Wie Sensordaten aus der Fabrik zu verwertbaren Erkenntnissen werden

Moderne Fabriken erzeugen eine außergewöhnlich große Menge an Sensordaten. Optoelektronische Sensoren erkennen Produkte, Encoder erfassen Bewegungen, Kameras prüfen Oberflächen und Vibrationssensoren überwachen rotierende Anlagen. Temperatur, Druck, Abstand, Drehmoment, Geschwindigkeit, Position und akustische Messwerte fließen kontinuierlich durch Produktionssysteme.

Dennoch nutzen viele Anlagen nur einen kleinen Teil dieser Informationen. Ein Sensor ändert seinen Zustand, die speicherprogrammierbare Steuerung reagiert, und die ursprüngliche Messung verschwindet im nächsten Maschinenzyklus. Das Signal erfüllt seine unmittelbare Steuerungsaufgabe, doch sein weitergehender betrieblicher Wert bleibt ungenutzt.

Diese Lücke stellt eine der wichtigsten Chancen in der modernen Fertigung dar. Produktionsstätten sind beim Erfassen von Signalen sehr leistungsfähig geworden, doch viele sind weiterhin weniger effektiv darin, diese Signale in Erkenntnisse für die Instandhaltung, Qualitätsanalysen, Prozessverbesserungen und Managemententscheidungen umzuwandeln.

Die Herausforderung besteht nicht einfach darin, mehr Sensoren zu installieren. Es geht darum, einen zuverlässigen Weg von der physischen Messung zur betrieblichen Maßnahme zu schaffen. Dieser Weg umfasst mehrere technische Ebenen, darunter Feldgeräte, Maschinensteuerung, industrielle Netzwerke, Edge-Verarbeitung, Datenspeicherung, Analysesoftware und Unternehmenssysteme.

Abbildung 1. Moderne Produktionssysteme erzeugen umfangreiche Betriebsdaten, von denen jedoch ein großer Teil nicht über die grundlegende Maschinensteuerung hinausgeht.

Das Verständnis des Zusammenspiels dieser Ebenen hilft Herstellern, isolierte Pilotprojekte und fragmentierte Datenplattformen zu vermeiden. Es verhindert außerdem einen häufigen Fehler: jede verfügbare Messung an eine zentrale Datenbank zu senden, ohne zunächst festzulegen, wie die Informationen die Produktion unterstützen sollen.

Eine praxisnahe Strategie für Sensordaten beginnt an der Maschine, führt über das Netzwerk und endet bei nutzbaren Betriebsanalysen. Jede Ebene erfüllt einen anderen Zweck. Jede hat außerdem eigene zeitliche Anforderungen, technische Einschränkungen und Ausfallrisiken.

Der Unterschied zwischen einem Signal und betrieblichen Informationen

Ein Sensorsignal wird erst dann zu nützlicher Information, wenn das System Kontext hinzufügt. Ein Rohwert von 68 bedeutet ohne Einheit, Zeitstempel, Anlagenidentität, Betriebszustand, Messbereich und Prozessreferenz wenig.

Der Wert könnte 68 Grad Celsius, 68 Millimeter, 68 Prozent Motorlast oder 68 Mikrometer Verschiebung darstellen. Selbst wenn die technische Einheit bekannt ist, kann die Messung ohne Kenntnis dessen, was die Maschine gerade getan hat, schwer zu interpretieren sein.

Der Kontext unterscheidet eine Prozessanomalie vom Normalbetrieb. Ein Anstieg der Vibration während der Beschleunigung kann erwartbar sein. Derselbe Anstieg bei konstanter Geschwindigkeit könnte auf Unwucht, Lockerheit, Fehlausrichtung, Lagerverschleiß oder eine externe mechanische Störung hindeuten.

Auch der Produktionszustand ist wichtig. Ein während der Reinigung, Einrichtung, Aufwärmphase, im Leerlauf und bei voller Produktionsleistung aufgezeichneter Druck kann nicht immer anhand desselben Grenzwerts bewertet werden. Analysen, die den Betriebszustand ignorieren, erzeugen häufig Fehlalarme.

Aus diesem Grund erfordert die Betriebsanalyse mehr als historische Trenddarstellungen. Das System muss Messwerte mit dem Maschinenmodus, dem Produktrezept, dem Produktionsauftrag, der Materialcharge, der Bedieneraktion, der Wartungshistorie und den Umgebungsbedingungen verknüpfen.

Der Übergang vom Signal zur Information lässt sich als Abfolge betrachten. Zunächst erkennt der Sensor einen physischen Zustand. Anschließend interpretiert die Steuerung diesen Zustand innerhalb einer Steuerroutine. Ein Netzwerk transportiert die Daten, ein Edge-Gerät strukturiert sie, und eine Analyseplattform bewertet sie im Zeitverlauf.

In der letzten Phase sollte die Messung eine konkrete Entscheidung unterstützen. Dabei kann es darum gehen, eine Maschine anzuhalten, einen Sollwert anzupassen, eine Inspektion zu planen, ein Werkzeug zu wechseln, ein Produkt auszusondern oder ein Wartungsintervall zu ändern.

Ohne diesen Entscheidungsweg kann die Datenerfassung zu einer kostspieligen Speicherübung werden. Erfolgreiche Projekte beginnen daher mit betrieblichen Fragen statt mit Technologiekäufen.

Daten auf Maschinenebene haben weiterhin die höchste zeitliche Priorität

Auf der Maschinenebene wirkt sich die Sensordaten erstmals auf die Produktion aus. Ihre wichtigste Aufgabe ist ein deterministischer Betrieb. Ein Steuerungssystem muss Eingänge lesen, Logik ausführen und Ausgänge innerhalb eines vorhersehbaren Zeitraums aktualisieren.

Auf dieser Ebene bleiben grundlegende Sensorprodukte unverzichtbar. Optoelektronische Sensoren bestätigen das Vorhandensein eines Produkts. Induktive Sensoren erkennen metallische Ziele. Encoder liefern Rückmeldungen zu Position und Geschwindigkeit. Druckmessumformer überwachen pneumatische und hydraulische Systeme. Kameras prüfen Komponenten und steuern Roboterbewegungen.

Diese Geräte wandeln physische Ereignisse in elektrische oder digitale Informationen um, die Maschinen interpretieren können. Ihr unmittelbarer Zweck ist meist unkompliziert: eine Bedingung überprüfen und die richtige Reaktion auslösen.

Ein Encoder kann anzeigen, dass ein Förderband seine vorgegebene Position erreicht hat. Die Steuerung stoppt dann den Antrieb oder startet die nächste Sequenz. Eine Kamera kann eine fehlerhafte Verpackung erkennen und mehrere Stationen später einen Ausschleusmechanismus auslösen.

Ein Näherungssensor kann bestätigen, dass ein Zylinder seinen Hub beendet hat. Ein Druckschalter kann den Maschinenbetrieb verhindern, wenn der Versorgungsdruck unter einen sicheren Schwellenwert fällt. Ein Sicherheitssensor kann das Bewegungsmoment abschalten, wenn eine Bedienperson einen geschützten Bereich betritt.

Diese Aufgaben hängen von einer schnellen und zuverlässigen Datenverarbeitung ab. Sie können nicht auf eine Cloud-Plattform oder eine Unternehmensdatenbank warten. Steuerungsverriegelungen, Bewegungsregelkreise und Maschinenschutzfunktionen müssen lokal im Automatisierungssystem verbleiben.

Diese Trennung ist entscheidend. Analysen können die Steuerung beraten, sollten jedoch keine unvorhersehbaren Netzwerkverzögerungen in zeitkritische Maschinenfunktionen einführen. Die schnellsten Schutz- und Steuerungsentscheidungen gehören in die Nähe der Ausrüstung.

Hersteller sollten daher nicht alle Sensordaten gleich behandeln. Einige Daten steuern Maschinen innerhalb von Millisekunden. Andere Daten unterstützen Instandhaltungsentscheidungen über Tage oder Wochen. Die Architektur sollte diese unterschiedlichen Zeithorizonte widerspiegeln.

Auch die Maschinenebene bestimmt die Datenqualität. Falsche Skalierung, instabile Verdrahtung, mangelhafte Befestigung, ungeeignete Abtastraten und uneinheitliche Gerätekonfigurationen beeinträchtigen jede übergeordnete Analyseschicht.

Keine Softwareplattform kann unzuverlässige Feldmessungen vollständig ausgleichen. Bevor Ingenieure Dashboards erstellen, müssen sie bestätigen, dass Sensoren richtig ausgewählt, installiert, kalibriert und gewartet werden.

