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

Diese Lücke stellt eine der wichtigsten Chancen in der modernen Fertigung dar. Werke sind sehr leistungsfähig beim Erfassen von Signalen geworden, doch viele sind weniger effektiv darin, diese Signale in Erkenntnisse für die Instandhaltung, Qualitätsinformationen, 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 hinaus weiterverwendet wird.

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 zuvor festzulegen, wie die Informationen die Produktion unterstützen sollen.

Eine praxisorientierte Strategie für Sensordaten beginnt an der Maschine, führt durch das Netzwerk und endet bei nutzbaren betrieblichen Analysen. Jede Ebene erfüllt einen anderen Zweck. Jede hat zudem eigene zeitliche Anforderungen, technischen Rahmenbedingungen und Ausfallrisiken.

Der Unterschied zwischen einem Signal und betrieblichen Informationen

Ein Sensorsignal wird erst dann zu einer nützlichen Information, wenn das System Kontext hinzufügt. Ein Rohwert von 68 sagt ohne Einheit, Zeitstempel, Anlagenidentität, Betriebszustand, Messbereich und Prozessreferenz nur wenig aus.

Der Wert könnte 68 Grad Celsius, 68 Millimeter, 68 Prozent Motorlast oder 68 Mikrometer Verschiebung bedeuten. Selbst wenn die technische Einheit bekannt ist, kann die Messung ohne Kenntnis der Maschinenaktivität schwer zu interpretieren sein.

Der Kontext unterscheidet eine Prozessanomalie vom Normalbetrieb. Ein Anstieg der Schwingungen 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 relevant. Ein beim Reinigen, Einrichten, Aufwärmen, im Leerlauf und während der Produktion mit voller Rate 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 Maschinenmodus, Produktrezeptur, Fertigungsauftrag, Materialcharge, Bedieneraktion, Wartungshistorie und Umgebungsbedingungen verknüpfen.

Der Übergang vom Signal zur Information lässt sich als Abfolge betrachten. Der Sensor erkennt zunächst einen physischen Zustand. Anschließend interpretiert die Steuerung diesen Zustand innerhalb einer Steuerungsroutine. Ein Netzwerk überträgt die Daten, ein Edge-Gerät organisiert sie, und eine Analyseplattform bewertet sie über einen längeren Zeitraum.

In der letzten Phase sollte die Messung eine konkrete Entscheidung unterstützen. Dabei kann es darum gehen, eine Maschine zu stoppen, 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 teuren Speicherübung werden. Erfolgreiche Projekte beginnen daher mit betrieblichen Fragen statt mit dem Kauf von Technologie.

Daten auf Maschinenebene haben weiterhin die höchste zeitliche Priorität

Auf der Maschinenebene beeinflussen Sensordaten erstmals die Produktion. 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. Fotoelektrische Sensoren bestätigen das Vorhandensein von Produkten. 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 in der Regel klar: eine Bedingung überprüfen und die richtige Reaktion auslösen.

Ein Encoder kann anzeigen, dass ein Förderband seine vorgegebene Position erreicht hat. Die Steuerung stoppt daraufhin den Antrieb oder startet die nächste Sequenz. Eine Kamera kann ein fehlerhaftes Paket 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, sobald eine Bedienperson einen geschützten Bereich betritt.

Diese Aufgaben erfordern eine schnelle und zuverlässige Datenverarbeitung. 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 unterstützen, sollten jedoch keine unvorhersehbaren Netzwerkverzögerungen in zeitkritische Maschinenfunktionen einführen. Die schnellsten Schutz- und Steuerungsentscheidungen gehören in die Nähe der Anlage.

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

Die Maschinenebene bestimmt ebenfalls die Datenqualität. Falsche Skalierung, instabile Verdrahtung, schlechte Befestigung, ungeeignete Abtastraten und eine uneinheitliche Gerätekonfiguration 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 photoelektrischer Sensor kann Signalstärke, Verschmutzungsgrad, Betriebstemperatur und Diagnosestatus melden.

Ein Encoder kann die Position für die Steuerung liefern und gleichzeitig Daten zu Geschwindigkeitsänderung, Beschleunigung, Richtung und Synchronisierung erzeugen. Ein Bildverarbeitungssystem kann ein Bestanden-oder-Nicht-bestanden-Ergebnis ausgeben und gleichzeitig Messwerte zu Abmessungen, Kontrast, Ausrichtung, Codequalität oder Fehlerposition speichern.

