Predictive Analytics

Definition: Predictive Analytics (prädiktive Analytik) bezeichnet Verfahren, die aus historischen und aktuellen Daten mit Statistik und maschinellem Lernen Wahrscheinlichkeiten für künftige Ereignisse berechnen. Im Maschinenbau ist die wichtigste Anwendung Predictive Maintenance: Aus Messwerten von Sensoren wird abgeschätzt, wann ein Bauteil voraussichtlich ausfällt, damit die Wartung vorher geplant werden kann.

Im B2B-Maschinenbau wird Predictive Analytics eingesetzt für: vorausschauende Wartung von Antrieben, Lagern und Pumpen, Ersatzteilplanung, Serviceverträge mit Verfügbarkeitszusagen, Qualitätsprognosen in der Produktion und die Visualisierung von Maschinenzuständen am Digital Twin.

Vorteil: Wartung erfolgt dann, wenn der Zustand der Maschine es verlangt, nicht nach starrem Kalender und nicht erst nach dem Ausfall.

Englisch: Predictive Analytics, Predictive Maintenance
Deutsch: Prädiktive Analytik, vorausschauende Wartung

Funktionsweise

Vom Messwert zur Prognose

Ein typisches Predictive-Maintenance-System arbeitet in fünf Schritten:

1. Daten erfassen: Sensoren messen Schwingung, Temperatur, Strom, Druck oder Drehzahl. Dazu kommen Steuerungsdaten (Laufzeit, Lastzyklen, Fehlercodes) und Servicehistorie.
2. Daten übertragen: Über IoT-Gateways und Industrieprotokolle wie OPC UA oder MQTT gelangen die Werte in eine Datenplattform (Edge oder Cloud).
3. Merkmale bilden: Aus Rohsignalen werden Kennwerte abgeleitet, etwa Effektivwert der Schwingung, Frequenzspektren oder Temperaturtrends.
4. Modell anwenden: Ein Modell vergleicht den aktuellen Zustand mit gelernten Mustern und schätzt die Restlebensdauer (Remaining Useful Life, RUL) oder die Ausfallwahrscheinlichkeit.
5. Handeln: Überschreitet die Prognose eine Schwelle, entsteht ein Wartungsauftrag, eine Ersatzteilbestellung oder ein Hinweis an den Bediener.

Einordnung der Wartungsstrategien

Modelltypen

• Physikalische Modelle: Beschreiben Verschleiß über bekannte Gesetzmäßigkeiten (z. B. Lagerermüdung). Gut erklärbar, aber aufwendig zu erstellen.
• Datengetriebene Modelle: Regression, Zeitreihenanalyse oder neuronale Netze lernen aus Betriebsdaten. Sie brauchen viele Beispiele, auch von Fehlerfällen.
• Hybride Modelle: Kombinieren beides und sind im Maschinenbau verbreitet, weil echte Ausfalldaten oft selten sind.

Digital Twin und 3D-Visualisierung

Warum Prognosen ein räumliches Bild brauchen

Eine Prognose wie “Lager 3 an Achse 2: Restlebensdauer ca. 400 Betriebsstunden” ist für Data Scientists verständlich. Ein Servicetechniker oder Kunde muss aber wissen, wo dieses Lager sitzt, wie es zugänglich ist und welche Teile beim Tausch betroffen sind.

Der Digital Twin verknüpft dazu das 3D-Modell der Maschine mit den Live- und Prognosedaten. Jedes Bauteil im Modell trägt eine ID, über die Sensorwerte und Vorhersagen zugeordnet werden.

Darstellungsformen je Plattform

• Web: Zustandsdashboard mit 3D-Viewer im Browser, kritische Baugruppen farbig markiert (grün, gelb, rot).
• Mobile und Tablet: Techniker ruft vor Ort den Zustand einzelner Komponenten ab.
• Kiosk und Leitstand: Großbildschirm in der Halle zeigt den Zustand aller Anlagen als 3D-Übersicht.
• Augmented Reality: Prognosewerte werden direkt auf der realen Maschine eingeblendet, inklusive Ausbauschritten.
• Virtual Reality: Wartungseinsätze werden an der virtuellen Maschine geübt, bevor das Ersatzteil eintrifft.