Einfache Sensoren enthalten oft mehr Informationen, als die SPS nutzt

Herkömmliche Steuerungsprogramme reduzieren einen Sensor häufig auf eine boolesche Bedingung. Das Gerät ist dann entweder ein- oder ausgeschaltet, vorhanden oder nicht vorhanden, akzeptabel oder fehlerhaft.

Dieser Ansatz eignet sich für viele Maschinenabläufe, kann jedoch zusätzliche Informationen verbergen. Ein Abstandssensor kann eine kontinuierliche Messung liefern, auch wenn die SPS nur einen Schaltschwellenwert verwendet. Ein intelligenter fotoelektrischer Sensor kann Signalstärke, Verschmutzungsgrad, Betriebstemperatur und Diagnosestatus melden.

Ein Encoder kann die Position für die Steuerung liefern und gleichzeitig Daten zu Drehzahlschwankung, Beschleunigung, Richtung und Synchronisierung erzeugen. Ein Bildverarbeitungssystem kann ein Gut-oder-Schlecht-Ergebnis ausgeben und zugleich Messwerte zu Abmessungen, Kontrast, Ausrichtung, Codequalität oder Fehlerposition erfassen.

Die ungenutzten Informationen können allmähliche Prozessveränderungen sichtbar machen. Eine abnehmende optische Signalstärke kann auf eine Verschmutzung der Linse hindeuten. Eine zunehmende Verfahrzeit eines Aktors kann auf Luftleckagen, Reibung oder mechanisches Klemmen schließen lassen. Ein steigender Motorstrom während einer wiederholten Bewegung kann auf Lastveränderungen oder Komponentenverschleiß hindeuten.

Diese Muster lösen selten sofort einen Fehler aus. Sie können jedoch frühzeitig auf eine Verschlechterung hinweisen. Entscheidend ist, die Messung zu erhalten, bevor das Steuerungsprogramm sie zu einem einfachen Statusbit verdichtet.

Maschinenbauer können dieses Ziel unterstützen, indem sie wiederverwendbare Datenstrukturen entwickeln. Für jede wichtige Anlage sollten definierte Tags für Betriebszustand, Befehl, Rückmeldung, Zykluszähler, Alarmstatus, Prozesswert, Diagnosezustand und Datenqualität vorhanden sein.

Auch eine einheitliche Benennung ist wichtig. Daten lassen sich nur schwer vergleichen, wenn eine Linie „Motor_Spd“, eine andere „DriveSpeed“ und eine dritte „ConveyorRPM“ für dasselbe Konzept verwendet.

Ein standardisiertes Anlagenmodell reduziert den Integrationsaufwand. Es hilft außerdem den Teams für Instandhaltung, Betrieb und Analytik, Daten zu interpretieren, ohne jedes SPS-Programm rückentwickeln zu müssen.

Bildgebungs- und Encoderdaten können über die unmittelbare Steuerung hinausgehen

Industriekameras und Drehgeber veranschaulichen den Unterschied zwischen Steuerungsdaten und Analysedaten besonders gut. Beide Geräte unterstützen unmittelbare Maschinenfunktionen und können zugleich wertvolle historische Nachweise liefern.

Eine 2D- oder 3D-Kamera kann Geometrie, Farbe, Kontrast, Oberflächenbeschaffenheit, Ausrichtung und Codeinformationen erfassen. Das Steuerungssystem benötigt möglicherweise nur ein Gut-oder-Schlecht-Ergebnis. Qualitätsingenieure benötigen möglicherweise deutlich mehr.

Historische Prüfdaten können zeigen, ob sich Fehlerquoten nach Schicht, Lieferantencharge, Werkzeugnest, Produktionsgeschwindigkeit oder Umgebungsbedingungen verändern. Fehlerbilder können die Ursachenanalyse unterstützen und dabei helfen, Erkennungsalgorithmen zu verbessern.

Anstatt jedes hochauflösende Bild dauerhaft aufzuzeichnen, können Anlagen ausgewählte Belege speichern. Beispiele sind Bilder zurückgewiesener Produkte, Bilder nahe den Toleranzgrenzen, regelmäßige Referenzbilder oder berechnete Prüfmerkmale.

Drehgeber bieten ähnliche Möglichkeiten. Ihr Hauptzweck ist die genaue Rückmeldung von Position und Geschwindigkeit. Historische Bewegungsdaten können jedoch sich entwickelnde mechanische Probleme sichtbar machen.

Wiederholte Veränderungen des Positionsfehlers können auf eine gelängte Riemenverbindung, eine Bewegung der Kupplung, Umkehrspiel oder Lastschwankungen hindeuten. Eine zunehmende Einschwingzeit kann auf Reibung oder eine verschlechterte Servoregelung hindeuten. Kurzzeitige Geschwindigkeitsstörungen können gelegentlichen Produktkontakt oder mechanische Interferenzen sichtbar machen.

Abbildung 2. Maschinensensoren können sowohl eine unmittelbare Steuerung unterstützen als auch Veränderungen bei Last, Genauigkeit, Verschleiß und Prozessstabilität sichtbar machen.

Für diese analytischen Anwendungen sind geeignete Strategien zur Abtastung und Speicherung erforderlich. Die Aufzeichnung eines einzelnen Durchschnittswerts pro Stunde macht eine kurze Bewegungsstörung nicht sichtbar. Eine dauerhafte Aufzeichnung im Mikrosekundenabstand erzeugt unnötigen Speicher- und Netzwerkbedarf.

Die geeignete Abtastrate hängt vom physikalischen Ereignis ab. Eine langsame Temperaturdrift kann eine Messung alle paar Sekunden erfordern. Für Bewegungsanalysen kann eine deutlich schnellere Erfassung nötig sein. Die Schwingungsüberwachung kann Wellenformdaten und eine Verarbeitung im Frequenzbereich erfordern.

Konstruktionsteams sollten Abtastraten entsprechend den Ausfallarten und dem Prozessverhalten auswählen. Mehr Messwerte liefern nicht automatisch bessere Erkenntnisse.

Reaktive Eingaben in Zustandsindikatoren umwandeln

Analysen auf Maschinenebene beginnen häufig damit, aus den im Steuerungssystem bereits verfügbaren Daten Zustandsindikatoren zu erstellen. Diese Indikatoren fassen das Verhalten zusammen, ohne die ursprüngliche Steuerungsfunktion zu ersetzen.

Betrachten wir einen Pneumatikzylinder. Die SPS erfasst bereits, wann das Ausgangsmagnetventil aktiviert wird und wann der Endpositionssensor seinen Zustand ändert. Die Differenz zwischen diesen Zeitstempeln entspricht der Hubzeit.

Die Verfolgung der Hubzeit über Tausende von Zyklen kann eine allmähliche Verschlechterung sichtbar machen. Eine längere Ausfahrzeit kann auf niedrigen Druck, eine Durchflussbeschränkung, Dichtungsverschleiß, Verschmutzung, eine Fehljustierung oder zunehmenden mechanischen Widerstand hindeuten.

Dieselbe Methode gilt für Schütze, Ventile, Rundschalttische, Spannvorrichtungen, Türen, Hubwerke und Transfermechanismen. Viele Maschinenkomponenten haben messbare Reaktionszeiten.

Auch die Variation von Zyklus zu Zyklus kann aufschlussreich sein. Eine durchschnittliche Hubzeit kann weiterhin akzeptabel bleiben, während ihre Streuung zunimmt. Eine zunehmende Streuung kann auf eine instabile Luftversorgung, uneinheitliche Beladung oder intermittierende mechanische Reibung hindeuten.

Motor- und Antriebsdaten stellen eine weitere zugängliche Quelle dar. Strom, Drehmoment, Drehzahlfehler, thermische Last, Betriebsstunden, Starts und Fehlerhistorie können bereits im Antrieb vorhanden sein.

Statt sofort einen zusätzlichen Sensor zu installieren, können Ingenieure zunächst die über das Antriebsnetzwerk verfügbaren Diagnosedaten untersuchen. Ein steigender Drehmomentbedarf während eines gleichbleibenden Maschinenbetriebs kann auf Verschleiß oder Produktwiderstand hindeuten.

Abgeleitete Indikatoren müssen jedoch sorgfältig interpretiert werden. Der Motorstrom identifiziert für sich genommen keinen bestimmten mechanischen Fehler. Er zeigt eine Laständerung an. Das Instandhaltungspersonal benötigt weiterhin Prozesskenntnisse und unterstützende Belege.

Gute Analysen grenzen die Untersuchung ein. Sie tun nicht so, als würde ein einziges Signal jeden Fehler erklären.

