Fertigung und IoT · Predictive Maintenance
Wissen, was ein Aufzug gerade tut, ohne nachsehen zu müssen
Ein Aufzughersteller wollte Position und Zustand seiner Anlagen im Feld in Echtzeit kennen, Informationen, die es bis dahin nur per manueller Inspektion oder Serviceeinsatz gab. Gemeinsam mit einem IoT-Partner haben wir ML-Modelle entwickelt, die Standort und Zustand aus einem bewusst minimalen Sensorsatz ablesen und auch dort weiterarbeiten, wo die Verbindung abreißt.
Ergebnisse
Kunde: Aufzughersteller (unter NDA)
Ein Aufzughersteller, umgesetzt in Partnerschaft mit einem IoT-Hardwareunternehmen. Der Hersteller steht unter NDA und wird deshalb hier nicht genannt.
- Branche
- Fertigung
- Anwendungsfall
- Erkennung von Position und Betriebszustand
- KI-Ansatz
- Clustering mit eigener Domänenlogik
- Daten
- IoT-Sensordaten, minimaler Sensorsatz
- Rahmenbedingung
- Begrenzte Konnektivität, offline-fähig
- Ziel
- Grundlage für Predictive Maintenance
Kurz gefasst
Drei Bedingungen, die den naheliegenden Weg ausschlossen
- Aufzüge wurden nach festen Zeitplänen gewartet, unabhängig vom tatsächlichen Zustand. Der Hersteller wollte den Service nur noch schicken, wenn er gebraucht wird.
- Das beginnt mit einem schwierigen technischen Problem, und es kam mit drei Bedingungen. Ein Aufzugsschacht wirkt wie ein Faraday-Käfig und stört die Funkverbindung, Cloud-Verbindungen brechen unvorhersehbar ab.
- Der Sensorsatz musste minimal bleiben, weil Tausende Anlagen aufwendig nachzurüsten wirtschaftlich nicht tragbar ist.
- Und es gab keine beschrifteten Trainingsdaten, also mussten die Modelle die Muster direkt aus den rohen Sensorwerten lernen.
Die Ausgangslage
Die Aufgabe
Der Hersteller hatte keine automatische Möglichkeit zu wissen, was seine Aufzüge im Feld tun. Einzige Informationsquelle war die manuelle Inspektion, aufwendig, selten und reaktiv, und das physische Umfeld machte schon die einfache Verbindung schwierig.
Aufzüge wurden traditionell nach festem Zeitplan gewartet: Techniker prüfen die Anlagen in festen Abständen, egal in welchem Zustand sie sind. Der Hersteller wollte zu Predictive Maintenance übergehen, mit Echtzeitdaten Auffälligkeiten früh erkennen und den Service nur bei Bedarf schicken. Über große Gebäudeportfolios heißt das weniger unnötige Einsätze, weniger Stillstand und niedrigere Kosten.
Der erste Schritt war, Position und Betriebszustand eines Aufzugs zuverlässig aus Sensordaten zu bestimmen, und die Bedingungen waren hart. Aufzugsschächte erzeugen einen Faraday-Käfig-Effekt, der die Funkverbindung stört, und Cloud-Verbindungen brechen unvorhersehbar ab oder verzögern sich.
Die Lösung musste mit minimaler Sensorik auskommen, um wirtschaftlich auf Tausende Anlagen skalierbar zu bleiben. Und es gab keine beschrifteten Trainingsdaten: Das System musste die Muster aus rohen Messwerten selbst lernen.
Der Bau
Was wir gebaut haben
Neben einem IoT-Partner, der Hardware und Geräteentwicklung verantwortete, haben wir die Daten- und Intelligenzschicht übernommen: aus rohen Sensorsignalen Informationen machen, mit denen jemand arbeiten kann.
