Vorausschauende Wartung, angetrieben von KI
Ausfälle vorhersagen.
Stillstand vermeiden.
In unserem Abschlussprojekt haben wir ein System für vorausschauende Wartung entwickelt, das Maschinenausfälle erkennt, bevor sie eintreten. Es läuft auf Basis simulierter CNC-Sensordaten und zeigt, wie Fertigungsteams Betriebszeit und Effizienz maximieren könnten.
Live-Fabrik.
Echte Vorhersagen.
Das System kann CNC-Fräsmaschinen rund um die Uhr überwachen. Sobald sich Werkzeugverschleiß oder Prozesstemperatur zu verändern beginnen, erkennt es die Veränderung — oft Stunden, bevor sie zu einem Ausfall führen könnte.
Der KI- und MLOps-Kreislauf hinter kontinuierlicher Zuverlässigkeit
Ein System. Ein Kreislauf. Lernt ständig dazu.
-
1. Datenerfassung Sensoren an den Maschinen senden alle paar Sekunden Echtzeit-Messwerte — Temperatur, Vibration, Druck. Ohne diesen Schritt funktioniert nichts anderes im Kreislauf: Er liefert das Rohmaterial, auf dem jede Vorhersage aufbaut. Man kann es sich als die Augen und Ohren des Systems auf dem Fabrikboden vorstellen.
Sensordaten der Maschinen in Echtzeit streamen.
-
2. Vorhersagen KI-Modelle werten die eingehenden Messwerte aus und schätzen fortlaufend ein, wie wahrscheinlich ein baldiger Ausfall je Maschine ist. Statt auf eine geplante Inspektion zu warten, erhalten Sie einen frühen, laufenden Einblick in den Maschinenzustand. So werden aus rohen Sensordaten Warnungen, auf die tatsächlich reagiert werden kann.
KI-Modelle bewerten fortlaufend die Ausfallwahrscheinlichkeit.
-
3. Erkennen Das System achtet auf zwei Arten von Veränderung: frühe Warnzeichen für einen Ausfall und eine Verschiebung in den eingehenden Daten selbst (genannt „Drift“), die Vorhersagen unzuverlässiger machen könnte. Drift automatisch zu erkennen bedeutet, dass Probleme gemeldet werden, bevor Vorhersagen unbemerkt schlechter werden. Dieser Schritt hält den gesamten Kreislauf vertrauenswürdig.
Anomalien und Drift werden früh und automatisch erkannt.
-
4. Neu trainieren Werden Drift oder neue Muster erkannt, wird das Modell automatisch mit den aktuellsten Daten neu trainiert — kein Techniker muss das Problem bemerken und den Vorgang manuell anstoßen. So bleiben Vorhersagen präzise, auch wenn Maschinen altern oder sich Bedingungen ändern. Das macht daraus ein lebendiges System statt eines einmalig trainierten Modells, das langsam veraltet.
Modelle werden über die Pipeline mit aktuellen Daten neu trainiert.
-
5. Verbessern Mit einem aktuellen Modell werden Vorhersagen schärfer, statt mit der Zeit schlechter zu werden. Das bedeutet weniger überraschende Ausfälle und weniger Zeit und Geld für unnötige Wartung. Hier zahlt sich der Kreislauf aus — jeder Durchlauf von Datenerfassung → Vorhersagen → Erkennen → Neu trainieren hinterlässt ein etwas besseres System als zuvor.
Vorhersagen werden mit der Zeit besser — das senkt Stillstand und Kosten.
-
Geschäftlicher Nutzen All das summiert sich zu weniger ungeplanten Stillständen, geringeren Wartungskosten und Anlagen, die länger halten, bevor sie ersetzt werden müssen. Das ist der Grund, warum es den gesamten Kreislauf überhaupt gibt — jeder technische Schritt rechtfertigt sich durch dieses Ergebnis. Die Resultate fließen dann zurück in Datenerfassung, sodass die Verbesserung nie endet.