Ein 3D-Modell dient dabei für alle Ausgabekanäle. Entscheidend ist eine saubere 3D-Pipeline, die CAD-Daten für Real-time Rendering aufbereitet und Bauteil-IDs erhält.

B2B-Anwendungen

Vertrieb: Verfügbarkeit als Verkaufsargument

Hersteller verkaufen zunehmend Serviceverträge mit Verfügbarkeitszusagen statt nur Maschinen. Predictive Analytics liefert die Datenbasis dafür. Im Verkaufsgespräch zeigt eine 3D-Visualisierung, welche Komponenten überwacht werden und wie ein Warnhinweis aussieht. Das macht ein abstraktes Serviceversprechen greifbar.

Messe: Live-Daten am Exponat

Eine Verpackungsmaschine auf dem Messestand liefert echte Sensordaten. Ein Bildschirm oder Tablet zeigt daneben das 3D-Modell mit Zustandsanzeige. Besucher sehen, wie sich ein Temperaturtrend auf die Prognose auswirkt, ohne in die Maschine greifen zu müssen.

Service: Gezielter Einsatz statt Fehlersuche

Der Techniker weiß vor der Anfahrt, welches Bauteil betroffen ist, und bringt das richtige Ersatzteil mit. Vor Ort führt eine AR-Anleitung zur betroffenen Stelle. Remote-Experten sehen dasselbe Modell und denselben Datenstand.

Schulung: Wartung vor dem Ernstfall üben

Neue Servicetechniker trainieren den Tausch eines überwachten Bauteils am virtuellen Modell. Das Szenario startet mit der Prognosemeldung und endet mit der Wiederinbetriebnahme. So wird der gesamte Prozess geübt, nicht nur der Handgriff.

Design Review: Erkenntnisse aus dem Feld nutzen

Prognose- und Ausfalldaten aus dem Feld zeigen, welche Baugruppen häufig verschleißen. Im Design Review werden diese Hotspots am 3D-Modell der nächsten Maschinengeneration markiert, etwa um Zugänglichkeit oder Lagerauslegung zu verbessern.

Herausforderungen

• Datenqualität: Fehlende Zeitstempel, falsch kalibrierte Sensoren oder Lücken machen Modelle unbrauchbar.
• Wenige Ausfalldaten: Gut gewartete Maschinen fallen selten aus, Modelle haben dadurch wenig Fehlerbeispiele.
• Integration: Prognosen entfalten erst Wirkung, wenn sie in ERP-, Service- und Ersatzteilprozesse fließen.
• Datensicherheit: Maschinendaten sind Betriebsgeheimnisse. Zugriffsrechte und Verschlüsselung zwischen Kunde und Hersteller müssen vertraglich und technisch geregelt sein.
• Akzeptanz: Bediener vertrauen Prognosen nur, wenn sie nachvollziehbar sind. Eine räumliche Darstellung hilft, die Begründung zu zeigen.

Einführung in der Praxis

Klein anfangen, dann skalieren

Erfolgreiche Projekte starten selten mit dem gesamten Maschinenpark. Bewährt hat sich ein schrittweises Vorgehen:

1. Kritische Komponente wählen: Ein Bauteil, dessen Ausfall teuren Stillstand verursacht und dessen Verschleiß messbar ist, etwa Spindellager oder Vakuumpumpen.
2. Datenbasis aufbauen: Sensoren nachrüsten oder vorhandene Steuerungsdaten erschließen, Wartungsereignisse sauber dokumentieren.
3. Pilot betreiben: Prognosen einige Monate parallel zur bisherigen Wartung laufen lassen und mit den Befunden vergleichen.
4. Prozesse anbinden: Warnungen in Serviceplanung, Ersatzteillogistik und Kundenkommunikation einbinden.
5. Visualisieren und ausrollen: Ergebnisse am 3D-Modell für Service und Kunden aufbereiten, dann auf weitere Maschinen übertragen.

