So bauen Sie von Tag 1 an für Produktionsreife statt für den nächsten POC

  • Zielmetrik definieren, nicht nur Loss-Funktion:

  • AD: “≥ X Tage mittlere Vorwarnzeit”, “≤ Y Falschalarme pro 1000 h”, “≤ Z % verpasste Ausfälle”.

  • RUL: “≥ 80 % der Prognosen innerhalb ±Δ Tage”, “C-Index ≥ 0,7”.

  • Maintenance-first UX:

  • Alarm-Stufen (Hinweis, Beobachten, Handeln), klare Handlungsempfehlung statt Score-Only.

  • Aggregation über Zeit, keine “Blinker” durch kurzzeitige Störungen.

  • Modus-Segmentation ab Tag 1:

  • Drehzahlbänder, Lastzustände, Materialtypen als Pflichtfelder in der Datenpipeline.

  • Label-Governance:

  • Pflichtfeld “Fehlerursache/Teiletausch” im CMMS, verknüpft mit Zeitintervallen.

  • Prozess, um nachträglich Labels zu korrigieren (Techniker-Feedback zählt).

  • On-Prem DevOps/MLOps:

  • Kubernetes on-prem, Private Registry, IaC für Edge-Stacks.

  • Modell- und Feature-Versionierung, Canary-Rolls, Shadow-Mode vor Aktivierung.

  • Compliance und Souveränität:

  • Keine US-Cloud-Abhängigkeiten, DSGVO-konforme Speicherung.

  • OT/IT-Trennung, Nur-Notwendige Ports, Härtung der Edge-Knoten.

Kosten-Nutzen realistisch quantifizieren

  • Fehlerkosten-Modell:

  • False Positive: Diagnosezeit + unnötige Teile + Opportunitätskosten.

  • False Negative: Ausfallzeit + Schadensausweitung + Folgekosten.

  • Simulation:

  • Diskrete Ereignissimulation mit historischen Aufträgen, um Schwellenwerte/Confidence-Level so zu kalibrieren, dass Gesamtkosten über die Flotte minimiert werden.

  • Wartungsfenster:

  • Nutzen entsteht, wenn Vorwarnzeit mit realen Stillständen korreliert. AD-Schwellen pro Anlage so legen, dass Alerts vor geplanten Stops auftauchen.

Häufige technische Antipatterns – und wie man sie vermeidet

  • Ein einziges globales Modell für alle Maschinen: Besser clusterweise oder pro Betriebsmodus, sonst “gemittelte” Normalität.

  • Training auf Rohsignalen ohne Betriebsnormalisierung: Bei variabler Drehzahl sind Ordnungsanalysen Pflicht.

  • RUL-Labels aus “Tauschdatum minus Inbetriebnahme” ohne Degradation: Das ist ein Wartungsregime, keine physische Alterung.

  • Falsch kalibrierte Score-Skalen: Ohne Konfidenzschätzung lassen sich keine belastbaren SLAs definieren.

  • Keine Closed-Loop-Integration: Ohne Rückmeldungen der Techniker bleiben Modelle blind.

Konkrete Implementierungsschritte in 90 Tagen

  • Woche 1–3: Asset-FMEA und Zielmetrik-Design. Sensor-Audit, Sampling-Plan, Edge-Gateway-Setup.

  • Woche 4–6: Feature-Pipelines auf Edge und Stream, Modus-Segmentation, Baseline-AD (z. B. Isolation Forest + Autoencoder). Shadow-Mode-Dashboard.

  • Woche 7–9: Integration ins CMMS (Lesen/Schreiben), definierte Alarmstufen, Techniker-Feedbackkanal, Kosten-Simulation zur Schwellenkalibrierung.

  • Woche 10–12: RUL-Pilot auf mind. einer monotone Verschleißkomponente, Prediction Intervals, Flotten-Report. Entscheid über Rollout-Plan.