Edge-Verarbeitung verhindert, dass das Netzwerk zu einer Datenhalde wird

Da Maschinen immer umfangreichere Daten erzeugen, wird Edge-Verarbeitung zunehmend wertvoll. Ein Edge-Gerät verarbeitet Informationen nahe ihrer Quelle, bevor es ausgewählte Ergebnisse an übergeordnete Systeme weiterleitet.

Diese Anordnung reduziert die Bandbreite, verbessert die Reaktionszeit und begrenzt unnötige Speicherung. Außerdem können lokale Analysen fortgesetzt werden, wenn keine Verbindung zum Unternehmensnetz verfügbar ist.

Edge-Verarbeitung kann Filterung, Aggregation, Normalisierung, Komprimierung, Ereigniserkennung, Protokollkonvertierung und lokale Visualisierung übernehmen. Sie kann Mittelwerte, Standardabweichungen, Änderungsraten, Zykluszeiten, Energie pro Einheit oder Zustandsindikatoren berechnen.

Bei der Schwingungsüberwachung kann ein Edge-Prozessor Hochgeschwindigkeits-Wellenformdaten in Gesamtschwingung, Spitzenwerte, Frequenzbänder und Diagnosemerkmale umwandeln. Nur bedeutende Ereignisse oder zusammengefasste Trends müssen das Maschinennetzwerk verlassen.

Bei einer Bildverarbeitungsanwendung kann die Edge-Schicht abgelehnte Bilder speichern und gleichzeitig Fehlerkategorien und Messwerte übertragen. Bei einem Encoder kann sie Positionsabweichung und Zykluswiederholbarkeit berechnen, anstatt jeden Impuls weiterzuleiten.

Dieser Ansatz hält die Rohdaten dort verfügbar, wo sie unmittelbar wertvoll sind, und verteilt gleichzeitig aussagekräftige Merkmale an andere Systeme.

Die Logik am Edge sollte transparent und wartbar bleiben. Verborgene Berechnungen innerhalb eines nicht dokumentierten Gateways können langfristig zu Supportproblemen führen. Für jeden abgeleiteten Wert benötigen Ingenieure klare Definitionen, einschließlich Einheiten, Aktualisierungsraten, Grenzwerten und Rücksetzbedingungen.

Die Edge-Ebene muss außerdem ungültige Daten verarbeiten. Ein getrennter Sensor, ein veralteter Wert, eine Kommunikationszeitüberschreitung oder eine Messung außerhalb des zulässigen Bereichs darf nicht als legitimer Nullwert erscheinen.

Datenqualitätskennzeichnungen helfen nachgelagerten Anwendungen, tatsächliche Prozessbedingungen von Instrumentierungsfehlern zu unterscheiden. Ohne diese Kennzeichnungen lernen Analysen möglicherweise aus verfälschten Daten und liefern irreführende Schlussfolgerungen.

Die Netzwerkebene verbindet Geräte, ohne den Prozess zu steuern

Die Vernetzungsebene transportiert Informationen zwischen Sensoren, Steuerungen, Edge-Geräten, übergeordneten Systemen, Historian-Systemen und Unternehmensanwendungen. Ihr Zweck geht über die Übertragung von Datenpaketen hinaus. Sie muss Timing, Identität, Qualität und Sicherheit bewahren.

Moderne Anlagen verwenden selten nur einen Kommunikationsstandard. Eine einzelne Anlage kann diskrete Verdrahtung, Analogsignale, IO-Link, Ethernet-basierte Industrieprotokolle, serielle Netzwerke, Feldbussysteme, drahtlose Geräte und herstellerspezifische Schnittstellen kombinieren.

Diese Heterogenität spiegelt jahrzehntelange Investitionen in die Ausrüstung wider. Neue Analyseprojekte müssen in der Regel moderne Geräte mit älteren Maschinen verbinden, anstatt eine gesamte Anlagenarchitektur zu ersetzen.

Gateway- und Machine-Geräte für die Sensorintegration bewältigen einen Teil dieser Herausforderung. Ein Gateway kann Informationen von mehreren Sensoren sammeln und sie über ein übergeordnetes Industrieprotokoll bereitstellen.

Ein IO-Link-Master ermöglicht beispielsweise kompatiblen Sensoren, Prozesswerte, Parameter, Identifikationsdaten und Diagnosen über standardisierte Punkt-zu-Punkt-Verbindungen auszutauschen.

Diese Funktion vereinfacht den Austausch und die Konfiguration von Geräten. Statt jeden Ersatzsensor manuell einzustellen, kann das Steuerungssystem oder der Master festgelegte Parameter wiederherstellen.

Geräte für die Sensorintegration bieten lokale Rechenfunktionen. Sie können Daten von mehreren Sensortypen erfassen, die Informationen verarbeiten und sie Softwareplattformen oder industriellen Anwendungen in einem einheitlichen Format bereitstellen.

Diese Geräte fungieren als Aggregatoren, Protokollbrücken und Edge-Computer. Ihr Nutzen steigt, wenn sie die Integrationskomplexität verringern, anstatt eine weitere isolierte Datensinsel zu schaffen.

Anlagen, die diese Ebene erweitern, können geeignete Komponenten für industrielle Kommunikation und Vernetzung prüfen, wenn sie Gateways, dezentrale Geräte, Steuerungen und übergeordnete Systeme über verschiedene Automatisierungsplattformen hinweg integrieren.

IO-Link ergänzt Diagnosen, ohne die deterministische Steuerung zu ersetzen

IO-Link ist besonders nützlich, wenn Anlagen mehr Diagnoseinformationen von herkömmlichen Sensoren und Aktoren benötigen. Die einfache Punkt-zu-Punkt-Verbindung der Geräte bleibt erhalten, während eine digitale Kommunikation hinzukommt.

Die Steuerung kann den primären Prozesswert zusammen mit Geräteidentifikation und Zustandsinformationen empfangen. Je nach Gerät können die verfügbaren Daten Betriebstemperatur, Signalqualität, Verschmutzungswarnungen, Schaltzyklen, Konfigurationswerte und Diagnoseereignisse umfassen.

Diese zusätzlichen Informationen unterstützen die Wartung und eine schnellere Fehlersuche. Ein Techniker kann einen blockierten optischen Pfad schneller von einem ausgefallenen Gerät oder einem Verdrahtungsproblem unterscheiden.

Die Geräteidentifikation verringert außerdem Fehler beim Austausch. Das Wartungspersonal kann überprüfen, ob das installierte Modell der erforderlichen Konfiguration entspricht.

IO-Link erzeugt jedoch nicht automatisch nützliche Analysen. Anlagen benötigen weiterhin strukturierte Tags, Speicherungsrichtlinien, Alarmprioritäten und Wartungsabläufe.

Das Sammeln aller verfügbaren Diagnosebytes, ohne ihren Zweck festzulegen, kann die Entwicklungsteams überfordern. Das Projekt sollte ermitteln, welche Zustände auf eine Verschlechterung hinweisen, welche sofortiges Handeln erfordern und welche ausschließlich der Fehlersuche dienen.

Eine praktische Umsetzung kann mit einigen wenigen Geräten von hohem Wert beginnen. Sensoren, die Verunreinigungen, häufigen Justierungen, mechanischen Beschädigungen oder schwerem Zugang ausgesetzt sind, bieten oft den überzeugendsten Ausgangspunkt.

Ingenieure können dann Diagnosewarnungen mit den tatsächlichen Wartungsbefunden vergleichen. Diese Validierung zeigt, ob die Informationen nützliche Ereignisse vorhersagen oder lediglich zusätzliches Rauschen erzeugen.

Die Normalisierung von Daten ist wichtiger als die Protokollumwandlung

Die Verbindung von Geräten über ein gemeinsames Protokoll garantiert nicht, dass ihre Daten vergleichbar sind. Zwei Sensoren können erfolgreich kommunizieren und dennoch unterschiedliche Einheiten, Skalen, Benennungskonventionen, Statuscodes und Aktualisierungsraten verwenden.

Ein Temperaturmessgerät kann Grad Celsius als Gleitkommawert melden. Ein anderes überträgt eine Ganzzahl, die durch zehn geteilt werden muss. Ein drittes kann Fahrenheit liefern, sofern es nicht manuell konfiguriert wurde.

Die Normalisierung wandelt diese Unterschiede in einheitliche technische Darstellungen um. Außerdem legt sie gemeinsame Definitionen für Anlagenzustand, Alarmpriorität, Datenqualität und Messquelle fest.

Die Identität von Anlagenkomponenten erfordert besondere Aufmerksamkeit. Eine Datenbank muss zwischen einem physischen Sensor, seinem Einbauort, der von ihm überwachten Ausrüstung und dem Produktionsprozess, den diese Ausrüstung unterstützt, unterscheiden.

