KI Predictive Maintenance in der Produktion: Ausfälle senken, OEE steigern

Warum jetzt – Business Value für den Mittelstand

Ungeplante Stillstände sind einer der größten Kostentreiber. Mit KI‑gestützter vorausschauender Wartung erkennen Sie Anomalien früh und planen Eingriffe rechtzeitig. Typische Effekte aus mittelständischen Projekten:

• 20–40% weniger ungeplante Ausfälle
• 10–25% längere Komponentenlebensdauer
• 5–12% höhere OEE durch weniger Störungen
• Schnellere Ursachenanalyse (Minuten statt Stunden)

Weiterführend zur Gesamtfabrik: /blog/ki-smart-factory-industrie-40-end-to-end. Ergänzend zu Qualitätsdaten: /blog/ki-qualitaetskontrolle-bilderkennung-produktion.

Referenzarchitektur – schlank und praxistauglich

• Sensorik/Signale: Vibration, Strom, Temperatur, Druck
• Edge/OT: Datenerfassung (OPC UA/MQTT), erste Filterung, optionale FFT‑Features
• Ingestion: Timeseries-DB oder Data Lake (Parquet, Partitionierung nach Linie/Maschine)
• Feature Engineering: Sliding Windows, Rolling Stats, Frequenzmerkmale
• Modelle: Klassisch (XGBoost, Random Forest), Zeitreihen (LSTM/Temporal CNN), Isolation Forest für Anomalien
• Serving: REST/Msg‑Queue, Schwellenwerte, Alarmierung (E-Mail/Teams/Andon)
• Metriken & Monitoring: Drift, Alarme pro Schicht, False‑Positive‑Rate

Mini‑Konfiguration (Edge‑Routing per MQTT → Ingestion):

# mqtt-edge.conf
[sources.press]
topic = "plant/line1/press/#"
qos = 1

[sink.ingestion]
type = "http"
url  = "https://data.company.tld/ingest/press"
batch_size = 500
flush_interval_ms = 1000

KPIs & ROI

90‑Tage‑Plan (Umsetzung)

• Wochen 1–2: Zielmaschinen wählen, Datenlage sichten, KPI‑Baseline erfassen
• Wochen 3–5: Edge‑Anbindung (OPC UA/MQTT), Datenmodell, Rechte & IT/OT‑Security
• Wochen 6–8: Feature‑Pipelines, erstes ML‑Modell, Alarmschwellen definieren
• Wochen 9–10: Pilot‑Betrieb an 1–2 Maschinen, Operator‑Feedback, Alarm‑Tuning
• Wochen 11–12: Ausrollen auf Linie, Dashboard, Übergabe an Betrieb/TPM

Beispiel: Feature‑Pipeline + Modell (vereinfachtes Python)

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from xgboost import XGBClassifier

def rolling_features(df, col="vibration", windows=[60, 300]):
    for w in windows:
        df[f"{col}_mean_{w}s"] = df[col].rolling(w, min_periods=1).mean()
        df[f"{col}_std_{w}s"]  = df[col].rolling(w, min_periods=1).std().fillna(0)
    return df

df = pd.read_parquet("s3://plant/press/line1/2025-07/*.parquet").sort_values("ts")
df = rolling_features(df, "vibration")
df["label_failure_7d"] = (df["failure_in_next_days"] <= 7).astype(int)

X = df.filter(regex="vibration_(mean|std)").values
y = df["label_failure_7d"].values

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False)
model = XGBClassifier(max_depth=6, n_estimators=400, learning_rate=0.05, subsample=0.9)
model.fit(X_train, y_train)

print("AUC:", model.score(X_test, y_test))
# Persistierung → Model Registry / Pickle / ONNX

Für Datenanalyse & BI‑Brücke siehe: /blog/ki-datenanalyse-business-intelligence-predictive-analytics.

DSGVO & EU AI Act – pragmatisch

• Personenbezug vermeiden: Maschinendaten sind i.d.R. nicht personenbezogen. Falls Bediener‑IDs vorkommen: Pseudonymisieren.
• Zweckbindung & Löschfristen definieren (Betriebsvereinbarung/Verfahrensverzeichnis).
• AI‑Act: Meist „geringes Risiko“. Dokumentieren Sie Datenquellen, Trainingsprozess, Metriken, Human Oversight (Wartungsfreigabe bleibt menschlich).
• IT/OT‑Security: Netzsegmentierung, Least‑Privilege‑Zugriffe, Protokollierung von Model‑Versionen und Alarmhistorie.

FAQ

Wann lohnt sich Predictive Maintenance?
Ab mittlerer Störungshäufigkeit, gutem Sensorset und klaren Kosten pro Ausfallstunde.

Welche Datenmenge brauche ich?
Wochen bis wenige Monate mit Störungen/Labels; Start auch mit Anomalie‑Erkennung möglich.

Welche Modelle funktionieren in der Praxis?
Häufig XGBoost/Isolation Forest mit guten Features – wartbar, robust, schnell. Deep Learning, wenn Muster komplex sind.

Wie beginne ich mit wenig Budget?
Pilot auf einer kritischen Maschine, günstige Sensorik, Cloud‑Services nach Verbrauch, schnelle ROI‑Messung.

Wie integriere ich Alarme in den Betrieb?
CMMS/TPM‑Systeme, klare Schwellwerte, Quittierungspflicht, Review‑Meetings mit Instandhaltung.

CTA

Interesse an einer schlanken Pilotierung? Schreiben Sie uns über die /about Seite.