  • Ab Woche 13: Canary-Rollout, SLA-Monitoring, Retraining-Plan je Assetklasse.

Souveränität als Leitplanke
PdM ist in der Industrie kein “Daten-in-die-Cloud-und-irgendwas-lernt”-Vorhaben. Es ist ein Produktionssystem. On-Prem-First, Edge-Inferenz an kritischen Stellen, saubere OT/IT-Trennung und Auditierbarkeit sind nicht verhandelbar. Genau hier setzen wir in Projekten an: robuste Signalverarbeitung am Rand, reproduzierbare Modelle zentral, Integration in bestehende CMMS/ERP, ohne Daten aus der Fabrik zu tragen. Wenn Sie technische Ownership und Implementierungspartner suchen, die diese Leitplanken respektieren: (→ alpitype.de/leistungen/)

FAQ
1) Wie viel Daten brauche ich für eine RUL-Prognose?

  • Für RUL ist die Qualität der Labels entscheidender als die reine Datenmenge. Sie benötigen pro Assetklasse mehrere vollständige Degradationszyklen oder verlässliche Surrogate (z. B. Differenzdruck bis Grenzwert). Ohne solche Labels ist RUL meist nicht sinnvoll – beginnen Sie mit Anomalieerkennung und bauen Sie Labeling in den Prozess ein.

2) Kann ich mit Anomalieerkennung beginnen und später auf RUL “upgraden”?

  • Ja, wenn Sie frühzeitig die Voraussetzungen schaffen: Betriebsmodi explizit erfassen, Closed-Loop-Labels im CMMS verankern und Messgrößen wählen, die einen Gesundheitsindex tragen. AD liefert Ihnen außerdem die Datenbasis, um spätere RUL-Labels korrekt zu verankern.

3) Wie gehe ich mit variabler Drehzahl und Last um?

  • Nutzen Sie Ordnungsanalyse und modusabhängige Modelle. Resamplen Sie Signale in Winkelkoordinaten, bilden Sie Feature-Statistiken je Drehzahlband und kalibrieren Sie Schwellwerte pro Modus. Ein einzelner globaler Schwellwert ist in variablen Regimen nahezu immer suboptimal.

4) Wie integriere ich PdM in SAP PM/Maximo ohne Bastellösungen?

  • Arbeiten Sie mit klaren Ereignisschemata und stabilen Schnittstellen. Statt PDFs: REST-Services oder BAPIs, die Arbeitsaufträge mit strukturierten Feldern anlegen (Asset, Ursache, empfohlene Aktion, Priorität). Rückmeldungen der Techniker gehen denselben Weg zurück; diese Feedbackschleife ist für Retraining und KPI-Messung essenziell.

5) Edge oder zentral? Was rechnet sich wirklich?

  • Vibrationsmerkmale und erste Scores gehören ans Edge, um Bandbreite und Latenz zu sparen und souverän zu bleiben. Aggregation, Flottenreports und RUL-Berechnungen können zentral on-prem laufen. Entscheiden Sie anhand von Latenzbedarf, Netzgegebenheiten und IT/OT-Policies; vermeiden Sie Public-Cloud-Abhängigkeit, wo Datenhoheit kritisch ist.

Fazit
Anomalieerkennung und RUL sind keine konkurrierenden Buzzwords, sondern zwei Werkzeuge für verschiedene technische Situationen. Wählen Sie anhand von Ausfallmodus, Labelverfügbarkeit und Instandhaltungszielen – und bauen Sie die Architektur so, dass Sie beides sauber unterstützen können: robuste Signalverarbeitung und Edge-Inferenz für Frühwarnungen, statistisch saubere Lebensdauermodelle für planbare Flottenentscheidungen. On-Premise, DSGVO-konform und integriert in Ihre bestehenden Systeme – sonst bleibt PdM ein POC. Wenn Sie genau diese Kante zwischen Praxis und Produktionsreife suchen, sprechen Sie mit uns. (→ alpitype.de/leistungen/)