Ein Sensor kann ausgetauscht werden, während der Messort unverändert bleibt. Die historische Analyse sollte über den Austausch hinweg fortgeführt werden, doch die Wartungsaufzeichnungen sollten weiterhin das ursprüngliche und das Ersatzgerät eindeutig ausweisen.

Die zeitliche Synchronisierung ist ebenso wichtig. Daten von mehreren Steuerungen können nicht zuverlässig ausgewertet werden, wenn ihre Uhren erheblich voneinander abweichen. Sequenzanalysen, Ereignisrekonstruktionen und Ursache-Wirkungs-Analysen hängen von verlässlichen Zeitstempeln ab.

Anlagen sollten eine einheitliche Strategie zur Zeitsynchronisierung festlegen. Außerdem sollten sie dokumentieren, ob Zeitstempel am Sensor, in der Steuerung, im Gateway, auf dem Server oder in der Datenbank erzeugt werden.

Netzwerkverzögerungen können die Reihenfolge von Ereignissen beeinflussen. Ein Wert, der zuerst auf dem Server eintrifft, muss im Prozess nicht zuerst aufgetreten sein. Zeitstempel der Quelle helfen dabei, die tatsächliche Abfolge zu bewahren.

Abbildung 3. Daten auf Netzwerkebene werden wertvoll, wenn mehrere Geräte eine konsistente Zeitgebung, einen einheitlichen Kontext, eine einheitliche Benennung und Qualitätsinformationen gemeinsam nutzen.

Die Netzwerkkapazität muss dem Anwendungsfall der Daten folgen

Das Volumen der Sensordaten kann schnell zunehmen. Einige wenige Statusbits erzeugen minimalen Netzwerkverkehr. Mehrere hochauflösende Kameras, Schwingungsverläufe und schnelle Bewegungsmessungen stellen ganz andere Anforderungen.

Anlagen sollten das Datenvolumen vor der Inbetriebnahme berechnen. Die Berechnung sollte Abtastrate, Wertgröße, Geräteanzahl, Protokoll-Overhead, Aufbewahrungszeitraum, Redundanz und erwartetes Wachstum berücksichtigen.

Daten sollten außerdem nach ihrer Dringlichkeit klassifiziert werden. Ein Steuerbefehl hat andere zeitliche Anforderungen als ein wöchentlicher Wartungstrend. Werden beide ohne Segmentierung vermischt, können sowohl die Leistung als auch die Cybersicherheit gefährdet werden.

Das Design industrieller Netzwerke kann separate Zonen für Maschinensteuerung, übergeordnete Kommunikation, Historian-Erfassung, Engineering-Zugriff und die Integration in Unternehmenssysteme umfassen.

Managed Switches, Quality-of-Service-Steuerungen, Redundanz und Verkehrsüberwachung können die Zuverlässigkeit verbessern. Technologie ersetzt jedoch keine Dokumentation. Ingenieure benötigen weiterhin genaue Netzwerkpläne, Geräteverzeichnisse, Portzuordnungen, Firmwareaufzeichnungen und Sicherungskonfigurationen.

Anlagen sollten außerdem das Verhalten bei Kommunikationsverlust festlegen. Eine Maschine darf nicht unsicher werden, weil ein Analyseserver nicht verfügbar ist.

Die lokale Steuerung muss entsprechend der Maschinenauslegung fortgeführt werden. Gateways sollten Daten gegebenenfalls puffern, Kommunikationslücken kennzeichnen und die Synchronisierung nach der Wiederverbindung wiederherstellen.

Fehlende Daten müssen sichtbar bleiben. Das stille Auffüllen von Lücken mit vorherigen Werten kann falsche Trends erzeugen. Analyseanwendungen sollten zwischen einem stabilen Prozess und einem Zeitraum ohne gültige Messung unterscheiden.

Cybersicherheit beginnt mit der Begrenzung unnötiger Verbindungen

Jeder neue Datenpfad schafft potenzielle betriebliche und cybersicherheitsbezogene Konsequenzen. Die Verbindung eines Sensornetzwerks mit Unternehmenssoftware kann Geräte offenlegen, die zuvor isoliert waren.

Eine sichere Architektur nutzt Segmentierung, kontrollierte Schnittstellen, authentifizierten Zugriff, Berechtigungen nach dem Prinzip der geringsten Rechte und überwachte Kommunikationspfade.

Analyseplattformen benötigen in der Regel Lesezugriff, um Daten zu verarbeiten. Sie sollten nicht automatisch die Berechtigung erhalten, Steuerungslogik, Sensorparameter, Antriebseinstellungen oder Sicherheitsgrenzwerte zu ändern.

Der Schreibzugriff sollte eingeschränkt und begründet sein. Eine Empfehlungs-Engine kann eine Sollwertänderung vorschlagen, aber eine freigegebene Steuerungsebene sollte diese Änderung validieren und anwenden.

Der Fernwartungszugriff erfordert eine ebenso konsequente Vorgehensweise. Temporärer Zugriff, Multifaktor-Authentifizierung, Aktivitätsprotokollierung und klar definierte Genehmigungsverfahren verringern das Risiko.

Auch die Geräteverwaltung ist ein wichtiger Aspekt. Intelligente Sensoren und Gateways können Firmware, Weboberflächen, Zugangsdaten, Zertifikate und Konfigurationsdateien enthalten. Diese Komponenten erfordern eine Bestandsaufnahme und ein Lifecycle-Management.

Standardpasswörter und nicht verwaltete Firmware können ein ansonsten gut konzipiertes Analyseprojekt gefährden. Werke sollten Edge-Geräte und intelligente Sensoren in ihr Sicherheitsprogramm für die Betriebstechnik aufnehmen.

Sicherheit sollte nicht erst nach der Bereitstellung hinzugefügt werden. Netzwerkzonen, Datenflüsse, Benutzerrollen, Sicherungsmethoden und Wiederherstellungsverfahren sollten bereits bei der Architekturentwicklung definiert werden.

Die Unternehmensebene verknüpft Messwerte mit Geschäftsergebnissen

Die Ebene der unternehmensweiten Analysen wendet Sensordaten auf mehrere Maschinen, Produktionslinien oder Standorte an. Ihr Zweck besteht nicht einfach darin, mehr Dashboards anzuzeigen. Sie sollte das Anlagenverhalten mit messbaren betrieblichen Ergebnissen verknüpfen.

Beispiele sind die Verringerung von Stillstandszeiten, eine höhere Ausbeute, ein geringerer Energieverbrauch, eine längere Lebensdauer der Anlagen, weniger Arbeitsaufwand für die Wartung, eine schnellere Fehlersuche und stabilere Produktionsraten.

Auf dieser Ebene können Sensordaten mit Fertigungsleitsystemen, computergestützten Instandhaltungsmanagementsystemen, Qualitätsdatenbanken, Produktionsplänen, Lagerverwaltungssystemen und Enterprise-Resource-Planning-Plattformen kombiniert werden.

Der zusätzliche Kontext ermöglicht wertvollere Fragen. Statt zu fragen, ob ein Motor heiß läuft, kann das Unternehmen untersuchen, ob Temperaturanstiege mit Produkttyp, Produktionsgeschwindigkeit, Umgebungsbedingungen, Wartungshistorie oder Energieverbrauch korrelieren.

Statt zurückgewiesene Produkte zu zählen, können Analysten ermitteln, welche Fehlerkategorien nach Materialcharge, Maschinenrezeptur, Werkzeugzustand, Schicht oder Lieferant auftreten.

Unternehmensweite Analysen unterstützen auch den Vergleich ähnlicher Anlagen. In einem Werk können zwanzig vergleichbare Pumpen betrieben werden. Eine Pumpe könnte unter ähnlichen Betriebsbedingungen mehr Energie verbrauchen, stärker vibrieren oder häufiger gewartet werden müssen.

Dieser Vergleich kann Probleme aufdecken, die feste Alarmgrenzen übersehen. Die Pumpe kann unter ihrem Alarmschwellenwert bleiben und dennoch deutlich schlechter als vergleichbare Pumpen arbeiten.

Ein Vergleich setzt jedoch normalisierte Daten und einen präzisen Betriebskontext voraus. Anlagen sollten nicht bewertet werden, ohne Drehzahl, Last, Prozessmedium, Lastzyklus und Umgebungsbedingungen zu berücksichtigen.

Vorausschauende Wartung beginnt mit definierten Ausfallarten

Vorausschauende Wartung bleibt eine der häufigsten Anwendungen der Sensoranalyse. Gleichzeitig wird sie am häufigsten missverstanden.

Das Ziel besteht nicht darin, jeden Ausfall mit perfekter Genauigkeit vorherzusagen. Das praktische Ziel ist, eine bedeutsame Verschlechterung früh genug zu erkennen, um Wartungsentscheidungen zu verbessern.

