KI‑gestütztes Condition Monitoring für rotierende Maschinen im IIoT

Abweichungen automatisiert erkennen und klassifizieren

Multisensor Asystom von Wika

© Wika

In einer Industrieanlage gibt es zahlreiche rotierende Maschinen, zum Beispiel Pumpen, Turbinen, Kompressoren, Ventilatoren, Motoren, Zentrifugen, Umformer oder Rührwerke. Ein effizienter und stabiler Betrieb dieser Maschinen ist entscheidend, um Energieverluste zu reduzieren und die Leistung zu maximieren. Mit drahtlosen Sensoren und einem energieeffizienten Netzwerk lässt sich heute mit geringem Installationsaufwand die Infrastruktur für ein smartes Condition Monitoring implementieren – selbst in weitläufigen Anlagen, in hügeligem Gelände oder in explosionsgefährdeten Bereichen. Zur Überwachung der Maschinen kommen kompakte Sensoren zum Einsatz, die im Minuten- bis Stundentakt Vibrations-, Ultraschall- und Temperaturwerte erfassen. Über ein Low Power Wide Area Network (LPWAN) wie etwa LoRaWAN – eine Funktechnologie, die auf hohe Distanzen und einen geringen Energieverbrauch ausgelegt ist – übertragen die Sensoren diese Daten sicher und effizient an ein Gateway. Dieses sendet die Messwerte an einen zentralen Netzwerkserver. Hier laufen die Rohdaten aller Endgeräte zusammen – je nach Anlage kann es sich um zehntausende von Sensoren handeln. Daneben beinhaltet das Netzwerk einen Anwendungsserver mit einer digitalen Plattform einschließlich eines KI-Tools, welches die Messwerte analysiert.

Auffällige Werte, etwa bei der Vibration, verraten frühzeitig, wenn etwas nicht einwandfrei läuft. Ein Algorithmus identifiziert Fehler, lange bevor die Maschine tatsächlich ausfallen würde. Für diese smarte Überwachung spielt maschinelles Lernen eine wesentliche Rolle. Wenn die Sensoren installiert sind, messen sie zunächst zwei bis drei Wochen lang im normalen Betrieb. Anhand dieser Daten erstellt das KI-Tool für jede Pumpe, jeden Motor und so weiter ein individuelles Modell. Das Modell bildet ab, welche Messwerte normal sind und welche auf einen Fehler hindeuten. Von nun an gleicht das Tool alle neuen Sensordaten mit dem Modell ab und generiert einen Anomaly Score. Dabei geht es nicht allein darum, dass beispielsweise ein definierter Schwellenwert überschritten wird, sondern der Score errechnet sich aus einer Menge an Messwerten in unterschiedlichen Prozessphasen. Ein Anomaly Score von 0 bis 100 Prozent gibt an, inwieweit die Daten in einem bestimmten Zeitraum der Erwartung entsprechen.

Je nachdem, in welcher Hinsicht die Daten vom Referenzmodell abweichen, klassifiziert das Tool Auffälligkeiten außerdem nach bestimmten Fehlerkategorien. Das heißt, die Software erkennt in abweichenden Werten ein Muster und bestimmt davon ausgehend die wahrscheinliche Fehlerursache. Bislang übernehmen häufig Spezialisten die Aufgabe, Rohdaten anhand von Erfahrungswerten auf potenzielle Fehler und deren Ursachen zu prüfen. Diese aufwändige Vorgehensweise lässt sich durch Automatisierung erheblich vereinfachen, da ein KI-Tool in kürzester Zeit die relevanten Informationen identifiziert und Schlussfolgerungen daraus ableitet. In Zeiten des Fachkräftemangels ist dies eine wichtige Unterstützung für Expertenteams, die zahlreiche Maschinen überwachen müssen. Zudem erkennt ein intelligenter Algorithmus Abweichungen in den Daten sehr früh – so auch in folgendem Praxisbeispiel aus der Chemieindustrie.  

