Predictive Maintenance & Anomalieerkennung

Ausfälle erkennen, bevor sie passieren

Ihre Anlagen erzeugen längst die Daten, die Ausfälle ankündigen – in Steuerung, SCADA und Historian. Wir machen sie nutzbar: Anomalieerkennung und Ausfallprognose ohne zusätzliche Hardware.

Nutzt vorhandene Daten aus SPS, SCADA, Historian und MES
Start ohne zusätzliche Sensorik oder Hardware
Proof of Concept in 6–8 Wochen zum Festpreis
Betrieb on-premise oder in Ihrer Cloud
Temp
82°C
Vibration
4.2Hz
Pressure
95 PSI
Health Score
Maintenance in 72h

Von Rohdaten zur Wartungsentscheidung

Modelle, die aus Ihren historischen Betriebsdaten lernen, was normal ist – und melden, wenn es das nicht mehr ist

Ausfallprognose

Modelle lernen aus Zeitreihen und Wartungshistorie, welche Muster Ausfällen vorausgehen, und schätzen das Risiko je Anlage.

Anomalieerkennung

Erkennt Abweichungen vom Normalverhalten in Strömen, Drücken, Temperaturen oder Taktzeiten – auch ohne gelabelte Ausfälle.

Anbindung an Ihre OT

OPC UA, S7, Modbus, MQTT, Historian, SCADA, MES und Instandhaltungssystem – lesend, die Steuerung bleibt unberührt.

Verständliche Alarme

Warnungen mit Kontext: welches Signal, seit wann, wie ungewöhnlich – direkt an die Instandhaltung.

Dashboards

Anlagenzustand, Trends und Prognosen für Instandhaltung und Produktionsleitung auf einen Blick.

PoC zum Festpreis

6–8 Wochen: Datenzugang, Modell auf Ihren historischen Daten, Prüfung an echten Ereignissen und eine Entscheidungsvorlage für den Rollout.

Einsatzbereiche

Anomalieerkennung auf den Daten, die Ihre Anlagen bereits liefern

Fertigungsanlagen

CNC-Maschinen, Pressen und Förderanlagen: Spindellast, Motorströme und Taktzeiten aus der Steuerung zeigen Verschleiß frühzeitig.

Beispiele
•Steigende Spindellast kündigt Werkzeug- oder Lagerverschleiß an
•Abweichende Taktzeiten weisen auf mechanische Probleme hin
Bestandsdaten
Datenbasis
6–8 Wo.
Proof of Concept

Roboter & Handling

Achsströme, Drehmomente und Positionsabweichungen aus der Robotersteuerung als Zustandsindikator für Getriebe, Antriebe und Greifer.

Beispiele
•Steigende Drehmomente einer Achse deuten auf Getriebeverschleiß hin
•Greif- und Positionierfehler häufen sich vor einem Ausfall
Steuerung
Datenquelle
Echtzeit
Anomalieerkennung

Energie & Versorgung

Pumpen, Turbinen, Transformatoren und Netzstationen: Betriebsdaten aus SCADA und Leitsystem zeigen Abweichungen vor dem Ausfall.

Beispiele
•Lastabhängige Temperaturverläufe zeigen Transformatoren unter Stress
•Pumpenkennlinien im Vergleich zum Normalbetrieb machen Verschleiß sichtbar
SCADA
Datenquelle
24/7
Überwachung

Gebäudetechnik

Lüftung, Kälte und Aufzüge: Daten aus der Gebäudeleittechnik erkennen Störungen, bevor Nutzer sie bemerken.

Beispiele
•Ungewöhnliche Laufzeiten von Kältemaschinen früh erkennen
•Ventilator- und Klappenstörungen aus GLT-Daten ableiten
GLT
Datenquelle
Früh
Störungserkennung