Ein überzeugendes Projekt beginnt mit einem klar definierten Asset und Ausfallmodus. Ingenieure sollten ermitteln, wie das Bauteil ausfällt, welche physischen Veränderungen zuvor auftreten und welche Messungen diese Veränderungen erkennen können.

Bei einem Lager können Vibration, Temperatur, Drehzahl, Schmierzustand und Last wichtige Informationen liefern. Bei einem Filter kann der Differenzdruck der eindeutigste Indikator sein. Bei einem pneumatischen System können Druckabfall und Verfahrzeit des Stellglieds auf eine Leckage hindeuten.

Bei einer elektrischen Verbindung kann ein Temperaturanstieg unter Last auf einen zunehmenden Widerstand hindeuten. Bei einer Pumpe müssen möglicherweise Vibration, Druck, Durchfluss, Motorstrom und Prozessbedingungen gemeinsam bewertet werden.

Sobald der Ausfallmodus verstanden ist, kann das Team geeignete Merkmale und Grenzwerte auswählen. Das System kann feste Schwellenwerte, Änderungsraten, statistische Abweichungen, Vergleiche mit vergleichbaren Anlagen, Frequenzanalysen oder Machine-Learning-Modelle verwenden.

Einfache Methoden liefern oft überzeugende Ergebnisse. Eine klar definierte Trendgrenze kann nützlicher sein als ein komplexes Modell, das das Wartungspersonal nicht interpretieren kann.

Modelle sollten außerdem nachvollziehbare Entscheidungen unterstützen. Ein Wartungsteam handelt eher, wenn das System eine steigende Vibration bei einer bestimmten Frequenz und eine zunehmende Lagertemperatur erkennt.

Ein allgemeiner Zustandswert, der von 82 auf 74 fällt, bietet weniger diagnostischen Nutzen, solange die Einflussfaktoren nicht sichtbar sind.

Alarmmanagement entscheidet darüber, ob Analysen Vertrauen gewinnen

Ein Analysesystem verliert schnell an Glaubwürdigkeit, wenn es übermäßig viele Alarme erzeugt. Wartungsteams beginnen, Benachrichtigungen zu ignorieren, wenn die meisten keine Maßnahmen erfordern.

Jeder Alarm sollte daher eine definierte Bedeutung, Priorität, Zuständigkeit, Reaktion und Eskalationskette haben. Die Meldung sollte das Asset, den Zustand, die unterstützenden Hinweise und die empfohlene Inspektion nennen.

Alarme sollten außerdem den Prozesszustand berücksichtigen. Eine Warnung wegen zu geringer Durchflussmenge kann irrelevant sein, wenn die Maschine stillsteht. Ein hoher Vibrationspegel kann während eines kurzen Anlaufvorgangs erwartbar sein.

Persistenz- und Verzögerungslogik können Fehlalarme reduzieren. Verzögerungen dürfen jedoch keine sich schnell entwickelnden Ausfälle verbergen. Die richtige Konfiguration hängt vom Prozess und vom Risiko ab.

Anlagen sollten die Alarmleistung überwachen. Zu den nützlichen Kennzahlen gehören die Falschpositivrate, die Rate übersehener Ereignisse, die Reaktionszeit, bestätigte Befunde, vermiedene Ausfallzeiten und ausgelöste Wartungsmaßnahmen.

Das Feedback der Techniker ist unerlässlich. Nach der Inspektion sollte der Techniker festhalten, ob der Alarm einen tatsächlichen Zustand erkannt hat, welches Bauteil betroffen war und welche Maßnahme ergriffen wurde.

Dieses Feedback verbessert Schwellenwerte und Modelle. Außerdem entsteht dadurch eine wertvolle Historie, die das Verhalten der Sensoren mit den physisch festgestellten Zuständen verknüpft.

Ohne Rückkopplung bleiben Analysen von der Realität der Instandhaltung entkoppelt. Die Plattform kann weiterhin dieselbe ungenaue Schlussfolgerung wiederholen.

Qualitätsanalysen können Prozessabweichungen erkennen, bevor die Ausschussraten steigen

Sensoranalysen beschränken sich nicht auf die Instandhaltung von Anlagen. Sie können auch Veränderungen erkennen, die die Produktqualität beeinflussen.

Die traditionelle Qualitätskontrolle konzentriert sich häufig auf die Ergebnisse der Endkontrolle. Ein Produkt besteht entweder oder fällt durch. Wenn die Ausschussrate steigt, kann der zugrunde liegende Prozess bereits seit Stunden abdriften.

Die Kombination von Prüfdaten mit Maschinenzuständen kann frühere Warnungen ermöglichen. Eine allmähliche Maßabweichung kann mit Werkzeugverschleiß, Maschinentemperatur, Druckschwankungen, Materialeigenschaften oder einer Bewegung der Vorrichtung zusammenhängen.

Bildverarbeitungssysteme können Informationen zu Fehlerort, Größe, Ausrichtung und Klassifizierung liefern. Prozesssensoren können Daten zu Temperatur, Druck, Geschwindigkeit, Kraft und Position ergänzen.

Analysen können anschließend bestimmen, welche Variablen sich verändern, bevor ein Fehler auftritt. Ziel ist nicht lediglich, Ausschuss nach der Produktion zu erklären, sondern den Prozess zu steuern, bevor die Ausgabe die Spezifikationsgrenze überschreitet.

Beispielsweise kann eine Verpackungslinie weiterhin akzeptable Versiegelungen produzieren, während die Temperaturverteilung der Siegelbacken gleichmäßiger wird. Ein Trend bei der Temperaturwiederherstellungszeit kann auf eine Verschlechterung der Heizung oder eine Verschmutzung hindeuten.

Die Instandhaltung kann die Anlage überprüfen, bevor zunehmende Dichtungsausfälle auftreten. Die Maßnahme schützt sowohl die Qualität als auch die Produktionsverfügbarkeit.

Die statistische Prozessregelung bleibt bei diesen Anwendungen wertvoll. Eingriffsgrenzen können ungewöhnliche Schwankungen aufzeigen, selbst wenn die Messwerte innerhalb der Produktspezifikationen bleiben.

Spezifikationsgrenzen definieren die zulässige Ausgabe. Statistische Eingriffsgrenzen zeigen, ob der Prozess konsistent abläuft. Eine Verwechslung dieser Konzepte kann Korrekturmaßnahmen verzögern.

Energiedaten werden aussagekräftiger, wenn sie auf die Produktion normiert werden

Energiemonitoring bietet eine weitere praktische Nutzung von Sensor- und Steuerungsdaten. Motoren, Antriebe, Heizungen, Kompressoren und Versorgungsanlagen können Verbrauchsmuster sichtbar machen.

Der Gesamtenergieverbrauch allein erklärt die Leistung nur selten. Produktionsrate, Produkttyp, Betriebsmodus, Umgebungsbedingungen und Auslastung der Anlagen müssen berücksichtigt werden.

Eine Maschine kann während einer langsamen Schicht weniger Energie verbrauchen, aber mehr Energie pro fertiger Einheit benötigen. Eine andere Maschine kann einen höheren Gesamtverbrauch aufweisen, weil sie deutlich mehr produziert.

Zu den nützlichen Kennzahlen gehören Kilowattstunden pro Einheit, Druckluftverbrauch pro Zyklus, Dampfverbrauch pro Charge und die Spitzenleistung während bestimmter Vorgänge.

Antriebsdaten können zeigen, ob Motoren deutlich unter ihrer erwarteten Last oder nahe daran betrieben werden. Druck- und Durchflussmessungen können dabei helfen, Leckagen und Verschwendung in Druckluftsystemen zu lokalisieren. Temperatur- und Laufzeitdaten können zeigen, ob Heizsysteme während längerer Stillstandszeiten aktiv bleiben.

Energieanalysen sollten zu betrieblichen Maßnahmen führen. Mögliche Reaktionen sind die Verringerung der Leerlaufzeit, die Reparatur von Leckagen, die Anpassung des Drucks, die zeitliche Abstimmung von Anlagen mit hoher Last, die Optimierung von Beschleunigungsprofilen oder die Änderung der Aufwärmverfahren.

Anlagen sollten überprüfen, dass Energiesparmaßnahmen weder Qualität, Sicherheit noch Anlagenlebensdauer beeinträchtigen. Eine niedrigere Druckeinstellung kann zwar Druckluft sparen, aber zu einer instabilen Bewegung des Aktors führen.

Die besten Verbesserungen bringen Energieverbrauch, Durchsatz, Zuverlässigkeit und Produktanforderungen ins Gleichgewicht.