Die ungenutzten Informationen können allmähliche Prozessänderungen sichtbar machen. Eine abnehmende optische Signalstärke kann auf eine verschmutzte Linse hindeuten. Eine zunehmende Verfahrzeit eines Aktors kann auf eine Undichtigkeit, Reibung oder mechanische Blockierung hinweisen. Ein steigender Motorstrom bei einer wiederholten Bewegung kann auf Laständerungen oder Verschleiß von Komponenten hindeuten.

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

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

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

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

Bildverarbeitungs- und Encoderdaten können über die unmittelbare Steuerung hinausgehen

Industriekameras und Encoder veranschaulichen den Unterschied zwischen Steuerungsdaten und analytischen Daten besonders deutlich. Beide Geräte unterstützen unmittelbare Maschinenfunktionen und können zugleich wertvolle historische Nachweise liefern.

Eine 2D- oder 3D-Kamera kann Geometrie, Farbe, Kontrast, Oberflächenzustand, Ausrichtung und Codeinformationen erfassen. Das Steuerungssystem benötigt möglicherweise nur ein Bestanden-oder-nicht-bestanden-Ergebnis. Qualitätsingenieure benötigen unter Umständen deutlich mehr.

Historische Prüfdaten können zeigen, ob sich Fehlerquoten je nach Schicht, Lieferantencharge, Werkzeugnest, Produktionsgeschwindigkeit oder Umgebungsbedingung verändern. Fehlerbilder können die Ursachenanalyse unterstützen und dazu beitragen, Erkennungsalgorithmen zu verfeinern.

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

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

Wiederholte Änderungen des Positionsfehlers können auf eine Längung des Riemens, eine Bewegung der Kupplung, Umkehrspiel oder Lastschwankungen hinweisen. Eine zunehmende Einschwingzeit kann auf Reibung oder eine verschlechterte Servoregelung hindeuten. Kurze Geschwindigkeitsstörungen können intermittierenden Produktkontakt oder mechanische Behinderungen erkennen lassen.

Abbildung 2. Maschinensensoren können die unmittelbare Steuerung unterstützen und gleichzeitig Veränderungen bei Last, Genauigkeit, Verschleiß und Prozessstabilität sichtbar machen.

Für diese analytischen Anwendungen sind geeignete Strategien zur Abtastung und Datenaufbewahrung erforderlich. Die Aufzeichnung eines Mittelwerts pro Stunde wird eine kurze Bewegungsstörung nicht sichtbar machen. Eine dauerhafte Aufzeichnung im Mikrosekundenabstand erzeugt dagegen unnötigen Speicher- und Netzwerkbedarf.

Die richtige Abtastrate hängt vom physikalischen Ereignis ab. Eine langsame Temperaturdrift erfordert möglicherweise eine Messung alle paar Sekunden. Bewegungsanalysen können eine deutlich schnellere Erfassung erfordern. Die Schwingungsüberwachung kann Wellenformdaten und eine Verarbeitung im Frequenzbereich erfordern.

Engineering-Teams sollten die Abtastraten entsprechend den Ausfallarten und dem Prozessverhalten auswählen. Mehr Messwerte führen nicht automatisch zu besseren Erkenntnissen.

Reaktive Eingaben in Zustandsindikatoren umwandeln

Analysen auf Maschinenebene beginnen häufig damit, aus den bereits im Steuerungssystem 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 Endlagensensor seinen Zustand ändert. Die Differenz zwischen diesen Zeitstempeln entspricht der Hubzeit.

Die Überwachung der Hubzeit über Tausende von Zyklen kann eine allmähliche Verschlechterung sichtbar machen. Eine längere Ausfahrzeit kann auf niedrigen Druck, eine Durchflussbegrenzung, Dichtungsverschleiß, Verunreinigungen, eine Fehlausrichtung oder einen zunehmenden mechanischen Widerstand hinweisen.

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

Auch die Schwankung von Zyklus zu Zyklus kann aufschlussreich sein. Die 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 Belastung, Betriebsstunden, Starts und Fehlerhistorie können bereits im Antrieb vorhanden sein.