Chemieunternehmen verhindert ungeplanten Shutdown

Im Frühjahr 2025 hat ein Hersteller von Kunststoffen die Condition-Monitoring-Lösung von WIKA in einem seiner Werke implementiert. Zu diesem Zeitpunkt rechnete niemand damit, dass das Tool schon bald einen Ausfall verhindern würde. An einem Rührkesselreaktor hatte man an mehreren Stellen Sensoren installiert: am Motorausgang, an einem Ausgang des Getriebes und an der Dichtung am Kesselboden. Als die Lösung einige Wochen in Betrieb war, registrierte die Software einen leichten Anstieg des Anomaly Scores. Die Daten zeigten erhöhte Ultraschallwerte, zunächst nur minimal höher als erwartet. Rund zwei Wochen später stieg die Kurve stärker an. Im hochfrequenten Bereich blieb der Ultraschallpegel über mehrere Tage deutlich erhöht. Hinzu kamen kurze Zeit später auffällige Werte bei der Vibration. Als der Betreiber den Rührkesselreaktor am nächsten Wochenende abschaltete, musste das Wartungsteam nicht lange nach der Ursache suchen. Die Kugeln des Kugellagers im oberen Teil des Reaktors waren gebrochen. Die Condition-Monitoring-Software hatte den Fehler mehr als einen Monat zuvor in den Messdaten erkannt. Anderenfalls wäre der Betreiber vom Ausfall des Reaktors überrascht worden und hätte den Betrieb ungeplant unterbrechen müssen. So wurde er frühzeitig gewarnt und konnte den Fehler zu einem günstigen Zeitpunkt koordiniert beheben.

Effizienzsteigerung bei einem Bergbauunternehmen

Eine weltweit tätige Bergbau-Unternehmensgruppe führte die Lösung im Rahmen einer Digitalisierungsinitiative zunächst an sieben Standorten ein – mit einem klaren Fokus auf Prozessoptimierung und Kostenreduktion. WIKA installierte die Sensoren an verschiedensten Anlagen, von Lüftungen über Pumpenkompressoren bis hin zu sogenannten Brechern. Diese Maschinen zerkleinern Gestein oder Kohle für die Weiterverarbeitung und werden von sehr großen Motoren angetrieben. Früher fanden Wartungseinsätze in regelmäßigen Abständen statt und wenn Arbeiter beispielsweise auffällige Geräusche bemerkten. Dabei gab es häufig den Fall, dass eine Wartung noch nicht nötig gewesen wäre. Die Kennzahlen, mit denen das Bergbauunternehmen den Erfolg der Condition-Monitoring-Plattform evaluiert, haben gezeigt: Dank der KI-gestützten vorausschauenden Überwachung kommt dies nur noch selten vor. Der Anteil an Wartungsaufträgen, bei denen tatsächlich Hand angelegt werden musste, hat sich im Vergleich zu früher verdreifacht. Dabei setzt das Unternehmen nicht nur seine Ressourcen wesentlich effektiver ein, sondern es hat auch die Ausfallrate auf ein Minimum reduziert. Je nach Anwendung registrierten die sieben Standorte 40 bis 60 Prozent weniger Maschinenausfälle – das entspricht Einsparungen in Höhe von insgesamt 100.000 bis 300.000 Euro pro Monat. Sein Ziel, in weniger als sechs Monaten den Return on Investment der Lösung zu verzeichnen, hat das Unternehmen damit erreicht.

Dank LPWAN-Funktechnologien wie beispielsweise LoRaWAN können Betreiber von Industrieanlagen heute mit geringem Aufwand ein IIoT-Netzwerk implementieren. Smarte, drahtlose Sensoren erfassen an jeglicher Art von rotierenden Maschinen Temperatur-, Vibrations- und Ultraschallwerte. Ein intelligentes Analysetool leitet aus den Daten zuverlässige Aussagen über die Maschinenzustände ab. Betreiber erfahren nicht nur frühzeitig, wo ein Fehler auftritt, sondern auch seine wahrscheinliche Ursache. Das smarte Condition Monitoring ermöglicht es somit, Wartungsprozesse zu optimieren, Ausfälle zu vermeiden und Kosten zu senken. Erfahrungen von Unternehmen verschiedener Industrien untermauern den Nutzen und schnellen Return on Investment einer IIoT-basierten, KI-gestützten vorausschauenden Wartung.