Predictive Maintenance ohne gelabelte Ausfalldaten beginnen

Die meisten Predictive-Maintenance-Projekte stocken am selben Satz: „Wir haben keine gelabelten Ausfalldaten.“ Bei maschinellem Lernen denkt man an einen großen Datensatz, in dem jeder frühere Ausfall markiert ist. In den meisten Werken sind Ausfälle jedoch selten, ihre Aufzeichnungen verstreut, und jede Maschine läuft etwas anders. Die gute Nachricht: Für den Start braucht es keine Ausfall-Labels.

Zuerst das Normale lernen

Der erste Schritt modelliert das Normalverhalten der Maschine, nicht ihre Ausfälle. Vier bis acht Wochen Schwingungs-, Temperatur-, Strom- und SCADA/SPS-Daten zeigen, wie sich eine Maschine bei unterschiedlichen Lasten und Bedingungen verhält. Unüberwachte Verfahren wie Isolation Forest oder Autoencoder lernen diese „Normalhülle“; entfernen sich neue Messwerte davon, sinkt der Gesundheitswert.

Am meisten Zeit kostet nicht das Modell, sondern die Daten: Stillstände abgrenzen, Sensorausfälle reparieren und die Betriebsmodi derselben Maschine (Leerlauf, Teillast, Volllast) voneinander trennen.

Alarme aussagekräftig machen

Ein Gesundheitswert allein sagt dem Instandhaltungsteam wenig. In welchem Signal und welcher Frequenz eine Abweichung beginnt, verweist auf eine physikalische Fehlerklasse: Lager, Getriebe, Ausrichtung, Unwucht oder elektrisch. Diese Klassifikation macht aus „Maschine 7 ist auffällig“ die Aussage „Maschine 7, möglicher Lagerschaden“ – und schickt das richtige Team mit dem richtigen Teil.

Labels im laufenden Betrieb sammeln

Jeder Alarm sollte mit dem Befund eines Technikers abgeschlossen werden: Gab es wirklich ein Problem, und welches? Fließen diese Befunde ins Modell zurück, erzeugt das System innerhalb weniger Monate eigene gelabelte Daten. Labels werden zum Ergebnis des Prozesses statt zu seiner Voraussetzung.

Unsicherheit zeigen

Eine als einzelne Zahl angegebene Restlebensdauer- oder Leistungsprognose erzeugt entweder zu viel oder zu wenig Vertrauen. Verfahren wie konforme Prognoseintervalle stellen jeder Prognose den Bereich zur Seite, in den der tatsächliche Wert mit angegebener Wahrscheinlichkeit fällt. Die Instandhaltungsplanung sieht so das „früheste“ und das „späteste“ Szenario zugleich.

Klein anfangen, messen

Für einen ersten Pilot genügt eine Linie oder eine Gruppe ähnlicher Maschinen. Zu messen sind zwei Dinge: wie gut Alarme mit den Befunden der Techniker übereinstimmen und wie sich ungeplante Stillstände verändern. Wie wir unseren Ansatz mit einem offenen Windpark-Datensatz geprüft haben – samt Prognosefehler und Intervallabdeckung –, zeigen wir auf unserer Fallstudienseite.