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

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

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

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

Da Maschinen immer umfangreichere Daten erzeugen, wird die 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 übergeordneten Unternehmenssystem 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 hochauflösende 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 zurückgewiesene 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 nützlich 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. Ingenieure benötigen klare Definitionen für jeden abgeleiteten Wert, einschließlich Einheiten, Aktualisierungsraten, Grenzwerten und Rücksetzbedingungen.

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

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

Die Netzwerkschicht verbindet Geräte, ohne den Prozess zu steuern

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

Moderne Anlagen verwenden nur selten einen einzigen Kommunikationsstandard. Eine einzelne Anlage kann diskrete Verdrahtung, analoge Signale, IO-Link, industrielle Ethernet-Protokolle, serielle Netzwerke, Feldbussysteme, drahtlose Geräte und herstellerspezifische Schnittstellen kombinieren.

Diese Heterogenität spiegelt jahrzehntelange Investitionen in Anlagen und Ausrüstung wider. Neue Analyseprojekte müssen moderne Geräte in der Regel mit Bestandsmaschinen verbinden, statt die gesamte Anlagenarchitektur zu ersetzen.

Sensor-Integration-Gateway- und Sensor-Integration-Machine-Geräte bewältigen einen Teil dieser Herausforderung. Ein Gateway kann Informationen von mehreren Sensoren erfassen 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 Fähigkeit vereinfacht den Austausch und die Konfiguration von Geräten. Statt jeden Ersatzsensor manuell einzustellen, kann das Steuerungssystem oder der Master festgelegte Parameter wiederherstellen.

Sensor-Integration-Machine-Geräte erweitern die lokalen Rechenkapazitäten. Sie können Daten von verschiedenen 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 reduzieren, anstatt eine weitere isolierte Datensilo zu schaffen.

Anlagen, die diese Ebene erweitern, können geeignete Komponenten für industrielle Kommunikation und Netzwerke prüfen, wenn sie Gateways, Remote-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 aus herkömmlichen Sensoren und Aktoren gewinnen möchten. Die einfache Punkt-zu-Punkt-Verbindung der Geräte bleibt erhalten, während gleichzeitig eine digitale Kommunikation hinzugefügt wird.

Die Steuerung kann den primären Prozesswert zusammen mit Geräteidentifikation und Zustandsinformationen empfangen. Je nach Gerät können die verfügbaren Daten Betriebstemperatur, Signalqualität, Warnungen vor Verschmutzung, 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 zudem das Risiko von Austauschfehlern. 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, Richtlinien zur Datenspeicherung, Alarmprioritäten und Wartungsabläufe.

Das Sammeln aller verfügbaren Diagnosebytes, ohne ihren Zweck festzulegen, kann die Ingenieurteams 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, besonders wichtigen Geräten beginnen. Sensoren, die Verunreinigungen, häufigen Justierungen, mechanischen Schäden 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 Rauschen hinzufügen.

Datennormalisierung ist wichtiger als Protokollkonvertierung

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

Ein Temperaturgerät kann Grad Celsius als Gleitkommawert melden. Ein anderes überträgt möglicherweise eine Ganzzahl, die durch zehn geteilt werden muss. Ein drittes liefert unter Umständen Fahrenheit, 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 Installationsort, dem von ihm überwachten Gerät und dem Produktionsprozess, den dieses Gerät 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, die Rekonstruktion von Ereignissen und Untersuchungen von Ursache und Wirkung hängen von verlässlichen Zeitstempeln ab.

Anlagen sollten eine einheitliche Strategie zur Zeitsynchronisierung festlegen. Außerdem sollten sie dokumentieren, ob die Zeitstempel vom Sensor, der Steuerung, dem Gateway, dem Server oder der Datenbank stammen.

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

Abbildung 3. Daten auf Netzwerkebene werden wertvoll, wenn mehrere Geräte konsistente Zeitstempel, Kontext-, Namens- und Qualitätsinformationen gemeinsam nutzen.

Die Netzwerkkapazität muss dem Anwendungsfall der Daten folgen

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

Anlagen sollten das Datenvolumen vor der Bereitstellung berechnen. Die Berechnung sollte Abtastrate, Datengröße, Geräteanzahl, Protokoll-Overhead, Aufbewahrungsdauer, 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 Leistung als auch Cybersicherheit gefährdet werden.

