Aus Betriebs- und Zustandsdaten wird Verfügbarkeit: Wir bauen die Strecke von der Datenquelle über das Modell bis in Ihre Instandhaltungsprozesse.
Beschafftes Material ist nicht verfügbares Material. Zwischen beidem liegen Wartungsintervalle, Ersatzteillieferzeiten und die Frage, welches von zwanzig gemeldeten Fahrzeugen zuerst wieder instand gesetzt werden muss. Entschieden wird das meist mit Erfahrung und Tabellenkalkulation, weil die vorhandenen Daten in getrennten Systemen liegen.
Sensorik und Geräte kommen aus Ihrem Haus oder von Ihren Zulieferern. Wir bauen alles danach: Anbindung der Datenquellen, Modelle zur Bewertung des Zustands, Vorhersage von Ausfallzeitpunkten, Integration in die Systeme, in denen Aufträge entstehen und Ersatzteile disponiert werden. Stufenweise, weil sich so am schnellsten Nutzen zeigt.
Anbindung vorhandener Quellen: Telemetrie, Diagnosespeicher, Steuerungsdaten, Betriebsstundenzähler, Prüfprotokolle und Werkstattaufzeichnungen. Dazu die Wahl geeigneter Zeitreihenspeicher, Vorverarbeitung nah am Gerät, Umgang mit Lücken und Zeitversatz und eine Datenhaltung, die auch in Jahren noch auswertbar ist. Ohne diese Strecke bleibt jedes Modell eine Präsentation.
Wir visualisieren Betriebsdaten, Schwellenwerte und Alarme direkt für Werkstatt und Logistik, ohne komplexe KI-Modelle. Das schafft Transparenz über den Ist-Zustand, deckt Datenlücken auf und bildet die verlässliche Basis für künftige Datenmodelle.
Für die kritischen Ausfälle gibt es meist kaum Historie, weil sie selten und teuer sind. Wir entwickeln Verfahren, die das erwartbare Verhalten modellieren und Abweichungen davon melden und auch bei dünner Datenlage funktionieren. Anschließend lassen sich die Einflussfaktoren ermitteln, damit aus einer Meldung eine verwertbare Diagnose wird und nicht nur ein Warnsignal.
Zwischen „auffällig“ und „ausgefallen“ liegt der Verschleiß. Aus Ihren Betriebs- und Messdaten modellieren wir den Zustand einzelner Komponenten und seinen Verlauf: wie weit der Verschleiß fortgeschritten ist, wie schnell er voranschreitet und ab wann er die Funktion beeinträchtigt. Mit physikalischem Vorwissen, wo es vorhanden ist, datengetrieben, wo nicht. Das Ergebnis sind Zustandsindikatoren, auf die sich Wartung gezielt ausrichten lässt, statt auf feste Intervalle oder Alarme.
Wir optimieren Wartungsfenster durch Ereigniszeitanalyse (Survival Analysis), um Ausfallrisiko, Kosten und Materialbindung simultan zu minimieren. Unter Berücksichtigung unvollständiger Daten liefern wir risikobewertete Zeitfenster mit Konfidenzintervallen statt trügerischer Scheingenauigkeit.
Mit unserer Hilfe können Sie Störungsmeldungen einordnen und zuordnen, ähnliche Fälle und ihre Lösungen auffindbar machen, nach Folgen für die Verfügbarkeit priorisieren statt nach Eingangsdatum. Dazu ermöglichen wir es Ihnen Ersatzteilbedarf aus Nutzungsprofilen und Zustandsdaten zu prognostizieren. Bei langen Lieferzeiten entscheidet oft nicht die Diagnose über die Standzeit, sondern die Frage, ob das Teil im Regal liegt.
Im ersten Termin klären wir, welche Betriebs- und Zustandsdaten heute schon anfallen, wo sie liegen und an welchem System sich der Nutzen am schnellsten zeigt.
Wir verbinden Erfahrung aus Internet of Things, Software Engineering, Data Science und mathematischer Modellierung und haben Predictive-Maintenance-Lösungen für Messtechnik, Industriemaschinen, Prüfverfahren und weltweit verteilte Gerätebestände gebaut.
Wir liefern keine Geräte und keine Sensorik und sind an keine Hardware gebunden. Deshalb bewerten wir unabhängig, welche Datenquelle Ihre Fragestellung tatsächlich beantwortet, ob sie aus Ihrer eigenen Entwicklung stammt oder von einem Zulieferer, und arbeiten auch mit Material, das lange vor jeder Digitalisierungsstrategie beschafft wurde. Wir sagen Ihnen, welche Daten wir brauchen, nicht welche Hardware Sie kaufen sollen.