Mehr Verfügbarkeit. Geringere Kosten. Längere Lebensdauer der Anlagen.
fließt zurück in Datenerfassung — lernt ständig dazu
Wobei das System helfen kann
Weniger Überraschungen. Geringere Kosten. Langlebigere Maschinen.
Stillstand reduzieren
Unerwartete Ausfälle und ungeplante Stopps vermeiden.
Lebensdauer verlängern
Probleme früh erkennen und Verschleiß reduzieren.
Wartungskosten senken
Teile nach tatsächlichem Zustand ersetzen, nicht nach Vermutung.
Betriebseffizienz steigern
Mehr Verfügbarkeit. Reibungslosere Abläufe. Zufriedenere Teams.
Während die Tagschicht schläft…
Das System kann die Maschinen die ganze Nacht überwachen.
Illustratives Beispiel-
02:16 Uhr
Drift erkannt
Werkzeugverschleiß-Verschiebung an CNC-01 von Evidently AI erkannt.
-
02:17 Uhr
Pipeline ausgelöst
Die GitHub-Actions-Pipeline startet automatisch.
-
02:28 Uhr
Modell neu trainiert
Ein neues Modell trainiert mit den aktuellsten Sensordaten.
-
02:45 Uhr
Modell befördert
Die neue Version übertrifft die alte und geht automatisch live.
-
06:47 Uhr
System einwandfrei
Die Wartungsleitung öffnet das Dashboard. Keine Anrufe. Keine Vorfälle.
Auswirkung über Nacht
Illustratives Beispiel- 1 möglicher Ausfall verhindert
- ~8 Stunden Stillstand vermieden
- 24.300 € gespart
- Produktion blieb planmäßig
Ein Durchlauf einer einzelnen Nacht — keine aggregierten Kundendaten.
Probieren Sie Ihre eigenen Zahlen im Rechner weiter unten aus ↓.
Ein System. Lernt ständig dazu. Schützt langfristig.
Szenario: Sie leiten eine Fabrik
Wie viel könnten Sie damit sparen?
Bewegen Sie den Regler auf den Betrag, den ungeplanter Stillstand Sie monatlich ungefähr kostet.
Möglicherweise haben Sie anderswo größere Stillstandszahlen gesehen — hier sehen Sie, wo vier häufig zitierte Werte tatsächlich liegen.
Wenn sich nichts ändert
15.000 €
Mit vorausschauender Wartung
2.700 €
Geschätzte Ersparnis
12.300 € / Monat
Gerettete Bäume (Äquivalent) Ein grober, illustrativer Vergleich, keine CO2-Berechnung — das Modell dieses Projekts sagt Ausfälle vorher, keine Emissionen. Ungeplanter Stillstand verschwendet üblicherweise Energie (stillstehende Maschinen, Anlaufspitzen, Ausschussmaterial); wir vergleichen die Größenordnung dieser vermiedenen Verschwendung mit der jährlichen CO2-Aufnahme eines ausgewachsenen Baumes (~21 kg), wobei 1.500 € eingesparte Kosten pro Jahr ≈ einem Baum entsprechen. Das soll ein Gefühl für die Größenordnung geben, keine präzise Zahl.
98 / Jahr
live · stündlich aktualisiert · Dieses Modell erkennt derzeit 82% der Ausfälle, bevor sie eintreten. Wir verwenden die reale Recall-Rate des Modells — wie viele der tatsächlichen Ausfälle es im Voraus erkennt. Da es derzeit 82% der Ausfälle erkennt, nehmen wir an, dass auch 82% Ihrer Stillstandskosten vermieden werden. Das ist eine reale, live gemessene Zahl, kein Marketing-Multiplikator — aber weiterhin eine Schätzung. Ihre tatsächliche Ersparnis hängt von Ihren eigenen Ausfallkosten, Reaktionszeiten und Abläufen ab. Live-Zahl ansehen →
Für technisch Interessierte
Das MLOps-System hinter den Vorhersagen
Derselbe Kreislauf aus So funktioniert’s — jetzt mit den Tools, die ihn betreiben.
Erstellt mit
- Die Programmiersprache, in der das gesamte System geschrieben ist — eine der gängigsten Sprachen für Data Science und maschinelles Lernen.
