Prädiktive Instandhaltung & Zustandsüberwachung
Lagerverschleiß, Getriebedegradierung und verstopfte Filter aus Live-Sensordaten erkennen — oft mit nichts weiter als einem Mikrofon und Signalverarbeitung.
30-Min Technik-Fit-Call buchenPhD APC/MPC · CERN · IAV · SkySails
Von reaktiv zu prädiktiv
Anlagenausfälle kommen selten plötzlich. Lager verschleißen über Wochen, und ihr akustisches Bild ändert sich mit fortschreitendem Pitting; Getriebe zeigen messbare Warnzeichen lange vor dem Festfressen; Filter setzen sich allmählich zu — sichtbar in Druck- und Schalldaten, lange bevor die Maschine abschaltet.
Reaktive Instandhaltung bedeutet ungeplante Stillstände, Eilbeschaffung und Produktionsausfall. Instandhaltung nach festem Intervall tauscht Teile, die noch Lebensdauer haben. Vorausschauende Instandhaltung handelt, wenn die Daten es sagen — nicht nach Kalender und nicht in der Krise.
Was überwacht werden kann
Verschleißüberwachung — Lager, Getriebe, Laufräder
Lagerschadensfrequenzen (BPFO, BPFI, BSF, FTF) erscheinen als schmale Spektrallinien, lange bevor ein Geräusch hörbar wird; Zahneingriffsharmonische verschieben sich mit dem Zahnverschleiß. Die Hüllkurvenanalyse trennt diese Merkmale vom breitbandigen Rauschen — bei Signal-Rausch-Verhältnissen, bei denen das Ohr nichts Auffälliges hört.
Anormale Zustände — Filter, Pumpen, Motoren
Ein zugesetzter Filter erhöht den Differenzdruck und verändert das akustische Bild des Strömungswegs. Kavitation erzeugt charakteristisches Breitbandrauschen. Die Motorstrom-Signaturanalyse (MCSA) erkennt Exzentrizität, gebrochene Läuferstäbe und Lagerschäden allein aus dem Versorgungsstrom — ohne mechanischen Zugang.
Technischer Ansatz
Signalerfassung
Meist genügen günstige Sensoren: ein Mikrofon für Luftschall, ein MEMS-Beschleunigungssensor für Körperschall oder eine Stromzange für die Motorsignaturanalyse. Oft reicht ein Sensor am Gehäuse.
Merkmalsextraktion
FFT, Hüllkurven- und Cepstrum-Analyse sowie Zeitbereichskennwerte — RMS, Kurtosis, Spitze-Spitze — isolieren Schadensfrequenzen und verfolgen ihre Amplitude gegenüber einem gesunden Referenzzustand.
Referenz und Anomalieerkennung
Einen Referenzzustand der gesunden Maschine aufnehmen und die Abweichung mit Schwellwertregeln, statistischer Prozesskontrolle oder einem schlanken Anomaliemodell überwachen. Keine Cloud-Infrastruktur und keine Spezialhardware nötig.
Einbindung und Alarmierung
Ergebnisse gehen an vorhandenes SCADA, die SPS-Visualisierung oder ein eigenes Dashboard — mit einstellbaren Schwellen, Trends und verständlichen Fehlerbeschreibungen statt nur einer roten Lampe.
Warum es funktioniert
Keine teuren Sensoren nötig
Ein USB-Mikrofon oder ein günstiger MEMS-Beschleunigungssensor kann mit der richtigen Signalverarbeitung Lagerschäden, Getriebeschäden und verstopfte Filter aufdecken. Der Wert liegt in der Analyse, nicht in der Hardware.
Instandhaltung nach Ihrem Plan
Das Teil im nächsten geplanten Produktionsfenster tauschen — nicht bei einem Notstopp um 2 Uhr nachts.
Nicht-invasive Installation
Sensoren werden aufgesetzt oder angeklemmt: keine Maschinenänderung, keine SPS-Änderung, keine Produktionsunterbrechung bei der Installation.
Nachvollziehbare Alarme
Schadensfrequenzen haben eine physikalische Bedeutung — ein Alarm zeigt, welche Komponente betroffen ist und warum, nicht nur einen Anomaliewert.
Technologie-Stack
Sensortypen
Beschleunigungssensoren (MEMS oder piezoelektrisch) für Körperschall, Mikrofone für Luftschall, Stromzangen für MCSA, Ultraschall-Dickenmesser für Korrosion und Erosion, Wärmebildkameras für Hotspots, Ölpartikelsensoren für die Schmierung. Meist reicht ein gut platzierter günstiger Sensor.
Signalverarbeitung
Die FFT zerlegt das Schwingungsspektrum in Frequenzanteile. Lagerschadensfrequenzen folgen aus der Lagergeometrie und erscheinen als vorhersagbare Linien. Die Hüllkurvenanalyse demoduliert hochfrequente Resonanzen und isoliert impulsartige Schadensenergie; die Cepstrum-Analyse trennt Quelle und Übertragungsweg in der Getriebediagnose.
Methoden des maschinellen Lernens
Anomalieerkennung (Isolation Forest, Autoencoder) verfolgt die Abweichung vom gesunden Zustand ohne gelabelte Ausfalldaten. Klassifikatoren (SVM, Random Forest, Gradient Boosting) bestimmen den Fehlertyp, sobald gelabelte Beispiele vorliegen. Modelle der Restlebensdauer brauchen Daten bis zum Ausfall.
Einsatz
Ergebnisse erreichen SCADA / SPS-HMI über OPC UA, MQTT oder REST. Edge-Einsatz für latenzkritische Fälle; zentraler Einsatz für standortübergreifende Flottenmodelle. Alarmstufen: Frühwarnung (Trend), Hinweis (bald einplanen), dringend (diese Woche prüfen).
Reaktiv vs. Präventiv vs. Prädiktiv
| Aspekt | Reaktiv | Vorbeugend | Vorausschauend |
|---|---|---|---|
| Wann gehandelt wird | Nach dem Ausfall | Nach festem Plan | Wenn die Daten Bedarf zeigen |
| Haupt-Kostentreiber | Notreparatur und Stillstand | Überinstandhaltung und verworfene Teile | Überwachungssystem |
| Stillstand | Ungeplant, lang | Geplant, teils unnötig | Geplant, minimal |
| Teiletausch | Nach Ausfall | Nach Zeitintervall | Nach tatsächlichem Zustand |
| Betriebsrisiko | Hoch | Mittel | Niedrig |
Relevante Design-Muster
30-Min Technik-Fit-Call buchen
Wenn Sie ein Zuverlässigkeitsproblem vermuten oder die Überwachung vor dem nächsten Stillstand einrichten möchten — ein 30-minütiges Gespräch reicht aus, um zu bewerten, welche Signale zu erfassen sind.
30-Min Technik-Fit-Call buchen →