Die Auslegung 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, Portzuweisungen, 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 fortgesetzt werden. Gateways sollten Daten bei Bedarf puffern, Kommunikationslücken markieren und nach der Wiederherstellung der Verbindung die Synchronisierung 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 unterscheiden, in dem keine gültige Messung verfügbar war.

Cybersicherheit beginnt mit der Begrenzung unnötiger Verbindungen

Jeder neue Datenpfad birgt potenzielle betriebliche und cybersicherheitsrelevante Folgen. 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 Privilegien und überwachte Kommunikationswege.

Analyseplattformen benötigen im Allgemeinen 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 werden. Eine Empfehlungs-Engine kann eine Änderung des Sollwerts vorschlagen, doch eine genehmigte Steuerungsebene sollte diese Änderung validieren und anwenden.

Der Fernzugriff für Wartungsarbeiten erfordert eine ähnliche Sorgfalt. Zeitlich begrenzter Zugriff, Multifaktor-Authentifizierung, Aktivitätsprotokollierung und klar definierte Genehmigungsverfahren verringern das Risiko.

Die Geräteverwaltung ist ein weiteres wichtiges Thema. Intelligente Sensoren und Gateways können Firmware, Webschnittstellen, Zugangsdaten, Zertifikate und Konfigurationsdateien enthalten. Diese Anlagen 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 einbeziehen.

Sicherheit sollte nicht erst nach der Bereitstellung hinzugefügt werden. Netzwerkzonen, Datenflüsse, Benutzerrollen, Sicherungsmethoden und Wiederherstellungsverfahren sollten bereits während 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 Instandhaltung, eine schnellere Fehlersuche und stabilere Produktionsraten.

Auf dieser Ebene können Sensordaten mit Manufacturing-Execution-Systemen, computergestützten Instandhaltungsmanagementsystemen, Qualitätsdatenbanken, Produktionsplänen, Bestandssystemen 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 lediglich ausgeschleuste Produkte zu zählen, können Analysten ermitteln, welche Fehlerkategorien nach Materialcharge, Maschinenrezept, Werkzeugzustand, Schicht oder Lieferant auftreten.

Unternehmensweite Analysen ermöglichen außerdem den Vergleich ähnlicher Anlagen. Ein Werk kann zwanzig vergleichbare Pumpen betreiben. Eine Pumpe verbraucht unter ähnlichen Betriebsbedingungen möglicherweise mehr Energie, vibriert stärker oder erfordert häufigere Wartung.

Dieser Vergleich kann Probleme aufdecken, die von festen Alarmgrenzen nicht erkannt werden. Die Pumpe bleibt möglicherweise unter ihrem Alarmschwellenwert, arbeitet aber deutlich schlechter als vergleichbare Pumpen.

Ein Vergleich erfordert jedoch normalisierte Daten und einen genauen Betriebskontext. Anlagen sollten nicht bewertet werden, ohne Drehzahl, Last, Prozessmedium, Arbeitszyklus und Umgebungsbedingungen zu berücksichtigen.

Vorausschauende Instandhaltung beginnt mit definierten Ausfallarten

Die vorausschauende Instandhaltung bleibt eine der häufigsten Anwendungen der Sensoranalyse. Gleichzeitig wird sie häufig missverstanden.

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

Ein starkes Projekt beginnt mit einer klar definierten Anlage und Ausfallart. Ingenieure sollten ermitteln, wie das Bauteil ausfällt, welche physischen Veränderungen vorher auftreten und welche Messungen diese Veränderungen erkennen können.

Bei einem Lager können Vibrationen, 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 Aktuators auf eine Leckage hindeuten.

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

Sobald die Ausfallart verstanden ist, kann das Team geeignete Merkmale und Grenzwerte auswählen. Das System kann feste Schwellenwerte, Änderungsraten, statistische Abweichungen, Vergleiche mit ähnlichen Anlagen, Frequenzanalysen oder Modelle des maschinellen Lernens verwenden.