Wirtschaftlichkeit: Die Kosten für Sensorik, Datenplattform und Modellpflege stehen den vermiedenen Stillständen, weniger Notfalleinsätzen und planbarer Ersatzteilhaltung gegenüber. Diese Rechnung fällt je nach Maschine und Ausfallkosten sehr unterschiedlich aus und sollte im Pilotprojekt mit echten Zahlen belegt werden.

Häufig gestellte Fragen (FAQ)

Was ist der Unterschied zwischen Predictive Analytics und Predictive Maintenance?

Predictive Analytics ist der Oberbegriff für datenbasierte Vorhersagen in allen Bereichen, etwa Nachfrage oder Qualität. Predictive Maintenance ist die Anwendung auf Instandhaltung: Vorhergesagt wird der Zustand oder Ausfallzeitpunkt einer Maschine bzw. eines Bauteils.

Welche Daten braucht man für den Einstieg?

Mindestens kontinuierliche Messwerte der kritischen Komponenten (oft Schwingung und Temperatur), Betriebsdaten aus der Steuerung und eine dokumentierte Wartungshistorie. Ohne Historie mit Ausfällen und Reparaturen lassen sich Modelle kaum validieren.

Braucht man für Predictive Maintenance einen Digital Twin?

Nicht zwingend. Prognosen funktionieren auch als reine Zeitreihenanalyse. Ein Digital Twin mit 3D-Modell macht die Ergebnisse aber für Service, Vertrieb und Kunden verständlich und ordnet Daten eindeutig einem Bauteil zu.

Lassen sich Bestandsmaschinen nachrüsten?

Ja. Nachrüstsensoren für Schwingung und Temperatur werden außen an Motoren, Getrieben oder Pumpen montiert und senden per Funk oder Kabel an ein Gateway. Die Steuerung selbst muss dafür oft nicht verändert werden.

Wie zuverlässig sind die Vorhersagen?

Das hängt von Datenmenge, Datenqualität und Fehlerart ab. Allmählicher Verschleiß lässt sich meist gut prognostizieren, plötzliche Brüche oder Bedienfehler kaum. Prognosen sollten deshalb immer mit Wahrscheinlichkeit oder Zeitfenster angegeben und laufend gegen reale Befunde geprüft werden.

Branchenstandards und Technologien

• ISO 17359 – Allgemeine Leitlinien für Zustandsüberwachung und Diagnose von Maschinen
• ISO 13381-1 – Prognose (Prognostics) bei Zustandsüberwachung und Diagnose
• ISO 20816-1 – Messung und Bewertung von Maschinenschwingungen (Nachfolger von ISO 10816)
• OPC UA (OPC Foundation) – Herstellerunabhängiger Datenaustausch in der Industrie (IEC 62541)
• Verwaltungsschale (IDTA) – Standard für den industriellen Digital Twin, inkl. Teilmodell für Predictive Maintenance
• MQTT (OASIS) – Leichtgewichtiges Protokoll für IoT-Datenübertragung

Verwandte Themen

Daten und Vernetzung: - IoT – Vernetzte Maschinen - Sensoren – Messtechnik - Digital Twin – Digitaler Zwilling - Condition Monitoring – Zustandsüberwachung - Edge Computing – Datenverarbeitung an der Maschine - Maschinelles Lernen – Lernende Modelle

Visualisierung: - 3D-Modell – Geometrische Basis - 3D-Pipeline – Von CAD zu Echtzeit-3D - Real-time Rendering – Echtzeit-Darstellung - WebGL – 3D im Browser - Dashboards – Kennzahlen-Übersicht

AR/VR im Service: - Augmented Reality – Einblendungen an der Maschine - Virtual Reality – Virtuelles Training - Mixed Reality – Kombination realer und virtueller Inhalte - Remote Assistance – Fernunterstützung - AR-Wartungsanleitung – Schrittweise Führung

Sicherheit und Recht: - Datensicherheit – Schutz von Maschinendaten - Datenschutz – Personenbezogene Daten - Data Act – EU-Regeln zum Zugang zu Maschinendaten

Instandhaltung: - Zustandsorientierte Instandhaltung – Wartung nach Messwert - Remaining Useful Life – Restlebensdauer - Ersatzteilmanagement – Teileplanung - Serviceverträge – Verfügbarkeitszusagen