Temperatur

  • ΔT zu Umgebung und ΔT zwischen baugleichen Punkten

  • dT/dt während Rampen (Anfahren/Abschalten) – z. B. Abweichung der Zeitkonstanten

  • Stationärer Offset vs. nominelles Temperaturniveau bei definierter Last (aus CMMS-Aufträgen/Steuerung lesbar)

  • Residualfehler eines physikalisch simplen RC-Wärmemodells

Zustandsbezug

  • Jede Feature-Zeitreihe wird mit Metadaten versehen: Drehzahl, Last (kW), Betriebsart, Umgebung, Betriebsstunden, Rezept (Textil).

  • Feature-Normalisierung bedingt: z. B. Ordnungssummen statt Hz-Summen; Energien skaliert mit Last.

  • Feature-Binning nach Last-/Drehzahlfenstern verhindert Mixing-Drift.

4) Modellschicht – minimalistisch, erklärbar, updatebar

  • Anomalieerkennung

  • Pro Zustand (Last/Drehzahl-Bucket) robust skalierte PCA/One-Class-SVM auf 10–40 Features; pro Feature zusätzlich univariates Z-Scoring/Quantilscore zur Transparenz.

  • Für Vibration mit stark impulsiver Struktur: Isolation Forest auf Envelope-Features.

  • Output: Score, Top-Features (Attributionsliste) und Referenzvergleich.

  • Klassifikation (wenn Labels vorhanden)
  • Gradient Boosted Trees (XGBoost/LightGBM) auf handverlesenen Features; hohe Erklärbarkeit via Feature Importance/SHAP.
  • Für variable Drehzahl: getrennte Modelle je Cluster oder gemeinsames Modell mit Ordnungsfeatures.
  • RUL grob (nur, wenn Daten vorhanden)
  • Exponentielle Degradation auf monotonisierte Feature-Komposite (z. B. Envelope-Bandenergie) mit Kalman-Glättung.
  • Alternativ stückweise lineare Trendmodelle pro Asset, mit Basislinie aus Flotte (Percentile).

5) Integration und Betrieb

  • Edge-first: Featureberechnung am Edge; ins Werk-Backend gehen nur Features/Alarme, keine Rohdaten (Datensouveränität, Bandbreite).

  • Speicherung: Zeitreihen-DB on-prem (InfluxDB/Timescale), Asset/Feature-Schemata versioniert.

  • Verbindung in CMMS/ERP: Alarme als Arbeitsauftragvorschläge mit Anhang: „Top-3-Features“, Screenshots Envelope-Spektrum, Zustandsmetadaten. Rückkopplung: tatsächliche Befunde bei Wartung fließen als Label zurück.

  • Governance/Observability: Modell-/Feature-Versionierung, Drift-Monitoring pro Feature (Populationsstatistik), Audit-Logs. (→ alpitype.de/leistungen/)

Trade-offs: Was Sie gewinnen – und was Sie dafür aufgeben

  • Hand-crafted Features vs. End-to-End-Deep-Learning

  • Gewinn: Stabilität unter wechselnden Betriebsbedingungen, geringe Datenmengen, Erklärbarkeit, schneller Roll-out auf diverse Maschinenfamilien.

  • Verlust: Potenzial, schwache, hochdimensionale Muster ohne Domänenwissen zu fassen. DL verlangt jedoch viel mehr sauber gelabelte Daten und stabile Betriebsregimes – in der Praxis selten.

  • Envelope-/Order-Analyse vs. reine FFT
  • Gewinn: Robustheit bei variablem Speed, gezielte Sensitivität auf Defekte (Wälzlager, Zahnflanken).
  • Verlust: Höhere Vorverarbeitungs-Komplexität; Tacho/Speed notwendig, Bandwahl erfordert Know-how.
  • Feature am Edge vs. Rohdaten in die Cloud
  • Gewinn: DSGVO-/Werks-Compliance, geringe Latenz, kontrollierte Kosten, weniger Vendor-Lock-in, weniger Angriffsfläche.
  • Verlust: Edge-Hardware und -Wartung nötig; Updates/OTA müssen sauber gelöst sein.
  • Hohe Abtastrate/16-bit+ vs. „genug wird’s schon sein“
  • Gewinn: Früherkennung kleiner Defekte, saubere Envelope-Spektren.
  • Verlust: Mehr Edge-CPU/Storage; dafür sparen Sie teure Fehlalarme/Übersehen.
  • Viele Features vs. wenige, kuratierte
  • Gewinn (wenige, kuratierte): weniger Overfitting, einfaches Monitoring, leichter Roll-out.
  • Verlust: Gefahr, eine relevante Signatur zu übersehen. Lösung: Feature Discovery in der Pilotphase breit, in Produktion schmal.