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

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

Ein allgemeiner Anlagenzustandswert, der von 82 auf 74 fällt, bietet nur dann diagnostischen Nutzen, wenn die beitragenden Faktoren 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 festgelegte Bedeutung, Priorität, Zuständigkeit, Reaktion und Eskalationsroute haben. Die Meldung sollte die Anlage, den Zustand, die zugrunde liegenden Belege und die empfohlene Inspektion nennen.

Alarme sollten auch 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 verschleiern. Die richtige Konfiguration hängt vom Prozess und vom Risiko ab.

Anlagen sollten die Alarmleistung überwachen. Nützliche Kennzahlen sind die Falschalarmrate, 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 eine wertvolle Historie, die das Sensorverhalten mit den physischen Befunden verknüpft.

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

Qualitätsanalysen können Prozessdrift erkennen, bevor die Ausschussquote steigt

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

Die herkömmliche Qualitätskontrolle konzentriert sich häufig auf die Prüfergebnisse des fertigen Produkts. Ein Produkt besteht entweder oder fällt durch. Wenn die Ausschussquote steigt, kann der zugrunde liegende Prozess bereits seit Stunden abdriften.

Die Kombination von Prüfdaten und Maschinenzuständen kann frühzeitigere 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 Angaben zu Temperatur, Druck, Geschwindigkeit, Kraft und Position ergänzen.

Analysen können anschließend ermitteln, welche Variablen sich verändern, bevor ein Fehler auftritt. Ziel ist nicht lediglich, Ausschuss nach der Produktion zu erklären. Vielmehr soll der Prozess gesteuert werden, bevor die Ausbringung die Spezifikationsgrenze überschreitet.

Beispielsweise kann eine Verpackungslinie weiterhin akzeptable Siegel erzeugen, während die Temperaturverteilung der Siegelbacken zunehmend uneinheitlich wird. Ein Trend bei der Temperaturerholungszeit kann auf eine Verschlechterung der Heizelemente oder auf Verunreinigungen 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 in diesen Anwendungen wertvoll. Regelgrenzen können ungewöhnliche Schwankungen aufdecken, selbst wenn die Messwerte innerhalb der Produktspezifikationen bleiben.

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

Energiedaten werden durch die Normalisierung anhand der Produktion aussagekräftiger

Energiemonitoring bietet eine weitere praktische Nutzung von Sensor- und Steuerungsdaten. Motoren, Antriebe, Heizungen, Kompressoren und Versorgungssysteme 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 bei bestimmten Vorgängen.

Antriebsdaten können zeigen, ob Motoren deutlich unter ihrer erwarteten Last oder nahezu unter Volllast laufen. Druck- und Durchflussmessungen können dabei helfen, Leckagen und Verschwendung in Druckluftsystemen aufzuspüren. Temperatur- und Laufzeitdaten können zeigen, ob Heizsysteme während längerer Stillstandszeiten weiterhin aktiv bleiben.

Energieanalysen sollten zu betrieblichen Maßnahmen führen. Mögliche Reaktionen sind die Verringerung von Leerlaufzeiten, die Behebung 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 Maßnahmen zur Energieeinsparung weder Qualität, Sicherheit noch Lebensdauer der Ausrüstung beeinträchtigen. Eine niedrigere Druckeinstellung kann zwar Druckluft sparen, aber eine instabile Bewegung des Aktors verursachen.

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 photoelektrischer Sensor jedes Produkt. Ein Encoder erfasst die Bandbewegung, und ein Antrieb regelt die Geschwindigkeit.

Die SPS verwendet diese Eingänge, um den Produktabstand einzuhalten und nachgelagerte Anlagen zu koordinieren. Diese unmittelbare Steuerungsfunktion muss deterministisch bleiben.

Dieselben Signale können die Betriebsanalyse unterstützen. Zeitstempel der Produkte ermöglichen die Berechnung des tatsächlichen Durchsatzes. Encoderdaten zeigen Geschwindigkeitsabweichungen. Das Antriebsdrehmoment weist auf eine veränderte mechanische Last hin.

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

Werden die Intervalle der Produkterkennung unregelmäßig, während die Bandgeschwindigkeit stabil bleibt, kann das Problem vorgelagert liegen. Schwankt die Encodergeschwindigkeit, während der Antriebsbefehl konstant bleibt, kann sich die Untersuchung auf die mechanische Belastung oder die Antriebsleistung konzentrieren.

