager, Zahnräder, Ausrichtung, Unwucht und Elektrik; an die Degradationskurve angepasste Prognose der Restnutzungsdauer mit einem Konfidenzintervall von 90 %.

  4. 04

    Entscheidungszyklus der Instandhaltung

    Alarm → Priorisierung → Arbeitsauftrag in CMMS/ERP → Rückmeldung. Der Befund des Technikers fließt zurück ins Modell; das System lernt mit jeder Instandhaltung dazu.

So arbeiten wir

  1. Schritt 01

    Bestandsaufnahme von Sensoren und Daten

    Welche Maschine, welches Signal, welche Frequenz? Erster Datenfluss aus vorhandenen SCADA-/SPS-Systemen innerhalb von 2 Wochen.

  2. Schritt 02

    Anlernen des Normalmodells

    Baseline pro Maschine aus 4–8 Wochen historischer Daten; Kalibrierung der Schwellenwerte gemeinsam mit dem Betrieb.

  3. Schritt 03

    Pilot und Validierung

    Live-Alarme auf einer ausgewählten Linie oder Turbinengruppe; jeder Alarm wird mit dem Befund des Technikers abgeglichen.

  4. Schritt 04

    Rollout

    Integration von Arbeitsaufträgen in CMMS/ERP, Dashboards, Retraining-Zyklus und Monitoring mit SLA.

Branchen

  • Windenergie
  • Produktionslinien
  • Pumpen- & Kompressorparks
  • HLK & Gebäudetechnik

Technologie

  • Python / FastAPI
  • scikit-learn / LightGBM
  • TimescaleDB
  • OPC UA / MQTT
  • Grafana

Zugehörige Projekte

Alle →

Lassen Sie uns Ihre Linie oder Anlage gemeinsam betrachten.

Erstgespräch vereinbaren[email protected]

Als Nächstes · 01

Industrielle Systeme für kryptografische Rückverfolgung und Serialisierung →