Praxis: Was in Textilfertigung und Bahn wirklich funktioniert
Textil – Ringspinnmaschinen, Webmaschinen, Antriebe

  • Problem: Lagerschäden an Spindel- und Streckwerkswellen kündigen sich akustisch/vibrationsseitig oft sehr früh an, aber Signalpegel sind klein; zusätzlich führt Flusenbildung zu Anstieg der Reibung – sichtbar in Strom und Temperatur.

  • Was funktioniert

  • Vibration: 12,8–25,6 kHz Abtastrate; starre Sensormontage an Lagerstühlen. Envelope-Bandpass z. B. 3–8 kHz, dann Hilbert-Hülle. Feature: Summenenergie in schmalen Bändern um erwartete BPFO/BPFI, plus Crest-Faktor. Unter variierenden Drehzahlen zwingend Order-Tracking.

  • Strom: RMS und Seitenbandenergie um elektrische Grundfrequenz ± mechanische Drehfrequenz – steigt bei Exzentrizität/Unwucht. THD als Indikator für beginnende Asymmetrien oder mechanisch erzwungene Lastwelligkeit.

  • Temperatur: ΔT gegen Umgebung und ΔT zwischen parallelen Spindelbänken. dT/dt bei Rezeptwechsel (Anfahrprofile) – Abweichungen signalisieren Zusatzreibung (Flusen).

  • Zahlen aus der Praxis

  • Ein 12-bit-Logger mit 0–10 V Eingang hat eine LSB-Größe von ~2,44 mV. Bei 100 mV/g entspricht das ~0,024 g. Frühe Impulse <0,01 g sind damit unsichtbar. Ein 16-bit-DAQ (LSB ~0,15 mV) macht genau den Unterschied zwischen „nichts sehen“ und „früh sehen“.

  • Fenster: 1 s mit 50% Overlap ergab gute Balance zwischen Sensitivität und Rechenlast; bei schnelllaufenden Spindeln zusätzlich kürzere 200 ms Fenster für impulsive Erkennung.

Bahn – Radsatzlager, Getriebe, Fahrmotoren

  • Problem: Geschwindigkeit variiert stark; Umgebungs- und Gleiseinflüsse erzeugen starke niederfrequente Komponenten. Ohne Order-Analyse ist das Spektrum unbrauchbar. Stromsignale sind vom Umrichter geprägt.

  • Was funktioniert

  • Vibration: Sensoren am Achslagergehäuse, starre Montage. Tacho über Radsensor; Order-Tracking auf Radordnung. Envelope mit Bandselektion um Lagerresonanzen. Features: Ordnungsenergie bei charakteristischen Lagerordnungen und Seitenbänder.

  • Strom: Analyse im Motorrahmen – Park-Vektor und negative Sequenz; Seitenbandenergie bei Grundfrequenz ± 2·Slip·f1 für Rotorprobleme. Korrelation mit Ordnungsfeatures verbessert die Diagnose.

  • Temperatur: ΔT Lagergehäuse minus Umgebung, kompensiert um Fahrtwind (aus Geschwindigkeit). Vergleich linke/rechte Seite desselben Radsatzes liefert robuste Differenzsignale.

  • Betriebsintegration

  • Edge-Rechner im Fahrzeug mit containerisiertem Stack; Feature-Zeitreihen lokal gepuffert, übertragen bei Depot-WLAN. On-premises-Plattform im Depot bündelt Flotte; Alarme generieren Wartungsaufträge mit Diagnoseanhang im Instandhaltungssystem.

  • Zeitbasis via PTP/NTP diszipliniert über bestehendes Fahrzeugnetz; wichtig für Multi-Sensor-Korrelation.

Warum POCs oft trügen – und was in Produktion zählt

  • POC: stationärer Prüfstand, konstante Drehzahl, „saubere“ Daten. Ein CNN erkennt Defekt/Nicht-Defekt mit 99%.

  • Produktion: variable Drehzahl, wechselnde Last, Fertigungsreste, Sensor altert, Montage variiert. Gleiche CNN fällt auf 70–80%, falsch-positive Alarme häufen sich.

  • Gegenmaßnahme: Feature-Pipeline, die Betriebszustände explizit macht und robuste, physiknahe Merkmale bildet. Klassische Modelle mit 10–40 gut kuratierten Features sind in Produktion oft überlegen – und vor allem wartbar.