SmartMaint

Predictive Maintenance trifft Mittelstand

Produktionsausfälle, hohe Instandhaltungskosten, Fachkräftemangel: Der Mittelstand steht zunehmend unter Druck. Gleichzeitig wächst die Menge an Daten, die moderne Maschinen täglich erzeugen – oft unstrukturiert, verstreut und ungenutzt. Standardisierte Industrie-4.0-Lösungen versprechen viel, sind aber meist für Großunternehmen gemacht oder setzen homogene Maschinenparks voraus.

Unsere Erfahrung zeigt: Der Mittelstand braucht individuelle Lösungen, die sich nahtlos in bestehende Infrastruktur einfügen. Retrofit ist gut – aber nur dann, wenn auch die Software mitdenkt.

Mit SmartMaint haben wir ein System entwickelt, das historische Logdaten unseres Kunden analysiert, Muster erkennt und vorausschauende Wartung ermöglicht. Die Lösung ist kein Produkt von der Stange, sondern ein individuell entwickelter Baustein, zugeschnitten auf reale Maschinen, reale Daten und reale Herausforderungen.

Die Herausforderung – Wenn Wartung zum Glücksspiel wird

Viele mittelständische Maschinenbauer setzen auf vorbeugende Wartung, oft basierend auf festen Intervallen – unabhängig davon, wie intensiv eine Maschine tatsächlich genutzt wurde. Die Folge: Entweder wird zu früh gewartet, was Ressourcen bindet, oder zu spät – was zu ungeplanten Ausfällen führt.

Dabei liegen die Daten für eine intelligentere Lösung bereits vor: Maschinensteuerungen und Sensoren erzeugen kontinuierlich Logdaten, die Informationen zu Temperaturen, Drehzahlen, Vibrationen oder Fehlermeldungen enthalten. Doch diese Daten werden selten genutzt, weil:

• sie in unterschiedlichen Formaten vorliegen
• sie nicht zentral gespeichert oder aggregiert werden,
• die Interpretation technisches Spezialwissen verlangt,
• es keine flexible Schnittstelle zur Analyse gibt.

Zudem ist die Realität im Mittelstand oft heterogen: Unterschiedliche Maschinentypen, Baujahre, Steuerungssysteme und Hersteller erschweren die Integration. Eine universelle Lösung gibt es in den seltensten Fällen – und genau deshalb wird SmartMaint immer spezifisch an die jeweilige Umgebung angepasst.

Eine lernende KI für die Werkshalle

SmartMaint ist eine modular aufgebaute, individuell entwickelte KI-Lösung zur vorausschauenden Wartung. Sie arbeitet mit Logdaten aus Maschinensteuerungen, analysiert historische Betriebsdaten und erkennt Muster, die auf bevorstehende Wartungsbedarfe hinweisen.

Zentrale Komponenten:

• Datenerfassung: Maschinendaten werden über MQTT, REST oder individuell entwickelte Parser ausgelesen. Wo keine digitale Schnittstelle vorhanden ist, helfen Dateiexporte oder manuelle Uploads.
• Mustererkennung: Ein trainiertes Machine-Learning-Modell analysiert Langzeitverläufe und erkennt Abweichungen von normalen Betriebszuständen – z. B. zunehmende Vibrationen, Überhitzungen oder ungewöhnliche Zykluszeiten.
• Alarmierung: Bei Auffälligkeiten wird automatisiert eine E-Mail an die Instandhaltungsleitung versendet – inklusive Kontextdaten und Empfehlungen.
• Dashboards: Ein webbasiertes Monitoring-Interface ermöglicht Einblick in Maschinendaten, erkannte Muster und Historien – individuell pro Standort oder Maschinentyp filterbar.
• Modellpflege: Über manuelle Rückmeldungen lernt das System nach einem Re-Training kontinuierlich dazu. Falsch-positive Alarme können markiert und analysiert werden.

Die gesamte Lösung wurde projektspezifisch entwickelt – sowohl hinsichtlich der Datenquellen als auch der Analyse- und Visualisierungskomponenten. SmartMaint ist keine Plug-and-Play-Software, sondern ein kundenspezifischer Entwicklungsansatz.