Zuerst festlegen, was erfasst wird
Wir haben die Datenerfassung von Grund auf konzipiert: was aufgezeichnet wird, wie es strukturiert ist und wie verrauschte Sensordaten zu brauchbaren Datensätzen werden. Dazu gehörte der Umgang mit den Lücken und Verzögerungen, die eine wacklige Verbindung im Schacht erzeugt.
Position und Zustand, ohne Beschriftung
Clustering-Verfahren, ergänzt um eigene Domänenlogik, bestimmen das aktuelle Stockwerk und den Betriebszustand, Fahrt aufwärts, Fahrt abwärts, Stillstand, Tür offen, Tür geschlossen, aus minimalen Eingaben. Weil es keine Ground Truth gab, lernen die Verfahren die Muster direkt aus den Daten.
Es arbeitet weiter, wenn die Verbindung abreißt
Die Architektur verarbeitet und speichert lokal, solange keine Cloud-Verbindung besteht, und synchronisiert, sobald sie zurück ist. Im echten Einsatz, wo Schächte Funksignale regelmäßig blockieren, würde alles andere am ersten Tag versagen.
Wenige Sensoren, damit es für die ganze Flotte reicht
Der Ansatz ist auf möglichst wenige Sensoren pro Aufzug ausgelegt, denn jede Anlage einer großen Flotte aufwendig nachzurüsten, rechnet sich nicht. Wir haben gezeigt, dass sich aus einem bewusst begrenzten Sensorsatz aussagekräftige Betriebsinformationen gewinnen lassen, und genau das macht den flottenweiten Einsatz möglich.
Was sich geändert hat
Das Ergebnis
Vorher
Kein automatischer Einblick in den Aufzugsstatus. Wartung nach Zeitplan, reaktive Serviceeinsätze und keinerlei Dateninfrastruktur.
Nachher
Automatische Erkennung von Position und Zustand aus Sensordaten, eine offline-fähige Architektur, ein minimaler Sensorsatz und die Grundlage für Predictive Maintenance.
Das Projekt lieferte die Infrastruktur für Erfassung, Verarbeitung und maschinelles Lernen, um das Verhalten von Aufzügen im Feld zu verstehen, also die Schicht, auf der Predictive Maintenance aufsetzt.
Der Hersteller hat einen automatischen Einblick in den Betrieb, den es bis dahin nur über eine manuelle Inspektion gab.
Verwertbare Informationen aus minimaler Sensorik zu gewinnen, bei wackliger Verbindung und ohne beschriftete Trainingsdaten, ist Arbeit unter echten industriellen Bedingungen statt im Labor.
Fragen zu diesem Projekt
Erkennung von Position und Betriebszustand. Der Hersteller hatte keine automatische Möglichkeit zu wissen, was seine Aufzüge im Feld tun. Einzige Informationsquelle war die manuelle Inspektion, aufwendig, selten und reaktiv, und das physische Umfeld machte schon die einfache Verbindung schwierig.
So wenige Sensoren wie möglich, damit die ganze Flotte bezahlbar bleibt: Minimal. Funktioniert ohne Verbindung, im Faraday-Käfig des Schachts: Offline. Clustering mit eigener Logik für Zustand und Position: ML. Die Grundlage für Predictive Maintenance im großen Maßstab: PdM.
Clustering mit eigener Domänenlogik. Eingesetzte Technik: Machine Learning, Erweitertes Clustering, IoT-Sensordaten, Offline-Architektur, Datenpipeline-Design, Unüberwachtes Lernen, Predictive Maintenance.
Eingesetzte Technik
Sprechen Sie mit dem Team dahinter
theBlue.ai meldet sich innerhalb eines Werktags.
Weitere Referenzen
Energie und Gebäudetechnik · IoT
Sensordaten, die gesammelt und nie ausgewertet wurden
Mehr lesen
Automotive · Beratung für vorausschauende Wartung
Nach Plan gewartet, ohne Vorwarnung ausgefallen
Mehr lesen
IoT · Computer Vision und Edge-KI