Wir übernehmen die gesamte Strecke: Anbindung der Datenquellen, Speicherung und Aufbereitung, Modelle, Anwendungen für die Menschen in Werkstatt und Materialbewirtschaftung und die Integration in die Systeme, in denen Aufträge entstehen. Auf Wunsch vollständig auf Ihrer eigenen Infrastruktur. Dass wir Software auch betreiben, prägt die Art, wie wir sie bauen.
Wir verbinden Software Engineering und Internet of Things mit Data Science und mathematischer Modellierung. Für Wartungsentscheidungen nutzen wir unter anderem Verfahren der Ereigniszeitanalyse, die mit unvollständigen Beobachtungen umgehen können, also mit Bauteilen, die bislang nicht ausgefallen sind. Das ist der Unterschied zwischen einem Schwellenwert und einer belastbaren Aussage über Wartungszeitpunkte.
Wir arbeiten inkrementell: Produktidee schärfen, Machbarkeit und Proof of Concept, Modellentwicklung, Integration. Der erste Schritt ist Auswertung und Alarmierung auf vorhandenen Daten, nicht das Modell. Damit erzielen wir auch bei dünner Datenbasis durch wenige Ausfälle oder wenige Systeme früh ein Ergebnis, und Sie erhalten von uns vorher eine Aussage darüber, was die Datenlage hergibt, statt hinterher eine Erklärung.
Mit der KROHNE Messtechnik GmbH haben wir im Forschungsprojekt „Service-Meister“ ein System konzipiert, das Anomalien in Messinstrumenten mittels maschinellen Lernens automatisiert erkennt und auswertet. Für denselben Kunden haben wir zudem eine Plattform für die Auswertung von Gerätedaten aufgebaut.
Gemeinsam mit Rotec haben wir neue Algorithmen für die Messdatenanalyse in Seilprüfverfahren entwickelt, mit flüssiger Echtzeitanzeige der hochauflösenden Daten im Frontend und einem mehrschichtigen Backend.
Für die esw group haben wir ein KI-gestütztes Ticketsystem für technische Störungen umgesetzt: Meldungen werden eingeordnet und zugeordnet, statt in einer Warteschlange nach Eingangsdatum abgearbeitet zu werden.
Für die RATIONAL AG, Hersteller von Groß- und Industrieküchengeräten, haben wir digitale Produkte entwickelt, die aus IoT-Daten konkrete Handlungsempfehlungen ableiten: Energieverschwendung minimieren, Geräteausfälle früh erkennen. Begonnen hat das mit deskriptiven Auswertungen, aus denen schrittweise komplexere Funktionen entstanden sind.
Monitoring erfasst den aktuellen Zustand eines Systems und meldet Abweichungen von Schwellenwerten oder vom erwartbaren Verhalten. Predictive Maintenance geht einen Schritt weiter und schätzt, wann voraussichtlich ein Eingriff nötig wird, damit Wartung geplant statt reaktiv erfolgen kann. Dieser Schritt setzt Daten über tatsächliche Ausfälle oder Verschleißverläufe voraus und ist deshalb aufwendiger. In der Praxis liefert Monitoring oft den größeren Teil des Nutzens, weil es Transparenz schafft und die Datenlage sichtbar macht, auf der eine Vorhersage später überhaupt aufbauen kann. Deshalb beginnen erfolgreiche Vorhaben meist mit Monitoring und bauen die Vorhersage darauf auf.
Ja, mit anderen Verfahren. Statt den Fehlerfall aus Beispielen zu lernen, wird das erwartbare Normalverhalten modelliert und jede Abweichung davon gemeldet (Anomalieerkennung). Für Wartungsentscheidungen helfen zusätzlich Verfahren der Ereigniszeitanalyse (Survival Analysis), die auch Bauteile berücksichtigen, die bislang nicht ausgefallen sind. Auch bei geringer Datenbasis durch wenige Ausfälle oder wenige Systeme lässt sich so ein Mehrwert erzielen.
Über Schnittstellen, nicht über Ablösung. Zustandsdaten und Meldungen nützen nur dort etwas, wo Aufträge entstehen und Ersatzteile disponiert werden. Wir klären deshalb früh, welche Systeme führend sind und welche Schnittstellen verfügbar oder herstellbar sind. Ein Nebensystem, das niemand öffnet, verbessert keine Verfügbarkeit.
Die Bedrohungslage wartet nicht auf lange Entwicklungszyklen. Wir bringen Ihre Software in Release-Geschwindigkeit – souverän, sicher, einsatzbereit.