Schnittstellenvielfalt & individuelle Anpassung

Ein zentrales Thema bei jedem Predictive-Maintenance-Projekt ist die Anbindung an Maschinen. Anders als bei großen Konzernen, in denen komplette Fertigungslinien von einem Hersteller stammen, ist der Maschinenpark im Mittelstand meist historisch gewachsen:

• unterschiedliche Baujahre und Softwarestände,
• fehlende oder proprietäre Schnittstellen,
• uneinheitliche Datenformate,
• kein zentrales Leitsystem

Statt bis irgendwann auf Standardisierung zu warten, setzen wir jetzt auf zielgerichtete Individualisierung. Für unseren Kunden wurde eine eigene Datenadapter-Schicht entwickelt, die bestehende Schnittstellen nutzt, ergänzt oder simuliert. Je Maschinentyp wird eine Instanz der KI individuell trainiert (abhängig vom Standard der Messdaten). Diese Flexibilität ist essenziell – denn jede Maschine bringt neue technische Gegebenheiten mit sich. SmartMaint ist daher ein individualiserter Lösungsansatz, kein fertiges Produkt.

Trainingsdaten – warum historische Betriebsdaten der Schlüssel sind

Damit SmartMaint zuverlässige Aussagen treffen kann, benötigt es Trainingsdaten. Im Unterschied zu vielen generischen Lösungen basiert unsere KI auf den historischen Logdaten des Kunden selbst – teilweise ergänzt durch synthetische Daten, um seltene Fehlerfälle zu simulieren. Vorgehensweise:

• Datenanalyse: Zunächst werden historische Logdaten aggregiert und strukturiert. Hierbei kommt ein Parser-Toolkit zum Einsatz, das unterschiedliche Formate vereinheitlicht.
• Feature Engineering: Relevante Kennzahlen (Features) werden extrahiert – etwa Durchschnittstemperaturen, Fehlermeldungs-Häufigkeiten oder Spindellaufzeiten.
• Labeling: In enger Abstimmung mit dem Kunden werden bekannte Ausfälle, Wartungen oder Anomalien markiert. Diese Labels dienen als Trainingsbasis für das Modell.
• Modelltraining: Ein Machine-Learning-Modell (Gradient Boosting + Regelbasiertes System) wird auf diese Daten trainiert und mit zusätzlichen, künstlich generierten Störfällen angereichert.
• Evaluation & Iteration: Die Trefferquote wird laufend evaluiert und bei Bedarf optimiert. Das Ergebnis: Ein robustes, nachvollziehbares Modell, das mit dem Maschinenpark wächst – individuell an jede Produktionsumgebung angepasst.

SmartMaint im Einsatz

Unser Kunde im süddeutschen Raum produziert Spezialteile für die Automobilzulieferindustrie. Der Maschinenpark umfasst CNC-Bearbeitungszentren, Fräsen und mehrere Sondermaschinen.

Ausgangslage:

• 15 % Produktionsausfall durch ungeplante Stillstände
• Wartung nach Intervall, oft zu früh oder zu spät
• Instandhaltungsteam unterbesetzt, keine zentrale Datenhaltung

Projektverlauf:

• Bestandsaufnahme: Analyse der vorhandenen Maschinendaten, Erfassung von Datenquellen, Gespräche mit Instandhaltung.
• Pilotintegration: Anbindung von 3 CNC-Maschinen über bestehende Logdateien. Entwicklung eines individuellen Datenparsers.
• Modelltraining: Nutzung von 36 Monaten Betriebsdaten als Trainingsbasis, manuelles Labeling von Ausfällen.
• Rollout: MVP Plattform auf Laravel Basis. Integration in E-Mail-System für Alarmierung, sowie eines Dashboards.

Ergebnisse nach 6 Monaten (3 Monate Testlauf + anschließendes Retraining):

• 35 % weniger ungeplante Ausfälle
• Frühwarnung bei Vibrationserhöhungen an zwei Maschinen
• Weniger Wartungszyklen ohne Risikoerhöhung
• Höhere Transparenz für Produktions- und Instandhaltungsleitung

Fazit:

Ohne smarte Logik keine smarte Produktion. Predictive Maintenance ist kein Buzzword – sondern ein konkreter Hebel zur Steigerung der Produktionssicherheit und Effizienz. Doch gerade im Mittelstand braucht es keine großen Plattformversprechen, sondern realitätsnahe, individuelle Lösungen. SmartMaint zeigt: Wer vorhandene Maschinendaten systematisch nutzt, kann Wartung neu denken – datenbasiert, vorausschauend und ressourcenschonend. Die größte Hürde ist nicht die Technik – sondern das Denken in starren Wartungsplänen.