Predictive Maintenance: Die Datenplattform für vorausschauende Wartung

Ungeplante Stillstände sind die teuersten Stunden der Fertigung — und die meisten kündigen sich an: in steigenden Vibrationswerten, driftenden Strömen, wachsenden Temperaturen. Vorausschauende Wartung (Predictive Maintenance) macht aus diesen Vorzeichen planbare Instandhaltung. Doch die meisten Projekte scheitern nicht am Modell, sondern davor — an der Infrastruktur: Zustandsdaten werden gar nicht erst erfasst, Historien fehlen, und Erkenntnisse erreichen nie das Wartungsteam.

Dieser Leitfaden zeigt, wie Sie mit IronFlock das Fundament für Predictive Maintenance legen — von der Sensor-Nachrüstung über die Datenhistorie bis zu Alarmen und KI-Agenten.

Das Problem: Predictive Maintenance scheitert selten an der Analyse

Vier Hürden tauchen in fast jedem Projekt auf:

• Keine Zustandsdaten. Vibration, Stromaufnahme und Temperatur werden an Bestandsmaschinen oft gar nicht gemessen — und was die Steuerung kennt, verlässt den Schaltschrank nicht.
• Keine Historie. Anomalien erkennt man nur im Vergleich zum Normalzustand. Ohne monatelange, lückenlose Zeitreihen fehlt jeder Referenzpunkt.
• Insellösungen pro Anlage. Herstellergebundene Condition-Monitoring-Systeme überwachen eine Maschine — aber nicht den Maschinenpark, und schon gar nicht standortübergreifend.
• Der letzte Meter fehlt. Eine Vorhersage, die niemanden erreicht, verhindert keinen Ausfall. Erkenntnisse müssen als Alarm, Dashboard oder Arbeitsauftrag beim Team ankommen.

Schritt 1: Zustandsdaten erfassen — auch an Bestandsmaschinen

Die Datenbasis entsteht mit den Collector-Apps für die Datenerfassung in der Fertigung, die als Container auf einem Edge-PC (Gateway) im Maschinennetz laufen:

• Nachrüstung per IO-Link. Der IO-Link Collector bindet nachgerüstete Vibrations-, Strom-, Druck- und Temperatursensoren (etwa von ifm, Balluff oder Pepperl+Fuchs) an — mit automatischer Sensorerkennung und automatischer IODD-Dekodierung, ohne Account und ohne API-Schlüssel. So kommen Bestandsmaschinen zu Zustandsdaten, ohne dass die Steuerung angefasst wird.
• Werte aus der Steuerung. Der Industrial Collector liest Ströme, Drehzahlen und Zustände aus SPSen und Frequenzumrichtern — OPC UA und Modbus funktionieren heute, Siemens S7 und Allen-Bradley sind im Early Access. Der Zugriff ist standardmäßig nur lesend: Die Collectoren schreiben niemals in die Anlage.
• CNC-Maschinen. Der MTConnect Collector liefert Zustände, Programme und Achsdaten von Werkzeugmaschinen.

Alle Messwerte werden normalisiert — benannt, mit Einheit, Zeitstempel, Qualitäts-Flag und semantischem Typ — und bei Verbindungsausfällen lokal gepuffert. Der Geräteagent hält das Gateway dabei dauerhaft online und aus der Ferne verwaltbar.

Schritt 2: Historien aufbauen — in Ihrer eigenen Datenbank

Jedes Projekt erhält eine dedizierte TimescaleDB-Zeitseriendatenbank als Single Source of Truth. Für Predictive Maintenance heißt das:

• Lückenlose Zeitreihen über Monate und Jahre — die Referenz, gegen die Anomalien überhaupt erst erkennbar werden.
• Datenhoheit. Der Projekteigentümer ist der Dateneigentümer, nicht der App-Entwickler. Zugriffe für Analysepartner werden granular vergeben und sind jederzeit widerrufbar.
• Offene Standards. Standard-TimescaleDB und offene Formate statt Vendor-Lock-in — vorhandene Analysewerkzeuge können direkt aufsetzen.

Schritt 3: Vom Schwellwert zum KI-Agenten

Predictive Maintenance muss nicht mit Machine Learning beginnen. IronFlock erlaubt einen gestuften Einstieg:

• Stufe 1 — Grenzwerte und Alarme. Das integrierte Alarmsystem überwacht Live-Telemetriedaten mit Bedingungen pro Schweregrad (Leicht, Schwer, Kritisch) und benachrichtigt per E-Mail oder SMS — etwa bei überschrittenen Vibrationsgrenzen nach ISO-Erfahrungswerten. Automatische Auflösung und Kommentarfunktion inklusive.
• Stufe 2 — Sichtbarkeit und Trends. Im Board Studio entstehen Trend-Dashboards ohne Code: Vibrationsverläufe, Stromaufnahme im Wochenvergleich, aufgeteilte Diagramme pro Anlage. Auffällige Drifts werden sichtbar, bevor Grenzwerte reißen.
• Stufe 3 — Analytik als App. Auswertende Apps setzen über den App-übergreifenden Datenzugriff schreibgeschützt auf den gesammelten Historien auf — eine Predictive-Maintenance-App, die Vibrations-, Strom- und Temperaturhistorien analysiert, ist das dokumentierte Musterbeispiel dieser Architektur. Solche Apps installieren Sie aus dem App Store oder entwickeln sie selbst.
• Stufe 4 — KI-Agenten. Mit Physical AI befragen Sie Ihre Zustandsdaten in natürlicher Sprache; Apps können eigene App-Agenten mitbringen, die Ausfallvorhersagen erklären, Anomalie-Scores einordnen und Wartungsmaßnahmen vorschlagen. Die Fähigkeiten stehen automatisch im KI-Assistenten bereit, sobald die App installiert ist — ohne Konfiguration.

Hinweis: Analytik und Vorhersagemodelle sind bewusst als Apps ausgelegt — nicht als Blackbox der Plattform. So bleibt nachvollziehbar, welche Logik auf welchen Daten arbeitet, und Fachwissen von Spezialisten lässt sich als App in jedes Projekt holen.

Typische Zustandsgrößen — und was sie verraten

Welche Größen sich für den Einstieg lohnen, hängt von der Anlage ab. Die Klassiker im Überblick:

Zwei Dinge machen diese Liste praktikabel: Erstens werden alle Größen im selben normalisierten Schema gespeichert — ein Trend-Board oder ein Alarm funktioniert für Vibration genauso wie für Druck. Zweitens gilt: nicht alles auf einmal. Eine Größe an den kritischsten Anlagen, sauber erfasst, schlägt zehn Größen ohne Historie.

Für Maschinenbauer: Predictive Maintenance als Service ausrollen

Wer Maschinen herstellt, kann vorausschauende Wartung als digitalen Service anbieten — Predictive Maintenance ist eines der dokumentierten Leitbeispiele für App-Distributoren: Sie liefern die Edge-Logik und das Domänenwissen; App-Verteilung, Updates mit Rollback, sicherer Fernzugriff, Messaging und Datenhaltung kommen von der Plattform. Über die Bereitstellungsoptionen läuft derselbe Service in der Cloud, auf einer Appliance beim Kunden oder in dessen Private Cloud — ohne Codeänderung.

Häufig gestellte Fragen

Welche Daten brauche ich für den Einstieg?

Weniger als oft angenommen. Schon eine kontinuierlich erfasste Größe pro Anlage — Stromaufnahme, Vibration oder Temperatur — liefert mit ein paar Wochen Historie belastbare Trends und sinnvolle Alarmgrenzen. Erweitern lässt sich jederzeit: Die Collectoren nutzen ein gemeinsames Tabellenschema, Dashboards und Auswertungen wachsen mit.

Muss ich eigene Machine-Learning-Modelle entwickeln?

Nein. Der gestufte Einstieg beginnt mit Grenzwert-Alarmen und Trend-Dashboards — ganz ohne Modelle. Analytik kommt als App dazu: aus dem App Store, von Spezialisten oder selbst entwickelt. KI-Agenten solcher Apps stehen anschließend automatisch im Assistenten bereit und beantworten Fragen zu Anomalien und Wartungsempfehlungen.

Funktioniert das mit Bestandsmaschinen ohne moderne Schnittstellen?

Ja — das ist der häufigste Fall. Nachgerüstete IO-Link-Sensoren (Vibration, Strom, Temperatur) werden automatisch erkannt und dekodiert, ohne Eingriff in die Steuerung. Wo Steuerungsdaten verfügbar sind, kommen sie per OPC UA, Modbus oder MTConnect ergänzend dazu.

Wo laufen Erfassung und Analyse — Cloud oder Edge?

Die Erfassung läuft immer am Edge, in Containern auf einem Gateway im Maschinennetz, mit lokaler Pufferung bei Verbindungsausfällen. Historie und Auswertung liegen in der Projektdatenbank — wahlweise in der Cloud (EU-Rechenzentren), auf einer Appliance im lokalen Netz oder in Ihrer Private Cloud. Der Funktionsumfang ist in allen Modellen identisch.

Wie geht es weiter?

Der pragmatische Start: Mit der Schnellstart-Anleitung ein Gateway verbinden, den IO-Link- oder Industrial Collector installieren und die erste Zustandsgröße auf ein Board bringen — im Demo-Modus geht das sogar ohne Hardware. Die Bausteine im Detail: Datenerfassung in der Fertigung, IoT-Alarme und Physical AI.