Manuelle Aufzugsinspektionen abgelöst durch KI-gestützte Sensoranalytik

Die Aufzugswartung erfolgte traditionell nach festen Zeitplänen – Techniker inspizieren Anlagen in regelmäßigen Abständen, unabhängig vom tatsächlichen Zustand. Der Hersteller wollte zu Predictive Maintenance übergehen: Echtzeit-Daten nutzen, um zu verstehen, was jeder Aufzug tut, Anomalien frühzeitig erkennen und den Service nur bei Bedarf einsetzen. Das bedeutete weniger unnötige Serviceeinsätze, weniger Ausfallzeiten und niedrigere Betriebskosten bei großen Gebäudeportfolios.

Der erste Schritt war ein technisch anspruchsvolles Problem: die zuverlässige Bestimmung von Position und Betriebszustand eines Aufzugs anhand von Sensordaten. Die Rahmenbedingungen waren erheblich: Aufzugsschächte erzeugen einen Faraday-Käfig-Effekt, der die drahtlose Konnektivität stört. Cloud-Verbindungen brechen unvorhersehbar ab oder verzögern sich. Die Lösung musste mit minimalen Sensoren auskommen, um wirtschaftlich auf Tausende von Anlagen skalierbar zu bleiben. Und es gab keine beschrifteten Trainingsdaten – das System musste Muster aus rohen Sensormesswerten selbst erlernen.

In Zusammenarbeit mit einem IoT-Partner, der für Hardware und Geräteentwicklung zuständig war, konzentrierten wir uns auf die Daten- und Intelligence-Schicht – die Umwandlung roher Sensorsignale in aussagekräftige Betriebsinformationen.

Datenerhebungsprotokoll und Vorverarbeitung. Wir haben den Ansatz zur Datenerhebung von Grund auf neu konzipiert – und festgelegt, was erfasst werden soll, wie es strukturiert und wie verrauschte Sensordaten in verwertbare Datensätze vorverarbeitet werden. Dazu gehörte auch die Handhabung von Lücken und Verzögerungen durch die unbeständige Konnektivität in Aufzugsumgebungen.

ML-basierte Positions- und Zustandserkennung. Mithilfe erweiterter Clustering-Algorithmen, ergänzt durch individuelle Domänenlogik, entwickelten wir Modelle, die die aktuelle Stockwerksposition und den Betriebszustand des Aufzugs aus minimalen Sensoreingaben bestimmen – Fahrt aufwärts, Fahrt abwärts, Stillstand, Tür geöffnet, Tür geschlossen. Die Algorithmen wurden so konzipiert, dass sie ohne Ground-Truth-Labels funktionieren und Muster direkt aus den Daten erlernen.

Offline-fähige Architektur. Die Lösungsarchitektur wurde so gestaltet, dass sie auch ohne Cloud-Konnektivität funktioniert – Daten werden lokal verarbeitet und gespeichert und bei Wiederherstellung der Verbindung synchronisiert. Dies war entscheidend für den realen Einsatz, da Aufzugsschächte drahtlose Signale regelmäßig blockieren.

Minimales Sensordesign für Skalierbarkeit. Der gesamte Ansatz wurde auf eine möglichst geringe Sensoranzahl pro Aufzug optimiert. Die nachträgliche Instrumentierung jeder Anlage in einer großen Flotte ist nicht wirtschaftlich. Wir haben bewiesen, dass aus einem bewusst begrenzten Sensorsatz sinnvolle Betriebsinformationen gewonnen werden können – was einen flottenweit skalierbaren Einsatz ermöglicht.