Ein Edge-Gerät kann Durchsatz, Schwankungen des Abstands, durchschnittliches Drehmoment und ungewöhnliche 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 umfassendere Architektur macht diese Erkennung zu einem Nachweis 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.

Zusätzliche Messungen können Spindellast, Motorstrom, Vibration, Schallemission, Temperatur und Ergebnisse der Maßprüfung umfassen.

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

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

Ein sich entwickelndes Werkzeugproblem kann sich durch eine zunehmende Spindellast, stärkere Schwingungen, eine längere Zykluszeit und eine allmähliche Maßabweichung bemerkbar machen. Keiner dieser Indikatoren beweist allein die Ursache.

Zusammen können sie eine gezielte Inspektion auslösen, bevor das Werkzeug bricht oder umfangreichen Ausschuss verursacht.

Der Vergleich mit historischen Daten hilft ebenfalls, den Werkzeugwechsel zu optimieren. Feste Wechselintervalle können noch nutzbare Werkzeuge vorzeitig 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 einbeziehen.

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

Verpackungslinien zeigen, wie wichtig der Produktkontext ist

Verpackungsanlagen verarbeiten häufig viele Produktformate auf derselben Linie. Sensoren überwachen das Vorhandensein, die Position, den 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.

Rezeptinformationen werden daher unverzichtbar. Die Analytik sollte wissen, welches Produkt, welche Verpackung, welche Geschwindigkeit und welche 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 Verunreinigung, Temperaturdrift oder mechanischen Verschleiß schließen lassen.

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

Wartungs- und Produktionsteams können diese Informationen nutzen, um Anlagenfehler von Einrichtungsproblemen, Materialschwankungen und Sensorgrenzen 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 veranschaulichen, 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 ermöglichen eine nützliche Vorprüfung, doch einige Probleme erfordern Wellenform- und Frequenzinformationen. Drehzahlreferenzdaten können ebenfalls erforderlich sein, um Schwingungskomponenten der Wellendrehung zuzuordnen.

Temperaturtrends können die Diagnose unterstützen, obwohl sich die Temperatur oft 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 diesen Betriebszustand nicht korrigieren.

Bei diesen Anlagen sollte die Zustandsüberwachung Maschinenwissen mit Prozessdaten kombinieren. Die Architektur kann dedizierte Schutz-Hardware, Zustandsüberwachungssysteme, SPS-Informationen und Unternehmenssoftware für die Instandhaltung umfassen.

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

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

Wo das SICK-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 kombiniert der photoelektrische W10-Näherungssensor lokale Konfiguration mit anpassbaren Erkennungsfunktionen. Seine Touchscreen-Schnittstelle kann die Einrichtung vereinfachen, wenn sich die Anwendungsbedingungen ändern oder mehrere Erkennungsverhalten 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 Logistik- und Produktionsanalysen nützlich sind.

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

Auf Konnektivitätsebene kann der SIG200 IO-Link-Geräte mit umfassenderen Automatisierungsnetzwerken verbinden. Dadurch können Prozesswerte und Diagnosedaten über einzelne Sensorverbindungen hinaus übertragen werden.

SIM4x00-Geräte bieten zusätzliche Verarbeitungskapazität für die Sensorintegration. Sie können Informationen erfassen, 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. Sie stellen nun auch Integrationstools, Edge-Verarbeitung, Gerätemanagement und Softwaredienste bereit.

Hersteller sollten weiterhin 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 Diagnosedaten kombinieren und so eine breitere betriebliche Nutzung ermöglichen.

SPS- und PAC-Architektur bleibt zentral für die Sensoranalyse

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

Sensorwerte ohne den Kontext des Controllers sind oft schwer zu interpretieren. Die SPS weiß, ob die Maschine startet, läuft, stoppt, einen Fehler aufweist, blockiert ist, wegen Materialmangels steht oder gewartet wird.

Aus diesem Grund sollte die Integration von Analysen eine kontrollierte Methode zur Bereitstellung relevanter Controllerdaten umfassen. Ingenieure sollten einen unkontrollierten Zugriff auf sämtliche internen Tags vermeiden.