Python
Datenverarbeitung & Modellierung
- Eine Python-Bibliothek zum Laden, Bereinigen und Umformen tabellarischer Daten — vergleichbar mit einer skriptfähigen, programmierbaren Tabellenkalkulation.
Pandas
Datenanalyse
- Eine Python-Bibliothek mit vorgefertigten Algorithmen für maschinelles Lernen. Damit wird das Ausfallvorhersagemodell selbst gebaut und trainiert.
Scikit-learn
ML-Modellierung
- Die schnelle, systemnahe Bibliothek fürs Zahlenrechnen, auf der sowohl Pandas als auch Scikit-learn aufbauen — selten direkt genutzt, leistet aber im Hintergrund den Großteil der Arbeit.
NumPy
Numerisches Rechnen
1. Sensordaten Das ist derselbe Schritt „Datenerfassung“ aus So funktioniert’s, hier gezeigt als die tatsächliche Systemkomponente, die ihn empfängt: ein Erfassungspunkt, der Live-Sensordaten (oder simulierte, für die Demo) aufnimmt und an das Vorhersagemodell weitergibt.
2. Predict-API Ein kleiner Webdienst mit einer einzigen Aufgabe: einen Sensorwert entgegennehmen und in Echtzeit eine Ausfallwahrscheinlichkeit zurückgeben. „API“ bedeutet einfach „eine Möglichkeit für eine Software, eine andere um etwas zu bitten“ — hier: um eine Vorhersage.
3. Drift-Prüfung Evidently ist ein Open-Source-Tool, das die heute eingehenden Sensordaten statistisch mit den Daten vergleicht, auf denen das Modell ursprünglich trainiert wurde. Haben sich beide zu weit voneinander entfernt, ist das ein frühes Zeichen dafür, dass das Modell neu trainiert werden muss, bevor seine Vorhersagen unbemerkt schlechter werden.
4. CI/CD Der in GitHub integrierte Automatisierungs-Runner. Wird Drift gemeldet, stößt genau dieser Dienst den Retraining-Job im Hintergrund an — kein Techniker muss die Meldung bemerken und den Vorgang manuell starten.
5. DVC DVC („Data Version Control“) funktioniert wie Git, aber für Datensätze und Modelle statt für Code. Es führt eine versionierte Aufzeichnung darüber, welche Daten welches Modell erzeugt haben, sodass jeder Retraining-Lauf nachvollziehbar und wiederholbar ist.
6. MLflow MLflow protokolliert die Ergebnisse jedes Trainingslaufs nebeneinander, sodass ein neues Modell mit dem aktuell produktiven verglichen werden kann. Nur ein tatsächlich besseres Modell wird in die Produktion „befördert“.
Angetrieben von
- Die Open-Source-Bibliothek, die auf Drift achtet — sie vergleicht laufend Live-Produktionsdaten mit den Trainingsdaten, nicht nur einmalig beim Start.
Evidently AI
Überwachung von Daten- & Modell-Drift
- Ein kostenloser, in GitHub integrierter Automatisierungsdienst. Er ist die Antriebskraft, die die Retraining-Pipeline auslöse- oder zeitplangesteuert ausführt — kein separater Server, um den man sich kümmern müsste.
GitHub Actions
Automatisiertes CI/CD für ML
- Kurz für „Data Version Control“ — dasselbe Tool wie im Diagramm oben. Es macht die Frage „welche Daten haben genau dieses Modell trainiert“ zu einer beantwortbaren Frage statt einer Vermutung.
DVC
Datenversionierung
- Experiment-Tracking und Modellregistrierung in einem Tool. Jeder Trainingslauf wird protokolliert und verglichen, und das jeweils „beförderte“ Modell liefert die Live-Vorhersagen.
MLflow
Experiment-Tracking & Modellregistrierung
Automatisiert
Kein manuelles Retraining
Reproduzierbar
DVC-versionierte Daten & Pipeline
Überwacht
Evidently-Drift-Prüfungen
Open-Source-Stack
Läuft auf dem eigenen Rechner