Ein Fördererbeispiel zeigt, wie mehrere Datenebenen zusammenwirken

Betrachten wir einen Förderer, der Produkte zwischen Verpackungsstationen transportiert. Auf Maschinenebene erkennt ein fotoelektrischer Sensor jedes Produkt. Ein Encoder erfasst die Bandbewegung, und ein Antrieb steuert die Geschwindigkeit.

Die SPS nutzt diese Eingaben, um den Produktabstand aufrechtzuerhalten und nachgelagerte Anlagen zu koordinieren. Diese unmittelbare Steuerungsfunktion muss deterministisch bleiben.

Dieselben Signale können die Betriebsanalyse unterstützen. Produktzeitstempel ermöglichen die Berechnung des tatsächlichen Durchsatzes. Encoderdaten zeigen Geschwindigkeitsschwankungen. Das Antriebsdrehmoment weist auf eine veränderte mechanische Last hin.

Wenn das Drehmoment allmählich steigt, während der Durchsatz konstant bleibt, kann sich am Förderer Reibung entwickeln. Mögliche Ursachen sind eine Fehlausrichtung des Bandes, Lagerverschleiß, Verunreinigungen oder mechanischer Kontakt.

Wenn die Intervalle der Produkterkennung unregelmäßig werden, während die Bandgeschwindigkeit stabil bleibt, kann die Ursache weiter upstream liegen. Wenn die Encodergeschwindigkeit schwankt, während der Antriebsbefehl konstant bleibt, kann sich die Untersuchung auf die mechanische Belastung oder die Antriebsleistung konzentrieren.

Ein Edge-Gerät kann den Durchsatz, Schwankungen des Abstands, das durchschnittliche Drehmoment und anomale Ereignisse berechnen. Das Netzwerk überträgt diese Kennzahlen an einen Historian oder eine Analyseplattform.

Das Unternehmenssystem kann die Leistung nach Schicht, Produktformat und Fertigungsauftrag vergleichen. Wartungsaufzeichnungen können bestätigen, ob ein steigendes Drehmoment früheren Ausfällen des Förderers vorausging.

Der ursprüngliche Sensor erfüllt weiterhin eine einfache Erkennungsaufgabe. Die übergreifende Architektur macht diese Erkennung zu einem Beleg für Durchsatz, Zuverlässigkeit und Prozesskoordination.

CNC-Anlagen profitieren von der Kombination aus Last-, Bewegungs- und Qualitätsdaten

Ein CNC-Bearbeitungsprozess bietet ein komplexeres Beispiel. Das Steuerungssystem verwaltet bereits Spindeldrehzahl, Vorschubgeschwindigkeit, Achsposition, Kühlmittel, Werkzeugwechsel und Sicherheitsverriegelungen.

Zu den zusätzlichen Messungen können Spindellast, Motorstrom, Vibration, Schallemission, Temperatur und Ergebnisse der Maßprüfung gehören.

Die Spindellast kann Hinweise auf die Schnittbedingungen geben, doch ihre Interpretation erfordert Kontext. Eine höhere Last kann auf eine härtere Materialcharge, eine größere Schnitttiefe, Werkzeugverschleiß, Spanansammlungen oder falsche Prozessparameter zurückzuführen sein.

Die Kombination aus Last, Werkzeugidentität, Programmschritt, Material, Vorschubgeschwindigkeit und Vibration ergibt ein klareres Bild.

Ein sich entwickelndes Werkzeugproblem kann sich durch steigende Spindellast, stärkere Schwingungen, längere Zykluszeiten und eine allmähliche Maßabweichung zeigen. Keiner dieser Indikatoren allein beweist die Ursache.

Gemeinsam können sie eine gezielte Inspektion auslösen, bevor das Werkzeug bricht oder umfangreichen Ausschuss erzeugt.

Der historische Vergleich hilft ebenfalls dabei, den Werkzeugwechsel zu optimieren. Feste Wechselintervalle können noch nutzbare Werkzeuge aussondern oder verschlissene Werkzeuge zu lange im Einsatz lassen.

Ein zustandsabhängiger Austausch kann die Werkzeugauslastung verbessern und gleichzeitig die Qualität schützen. Die Entscheidung sollte dennoch technische Grenzwerte und Prüfnachweise berücksichtigen.

Bei kritischen Bearbeitungsvorgängen kann das System hochauflösende Daten rund um abnormale Ereignisse speichern. Für die Routineproduktion können zusammengefasste Kennzahlen verwendet werden, um den Speicherbedarf zu begrenzen.

Verpackungslinien zeigen die Bedeutung des Produktkontexts

Verpackungsanlagen verarbeiten häufig viele Produktformate auf derselben Linie. Sensoren überwachen Anwesenheit, Position, Füllstand, Etiketten, Verschlüsse, Versiegelungen, Codes und Verpackungsabmessungen.

Eine scheinbar zufällige Alarmrate kann verständlich werden, wenn die Daten nach Format getrennt werden. Ein Sensor kann bei einer Verpackung zuverlässig funktionieren, bei einem reflektierenden, transparenten oder unregelmäßig geformten Produkt jedoch Schwierigkeiten haben.

Daher werden Rezeptinformationen unverzichtbar. Die Analytik sollte wissen, welches Produkt und welche Verpackung, Geschwindigkeit und Maschineneinstellung aktiv waren.

Eine unmittelbar nach dem Formatwechsel steigende Ausschussrate kann auf eine falsche Einstellung hindeuten. Ein allmählicher Anstieg während eines langen Produktionslaufs kann auf Verschmutzung, Temperaturdrift oder mechanischen Verschleiß hinweisen.

Bilder aus der Sichtprüfung können zeigen, ob dieselbe Fehlerstelle wiederholt auftritt. Encoderdaten können feststellen, ob Ausschuss mit einer bestimmten Maschinenposition oder einem rotierenden Bauteil zusammenhängt.

Wartungs- und Produktionsteams können diese Informationen nutzen, um Anlagenfehler von Einrichtungsproblemen, Materialschwankungen und Einschränkungen der Sensoren zu unterscheiden.

Die Analyse kann auch die Sensorauswahl unterstützen. Ein Gerät, das auf undurchsichtigen Kartons gute Ergebnisse liefert, ist möglicherweise nicht für transparente Behälter geeignet.

Analytik kann ein ungeeignetes Messprinzip nicht korrigieren. Sie kann jedoch Hinweise liefern, dass die ausgewählte Technologie nicht zur Anwendung passt.

Rotierende Anlagen erfordern Messungen, die zur Physik passen

Rotierende Maschinen zeigen, warum die Sensorauswahl der Fehlerphysik folgen muss. Pumpen, Lüfter, Kompressoren, Turbinen und Motoren können Unwucht, Fehlausrichtung, Lockerheit, Lagerschäden, Resonanz, Reiben und prozessbedingte Instabilität entwickeln.

Gesamtschwingungswerte eignen sich als nützliche Vorprüfung, doch für manche Probleme sind Wellenform- und Frequenzinformationen erforderlich. Drehzahlreferenzdaten können ebenfalls notwendig sein, um Schwingungskomponenten der Wellendrehung zuzuordnen.

Temperaturtrends können die Diagnose unterstützen, obwohl sich die Temperatur häufig später als die Schwingung verändert. Prozessdruck, Durchfluss, Last und Betriebsgeschwindigkeit helfen dabei, mechanische Fehler von normalen Betriebsabweichungen zu unterscheiden.

Eine Pumpe kann stärker vibrieren, weil sie weit außerhalb ihres bevorzugten Prozessbereichs betrieben wird. Der Austausch eines Lagers würde diese Betriebsbedingung nicht korrigieren.

Bei diesen Anlagen sollte die Zustandsüberwachung Maschinenkenntnisse mit Prozessdaten kombinieren. Die Architektur kann dedizierte Schutz-Hardware, Zustandsüberwachungssysteme, SPS-Informationen und betriebliche Instandhaltungssoftware umfassen.

Anlagen, die diese umfassendere Architektur bewerten, sollten den Maschinenschutz von der Analyse unterscheiden. Schutzsysteme müssen schnell und zuverlässig auf gefährliche Bedingungen reagieren. Analysesysteme unterstützen Diagnose, Planung und Optimierung.

Die Funktionen können Informationen gemeinsam nutzen, aber ihre Zuständigkeiten sollten klar definiert bleiben.

Wo SICKs Produktportfolio in die Datenkette passt

SICK bietet Geräte für mehrere Bereiche der Sensor-Datenarchitektur an. Das Portfolio umfasst photoelektrische Sensoren, Identifikationsgeräte, Encoder, Bildverarbeitungsprodukte, Integrations-Gateways, Edge-Computer und Analysesoftware.

