Dr. Julian Weller, wissenschaftlicher Mitarbeiter am Fraunhofer-Institut für Entwurfstechnik Mechatronik IEM, ist unser Gast für das Thema „Condition Monitoring“. Promoviert hat er über Prescriptive Analytics, also darüber, wie sich aus Produktionsdaten konkrete Handlungsempfehlungen ableiten lassen. In der Praxis steht man davor allerdings meist ein paar Stufen weiter unten. Zustandsüberwachung klingt nach einem langweiligen Datenthema, ist aber die Voraussetzung für alles, was danach kommt. Die klassischen Leistungsstufen reichen von deskriptiv über Diagnose und Prädiktion bis zur Präskription, und wer die erste Stufe überspringt, scheitert zuverlässig an der vierten. Zuerst geht es also darum, Maschinendaten wie Motorstrom, Anpressdruck oder Vibration überhaupt zu erfassen und zu kontextualisieren, denn ein Fehlercode 100 ohne Bedeutung ist kein Zustand, sondern nur eine Zahl. Technisch führt der Weg von der SPS über OPC UA und die Maschinennetze der Fabrik nach außen, oder eben über ein IoT-Device mit SIM-Karte direkt an der Anlage, das den Umweg durch sieben Sicherheitszonen umgeht. Welche Variante durchsetzbar ist, hängt stark von der Branche ab, denn Automobil und Medizintechnik ticken anders als Lebensmittel oder Möbelindustrie. Dazu kommt die Frage, wer die Überwachung überhaupt betreibt. Der Komponentenhersteller, der Maschinenbauer und der Betreiber haben jeweils eigene Interessen, und wer eine Presse mit eigener Plattform kauft, hat Ofen und Roboter davor und dahinter trotzdem nicht abgedeckt. Genau deshalb entstehen daneben immer wieder Retrofit-Lösungen über die gesamte Linie. Bei der Datenanalyse gilt eine unbequeme Faustregel: Rund zwanzig Prozent der Projektzeit gehen dafür drauf, überhaupt herauszufinden, ob in den Daten etwas Verwertbares steckt. Das läuft hypothesengeleitet und über Gespräche an der Anlage, weil deutsche Maschinen so gebaut sind, dass sie zwanzig Jahre nicht ausfallen, und damit fehlen ausgerechnet die Labels für Fehlerfälle. Alte Serviceberichte werden hier wieder interessant, weil Sprachmodelle daraus nachträglich Ausfallzeitpunkte extrahieren können. Kurios ist dabei, dass der für Menschen optimale Wartungsbericht mit Ankreuzfeldern, Abkürzungen und rotem Stift für OCR und Sprachmodelle der Albtraum ist. Bei der Ablage der extrahierten Informationen zeichnet sich ab, dass reine Textähnlichkeit über Embeddings zu kurz greift und sich Ansätze durchsetzen, die eher wie Coding-Agenten funktionieren, also strukturierte Dateien in navigierbaren Ordnerstrukturen. In der Realität scheitern anspruchsvolle Modelle oft an Concept und Context Drift, wenn sich Hallentemperatur, Material oder der Zustand nach einem Teiletausch ändern. Deshalb laufen auf vielen Anlagen bis heute Grenzwertüberwachungen mit E-Mail-Versand statt neuronaler Netze, weil der Mehrwert fast identisch ist. Auch mehr Sensorik ist nicht automatisch besser, denn technische Verfügbarkeiten multiplizieren sich und jeder zusätzliche Sensor kann selbst zum Stillstandsgrund werden. Vibrationsanalyse per Fourier-Transformation braucht zudem Auflösung und Rechenleistung, die vor Ort meist fehlen. Am Ende zählt, ob die Überwachung auf Qualität, Leistung oder Verfügbarkeit einzahlt. Sprachmodelle setzen sinnvoll als Layer darüber an, für Auswertung, Anpassung von Visualisierungen und Analysecode, aber eben erst, wenn die Datengrundlage steht. Links zur Folge: Dr. Julian Weller auf LinkedIn: https://www.linkedin.com/in/julian-le-weller Fraunhofer IEM: https://www.iem.fraunhofer.de --- Einfach Komplex ist ein Podcast von Heisenware. Heisenware kennenlernen: https://heisenware.com/einfach-komplex Kontakt: podcast@heisenware.com
