Zahlen und Daumenregeln aus der Praxis

  • Vibration Lagerdiagnose: 48–96 kHz, 24 Bit, Hüllkurvenbandpass 3–10 kHz, Fenster 1–4 s, 50% Overlap.

  • Motorstrom: 5–10 kHz, 16–24 Bit; Features um 50 Hz und Sidebands 2×Slip.

  • Temperatur: 1–10 Hz, Differenz zu Umgebung + Last-normalisiert auswerten.

  • Datenvolumen: Edge-Features statt Rohdaten reduzieren Volumen um Faktor 10–100. Selektive Rohdatenspeicherung spart weiter Faktor 5–10.

  • Labelstart: Mit 10–20 sauber bestätigten Fällen pro Modus kann ein einfacher Klassifikator Mehrwert liefern. Davor: Anomalieerkennung.

Warum On-Premises hier nicht verhandelbar ist

  • Produktionsdaten sind sensibel: Fertigungsgeheimnisse, Flottentelemetrie, regulatorische Anforderungen. Eine US-Cloud-Abhängigkeit ist für viele DACH-Unternehmen ein No-Go – technisch und rechtlich.

  • Operative Resilienz: Anlagen laufen auch ohne WAN. Edge+On-Prem bleiben verfügbar, Modelle inferieren weiter, Alarme kommen an.

  • Kostenkontrolle: Hochfrequente Signale permanent in die Cloud zu schieben, ist ökonomisch unsinnig. Verdichtung am Edge ist Pflicht, nicht Kür.

  • Governance: Vollständige Kette von Sensor bis Alarm unter eigener Kontrolle, Auditierbarkeit inklusive. Genau dafür bauen wir Systeme – kein Beratungstheater, echte Software (→ alpitype.de/leistungen/).

Häufige Fehlannahmen und Gegenmaßnahmen

  • “Wir fangen klein an, kleben mal Sensoren dran, Rest macht KI.” Gegenmaßnahme: Erst Montage/Abtastrate/Zeitsync klären, dann Sensoren setzen. Ein schlecht montierter Sensor produziert teure Zufallszahlen.

  • “Rohdaten sind zu groß, wir speichern nur RMS pro Minute.” Gegenmaßnahme: Feature-Set mit diagnostischem Gehalt (Bandenergien, Hüllkurvenpeaks) am Edge rechnen und selektiv Rohdaten sichern.

  • “Unser CMMS hat Labels.” Gegenmaßnahme: Ja, aber unpräzise. Weak Supervision + Review + Zensierungslogik einplanen.

  • “Cloud ist einfacher.” Gegenmaßnahme: Für Hochfrequenz-PdM ist On-Prem einfacher, billiger und robuster – wenn richtig gebaut.

Fazit
PdM ist kein Modellproblem. Es ist ein Systemtechnikproblem, das an der Schraubverbindung beginnt und bei Datenverträgen, Zeitbasis und on-prem Betrieb endet. Wer Datenqualität ernst nimmt, kann mit simpleren Modellen früher Wirkung erzielen, als mit dem besten Deep-Learning-Stack auf schlechten Signalen. Setzen Sie einen robusten Edge-Stack mit PTP, Anti-Aliasing, Feature-Extraktion und Sensor-Health-Checks auf. Bauen Sie saubere Datenverträge und eine Label-Pipeline mit Realitätssinn. Dann wird aus PdM kein ewiger POC, sondern Teil Ihrer Instandhaltungsroutine.

FAQ

  • Welche Abtastrate brauche ich wirklich für Lagerdiagnose?

  • Wenn Sie Hüllkurvenanalyse machen wollen, planen Sie 48–96 kHz pro Achse ein, plus analoges Anti-Aliasing. Unter 10 kHz sehen Sie oft nur lastgetriebene Niedrigfrequenzen, keine lagercharakteristischen Peaks.

  • Muss ich immer Rohdaten speichern?

  • Nein. Speichern Sie kontinuierlich Features und nur selektiv Rohsegmente: bei Anomalien, Statuswechseln oder zyklisch für Referenzen. Das senkt Volumen um Größenordnungen und erhält Diagnostik.

  • Wie viele Sensoren pro Maschine sind sinnvoll?

  • Für einfache Antriebe reichen oft 2–3 Beschleunigungssensoren (radial/axial) am kritischsten Lager, plus Tacho/Encoder. Komplexe Getriebe brauchen mehr Messpunkte entlang der Kraftkette. Temperatur fast immer zusätzlich.

  • Wie gehe ich mit fehlenden/ungenauen Labels um?

  • Starten Sie mit Anomalieerkennung auf lastnormalisierten Features. Ergänzen Sie Weak-Supervision-Regeln, lassen Sie Techniker Kandidaten bestätigen, und behandeln Sie opportunistische Tauschereignisse als zensiert. Erst mit genügend bestätigten Fällen auf Supervised/RUL schwenken.

  • Welche Schnittstellen haben sich bewährt?

  • Sensorik/DAQ direkt via gRPC/HTTPS in den on-prem Message Bus, PLC-Zustände via OPC UA oder MQTT. Speicherung von Rohdaten als Parquet auf S3-kompatiblem Objektspeicher (z. B. MinIO), Features/Labels in TimescaleDB/Postgres. Zeitbasis via PTP. Edge-Modelle als ONNX, Updates signiert ausgerollt.

Wenn Sie diesen Weg gehen wollen, aber nicht bei Null anfangen möchten: Wir bauen genau solche on-prem PdM-Stacks – deterministisch, auditierbar und mit Fokus auf Datenqualität statt Hype (→ alpitype.de/leistungen/).