Auf Maschinenebene verbindet der photoelektrische Näherungssensor W10 lokale Konfiguration mit anpassbaren Erfassungsfunktionen. Seine Touchscreen-Schnittstelle kann die Einrichtung vereinfachen, wenn sich die Anwendungsbedingungen ändern oder mehrere Erfassungsverhalten erforderlich sind.

Die Lector85x-Familie unterstützt bildbasierte Anwendungen zum Lesen und Identifizieren von Codes. Solche Systeme können decodierte Informationen zusammen mit Bild- und Qualitätsdaten bereitstellen, die für die Analyse von Logistik und Produktion nützlich sind.

AFS/AFM60-Encoder liefern Positionsrückmeldungen für Anwendungen der Bewegungssteuerung. Ihr praktischer Nutzen kann über die Position hinausgehen, wenn Geschwindigkeitsverhalten, Richtung, Synchronisierung und Diagnoseinformationen erhalten bleiben.

Auf Konnektivitätsebene kann der SIG200 IO-Link-Geräte mit übergeordneten Automatisierungsnetzwerken verbinden. Diese Anordnung ermöglicht, dass Prozesswerte und Diagnosedaten über einzelne Sensorverbindungen hinaus weitergeleitet werden.

SIM4x00-Geräte bieten zusätzliche Verarbeitungskapazität für die Sensorintegration. Sie können Informationen sammeln, lokale Anwendungen ausführen und verarbeitete Ergebnisse an andere Systeme übermitteln.

Auf Softwareebene unterstützt Field Analytics die Erfassung und Visualisierung von Fertigungsdaten. Logistics Diagnostic Analytics konzentriert sich auf die Leistungs- und Zustandsüberwachung automatisierter Identifikationssysteme.

Diese Produkte veranschaulichen eine umfassendere Marktentwicklung. Sensorhersteller bieten zunehmend mehr als physische Messgeräte. Heute bieten sie Integrationswerkzeuge, Edge-Verarbeitung, Gerätemanagement und Softwaredienste an.

Hersteller sollten dennoch jede Ebene unabhängig bewerten. Ein vollständiges Portfolio macht offene Schnittstellen, eine wartbare Architektur, Cybersicherheitskontrollen und die Integration in bestehende Systeme nicht überflüssig.

Abbildung 4. Konfigurierbare Sensoren können die routinemäßige Objekterkennung mit Einrichtungsinformationen und Diagnosen für eine breitere betriebliche Nutzung kombinieren.

SPS- und PAC-Architektur bleibt zentral für die Sensoranalyse

Trotz des wachsenden Interesses an Edge- und Cloud-Technologien bleibt die SPS oder der PAC das Zentrum der meisten Datenarchitekturen in Fabriken. Sie enthält wesentliche Informationen über Maschinenzustand, Ablauf, Alarme, Rezepte, Befehle und Verriegelungen.

Sensorwerte ohne Kontext des Controllers sind oft schwer zu interpretieren. Die SPS weiß, ob die Maschine startet, läuft, stoppt, eine Störung aufweist, blockiert ist, aufgrund fehlender Versorgung wartet oder gewartet wird.

Aus diesem Grund sollte die Integration von Analysefunktionen eine kontrollierte Methode zur Bereitstellung relevanter Controller-Daten umfassen. Ingenieure sollten einen unkontrollierten Zugriff auf jedes interne Tag vermeiden.

Eine definierte Schnittstelle verbessert die Sicherheit und Wartbarkeit. Außerdem verhindert sie, dass Analyseanwendungen von temporären Programmvariablen abhängen, die sich bei künftigen Änderungen möglicherweise verändern.

Anlagen, die Maschineninformationen in übergeordnete oder unternehmensweite Systeme erweitern, können kompatible SPS- und PAC-Systeme prüfen, wenn sie die Steuerungsebene für die Erfassung von Sensordaten warten, erweitern oder standardisieren.

Das Steuerungsprogramm kann außerdem nützliche Indikatoren der ersten Ebene berechnen. Beispiele sind Zykluszeit, Blockierdauer, Wartezeit aufgrund fehlender Versorgung, Fehlerhäufigkeit, Aktorreaktion, Produktionsmenge und Ausschussmenge.

Diese Berechnungen sollten den Controller nicht überlasten. Hochgeschwindigkeits-Signalverarbeitung, Bildanalyse und komplexe Modelle können dedizierter Hardware zugeordnet werden.

Eine Architektur funktioniert am besten, wenn jede Komponente die Aufgabe übernimmt, die zu ihren Anforderungen an Reaktionszeit, Zuverlässigkeit und Wartung passt.

Eine praxisnahe Implementierung beginnt mit einer wertvollen Frage

Ein Sensoranalyseprogramm muss nicht mit einer gesamten Fabrik beginnen. Es kann mit einer einzelnen betrieblichen Fragestellung starten, die einen messbaren Nutzen bietet.

Beispiele sind die Ermittlung der Ursache für den Stillstand eines Förderbands, die Erkennung von Leckagen in einem pneumatischen System, die Reduzierung von Fehlausschleusungen, die Verlängerung der Werkzeuglebensdauer oder die Vorhersage eines Filterwechsels.

Der erste Schritt ist die Definition der Entscheidung. Das Team sollte ermitteln, wer die Informationen verwenden wird und welche Maßnahme daraus abgeleitet werden kann.

Der zweite Schritt ist die Zuordnung der erforderlichen Daten. Vorhandene Sensoren, Controller-Tags, Antriebsdiagnosen, Produktionsaufzeichnungen und die Wartungshistorie liefern möglicherweise bereits einen Großteil der erforderlichen Informationen.

Der dritte Schritt ist die Validierung der Messqualität. Ingenieure sollten die Sensorinstallation, Skalierung, Zeitstempel, fehlende Werte und den Betriebskontext überprüfen.

Der vierte Schritt ist die Einrichtung einer begrenzten Datenpipeline. Zunächst sollten nur die für den Anwendungsfall erforderlichen Messwerte erfasst werden.

Der fünfte Schritt ist die Festlegung einer Baseline. Das System muss normale Schwankungen über Produkte, Geschwindigkeiten, Schichten und Umgebungsbedingungen hinweg erfassen.

Der sechste Schritt ist die Definition der Erkennungslogik. Dazu können Schwellenwerte, statistische Regeln, Trends oder ein einfaches Modell gehören.

Der siebte Schritt ist die Integration des Ergebnisses in einen Instandhaltungs- oder Produktionsworkflow. Ein Dashboard allein verändert den Betrieb nur selten.

Der achte Schritt ist die Validierung der Geschäftswirkung. Das Team sollte das Ergebnis mit Stillstandszeiten, Arbeitsaufwand, Ausschuss, Durchsatz oder Instandhaltungskosten vergleichen.

Nach dem Nachweis des Nutzens kann die Architektur auf weitere Anlagen ausgeweitet werden. Wiederverwendbare Benennungen, Vorlagen und Datenmodelle machen die spätere Bereitstellung effizienter.

Häufige Projekte scheitern, weil sie mit der Plattform beginnen

Viele Analyseinitiativen beginnen mit der Auswahl einer Software, bevor das betriebliche Problem definiert ist. Teams installieren eine Plattform, verbinden Tausende von Tags und suchen anschließend nach nützlichen Anwendungen.

Dieser Ansatz erzeugt oft ansprechende Dashboards ohne nachhaltigen betrieblichen Nutzen. Nutzer sehen sie sich möglicherweise kurz an, aber die Anzeigen verändern keine Entscheidungen.

Ein weiterer häufiger Fehler ist, die Datenqualität zu ignorieren. Falsche Skalierung, uneinheitliche Zeitstempel, fehlende Produktionszustände und undokumentierte Änderungen an Tags können die Analyse unbrauchbar machen.

Projekte scheitern auch, wenn sie Instandhaltungs- und Betriebspersonal ausschließen. Datenwissenschaftler erkennen möglicherweise statistische Muster, ohne das Maschinenverhalten dahinter zu verstehen.

Umgekehrt verstehen erfahrene Techniker möglicherweise die Ausfallmechanismen, haben aber keinen Zugriff auf historische Daten. Starke Projekte verbinden beide Perspektiven.

Übermäßige Komplexität birgt ein weiteres Risiko. Ein anspruchsvolles Modell kann kontinuierlichen Support, erneutes Training und die Interpretation durch Spezialisten erfordern. Ein einfacherer Indikator kann bei geringeren Lebenszykluskosten den Großteil des Nutzens liefern.

Pilotprojekte können auch zu dauerhaft isolierten Systemen werden. Sie bleiben auf einer Maschine, weil Architektur, Benennung, Sicherheit und Zuständigkeiten nie auf eine Skalierung ausgelegt wurden.

Erfolgreiche Pilotprojekte sollten sowohl den Anwendungsfall als auch die Bereitstellungsmethode testen. Das Team sollte lernen, wie Geräte konfiguriert, Tags erstellt, Zugriffe kontrolliert und Modelle gepflegt werden.

Datenverantwortung muss abteilungsübergreifend im Engineering definiert werden

Sensoranalysen überschreiten traditionelle Organisationsgrenzen. Steuerungsingenieure verwalten die Maschinenlogik. IT-Teams verwalten Server und Unternehmensnetzwerke. Instandhaltungsteams sind für die Anlagenzuverlässigkeit verantwortlich. Produktionsteams tragen die Verantwortung für den Output.

Ohne klare Zuständigkeiten werden Probleme zwischen Abteilungen weitergereicht. Ein fehlender Wert kann ohne koordinierte Untersuchung als Netzwerk-, Steuerungs-, Datenbank- oder Sensorproblem behandelt werden.

Anlagen sollten die Verantwortung für Feldgeräte, Steuerungsschnittstellen, Gateways, Netzwerkinfrastruktur, Datenbanken, Analyseanwendungen, Cybersicherheit und Benutzersupport festlegen.

Außerdem sollten sie Verfahren für das Änderungsmanagement festlegen. Die Umbenennung eines SPS-Tags oder der Austausch eines Sensors kann sich auf Dashboards und Modelle auswirken.

Datendefinitionen müssen kontrolliert dokumentiert werden. Einheiten, Skalierung, Quelle, Aktualisierungsrate, Qualitätsstatus und vorgesehene Verwendung sollten während des gesamten Systemlebenszyklus verfügbar bleiben.

Verantwortung gilt auch für analytische Schlussfolgerungen. Ein Modell sollte nicht automatisch Instandhaltungsaufträge erzeugen, ohne dass ein abgestimmter Prüfprozess besteht.

Instandhaltungsplaner, Zuverlässigkeitsingenieure und Produktionsleiter benötigen möglicherweise unterschiedliche Informationstiefen. Derselbe Zustand kann für Ingenieure als detaillierte Diagnoseansicht und für Vorgesetzte als prägnante Handlungsaufforderung erscheinen.

Leistungskennzahlen sollten Entscheidungen messen, nicht das Datenvolumen

Die Anzahl verbundener Sensoren ist kein zuverlässiges Erfolgsmaß. Ebenso wenig sind es die Anzahl der Datenbank-Tags, Dashboards oder gespeicherten Terabytes.

Bessere Kennzahlen messen betriebliche Ergebnisse. Dazu können weniger ungeplante Stillstandszeiten, geringerer Ausschuss, eine verbesserte First-Pass-Ausbeute, eine längere Lebensdauer von Komponenten, kürzere Zeiten zur Fehlerbehebung oder weniger Notfallwartungen gehören.

Bei der vorausschauenden Instandhaltung können Anlagen messen, wie viel Vorwarnzeit das System bereitstellt und ob diese Warnung den Instandhaltungsplan verändert.

Bei Qualitätsanalysen kann gemessen werden, ob eine Prozessdrift erkannt wird, bevor das Produkt zurückgewiesen wird. Bei Energieprojekten kann der Verbrauch pro akzeptierter Einheit gemessen werden.

Zur Bewertung der Analyseleistung sollte auch die Akzeptanz durch die Benutzer gehören. Ein technisch korrektes System hat nur begrenzten Nutzen, wenn Bediener und Techniker ihm nicht vertrauen oder es nicht nutzen.

Die Nachverfolgung bestätigter Ergebnisse schafft eine effektive Feedbackschleife. Jede Warnung kann als zutreffend, unzutreffend, nicht schlüssig oder nicht mehr relevant kategorisiert werden.

Dieser Prozess verbessert die Anwendung schrittweise. Außerdem hilft er dem Management, vielversprechende Analysen von Projekten zu unterscheiden, die neu konzipiert werden müssen.

Künstliche Intelligenz funktioniert am besten, wenn die Datengrundlage stabil ist

Künstliche Intelligenz kann komplexe Zusammenhänge in großen Datensätzen erkennen. Sie kann die Anomalieerkennung, Bildklassifizierung, Prognosen und die multivariable Prozessoptimierung unterstützen.

KI macht jedoch zuverlässige Messungen und technischen Kontext nicht überflüssig. Schlechte Daten führen zu schlechten Modellen – selbst wenn der Algorithmus ausgefeilt ist.

Anlagen sollten einheitliche Anlagenidentitäten, Zeitstempel, Betriebszustände, Einheiten und Qualitätsindikatoren festlegen, bevor sie fortschrittliche Modelle einführen.

Die Trainingsdaten müssen die tatsächlichen Betriebsbedingungen abbilden. Ein Modell, das nur während einer stabilen Produktion trainiert wurde, könnte jeden Anfahrvorgang als anormal einstufen.

Änderungen an Anlagen können auch das Datenverhalten verändern. Ein neuer Motor, Sensor, Werkzeug, ein neues Rezept oder eine neue Steuerungsstrategie kann eine Modellüberprüfung erfordern.

KI-Anwendungen benötigen ein Lebenszyklusmanagement. Teams müssen die Modellleistung überwachen, Versionen dokumentieren, Abweichungen überprüfen und ein Ausweichverhalten definieren.

Die menschliche Interpretation bleibt wichtig. Ingenieure sollten verstehen, welche Messwerte eine Schlussfolgerung beeinflussen und ob das Ergebnis dem physikalischen Verhalten entspricht.

KI bietet den größten Nutzen, wenn sie erfahrenes Personal unterstützt. Sie kann große Datensätze prüfen und ungewöhnliche Muster erkennen. Ingenieure und Techniker verknüpfen diese Muster anschließend mit ihrem Anlagenwissen.

Die Fabrik der Zukunft wird selektive, kontextbezogene Daten nutzen

Fabriken der Zukunft werden noch mehr Daten erzeugen, da Sensorik, maschinelles Sehen, integrierte Diagnosen und vernetzte Geräte weiter zunehmen.

Der Wettbewerbsvorteil wird nicht daraus entstehen, alles zu erfassen. Er wird daraus entstehen, die richtigen Informationen auszuwählen, ihren Kontext zu bewahren und sie mit betrieblichen Entscheidungen zu verknüpfen.

Systeme auf Maschinenebene werden weiterhin schnelle und deterministische Steuerungen bereitstellen. Edge-Geräte werden große Datenmengen in der Nähe der Anlagen verarbeiten. Industrielle Netzwerke werden normalisierte Informationen über sichere Schnittstellen übertragen.

Unternehmensplattformen werden das Anlagenverhalten mit Produktions-, Qualitäts-, Energie- und Wartungsdaten kombinieren. Analysen werden Veränderungen erkennen, die einzelne Systeme allein nicht wahrnehmen können.

Die effektivsten Architekturen werden weiterhin schichtenbasiert sein. Sie werden vermeiden, zeitkritische Funktionen in Systeme zu verlagern, die die erforderliche Reaktionszeit nicht garantieren können.

Sie werden auch weiterhin menschliche Verantwortung bewahren. Bediener, Techniker, Ingenieure und Manager werden verstehen, wie analytische Empfehlungen den Prozess beeinflussen.

Sensordaten beginnen als physikalische Messwerte. Ihr Wert steigt, wenn das System Kontext, Historie und betriebliche Bedeutung hinzufügt.

Ein fotoelektrischer Sensor kann weiterhin ein einfacher Anwesenheitsdetektor sein. Er kann aber auch helfen, den Durchsatz zu messen, Verunreinigungen zu erkennen, Produktabstände zu analysieren und die Zeit für die Fehlersuche zu verkürzen.

Ein Encoder kann weiterhin der Positionsbestimmung dienen. Er kann aber auch Probleme bei der Wiederholgenauigkeit, mechanischen Verschleiß, Synchronisationsfehler und Veränderungen der Maschinenlast erkennen lassen.

Eine Kamera kann weiterhin als Gut-/Schlecht-Prüfwerkzeug dienen. Sie kann aber auch Fehlermuster, Materialschwankungen, Prozessabweichungen und Möglichkeiten zur Abfallreduzierung aufzeigen.

Der Unterschied liegt in Architektur und Zweck. Wenn Werke Sensorik, Steuerung, Vernetzung, Edge-Verarbeitung und Unternehmensanalyse auf definierte betriebliche Anforderungen ausrichten, werden Rohdaten zu praktisch nutzbaren Erkenntnissen.

Diese Transformation erfordert nicht, dass jede Maschine autonom wird. Sie erfordert, dass jede wichtige Messung die Menschen und Systeme erreicht, die darauf reagieren können.