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

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

Das Steuerungsprogramm kann ebenfalls nützliche Indikatoren der ersten Ebene berechnen. Dazu gehören beispielsweise Zykluszeit, Dauer von Blockierungen, Dauer von Materialmangel, Fehlerhäufigkeit, Aktorreaktion, Produktionsmenge und Ausschussmenge.

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

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

Eine praxisnahe Einführung beginnt mit einer wertvollen Frage

Ein Sensoranalyseprogramm muss nicht mit einer gesamten Fabrik beginnen. Es kann mit einer einzigen betrieblichen Frage starten, deren Wert messbar ist.

Beispiele sind die Ermittlung der Ursache eines Förderbandstopps, die Erkennung von Leckagen in einem pneumatischen System, die Verringerung von Fehl-Ausschleusungen, die Verlängerung der Werkzeuglebensdauer oder die Vorhersage eines Filterwechsels.

Der erste Schritt ist die Definition der Entscheidung. Das Team sollte festlegen, wer die Informationen nutzen wird und welche Maßnahmen diese Person oder Gruppe ergreifen kann.

Der zweite Schritt ist die Ermittlung der erforderlichen Daten. Vorhandene Sensoren, Controller-Tags, Antriebsdiagnosen, Produktionsaufzeichnungen und Wartungshistorien können bereits einen Großteil der benötigten Informationen liefern.

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

Der vierte Schritt ist der Aufbau einer begrenzten Datenpipeline. Zu Beginn sollten nur die für den Anwendungsfall erforderlichen Messwerte erfasst werden.

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

Der sechste Schritt besteht darin, die Erkennungslogik festzulegen. Dies kann Schwellenwerte, statistische Regeln, Trends oder ein einfaches Modell umfassen.

Der siebte Schritt besteht darin, das Ergebnis in einen Instandhaltungs- oder Produktionsworkflow zu integrieren. Ein Dashboard allein verändert den Betrieb nur selten.

Der achte Schritt besteht darin, die geschäftlichen Auswirkungen zu validieren. Das Team sollte das Ergebnis mit Stillstandszeiten, Arbeitsaufwand, Ausschuss, Durchsatz oder Instandhaltungskosten vergleichen.

Nach dem Nachweis des Nutzens kann die Architektur auf zusätzliche Anlagen ausgeweitet werden. Wiederverwendbare Benennungen, Vorlagen und Datenmodelle machen spätere Bereitstellungen 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 häufig ansprechende Dashboards ohne nachhaltigen operativen Nutzen. Benutzer sehen sie sich möglicherweise kurz an, aber die Anzeigen verändern keine Entscheidungen.

Ein weiterer häufiger Fehler ist das Ignorieren der Datenqualität. Falsche Skalierungen, uneinheitliche Zeitstempel, fehlende Produktionszustände und nicht dokumentierte Tag-Änderungen können Analysen unbrauchbar machen.

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

Umgekehrt verfügen erfahrene Techniker möglicherweise über ein gutes Verständnis der Ausfallmechanismen, haben aber keinen Zugriff auf historische Belege. Leistungsfähige Projekte verbinden beide Perspektiven.

Übermäßige Komplexität birgt ein weiteres Risiko. Ein ausgefeiltes Modell kann kontinuierliche Betreuung, erneutes Training und die Interpretation durch Spezialisten erfordern. Ein einfacherer Indikator kann bei geringeren Lebenszykluskosten den größten Teil 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 gewartet werden.

Die Datenverantwortung muss abteilungsübergreifend im Engineering definiert werden

Die Sensoranalyse überschreitet traditionelle Organisationsgrenzen. Steuerungsingenieure verwalten die Maschinenlogik. IT-Teams verwalten Server und Unternehmensnetzwerke. Instandhaltungsteams sind für die Anlagenzuverlässigkeit zuständig. Produktionsteams tragen die Verantwortung für den Output.

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

Die Betriebsabteilung sollte die Zuständigkeit für Feldgeräte, Steuerungsschnittstellen, Gateways, Netzwerkinfrastruktur, Datenbanken, Analyseanwendungen, Cybersicherheit und Benutzersupport festlegen.

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

Datendefinitionen benötigen eine kontrollierte Dokumentation. Einheiten, Skalierung, Quelle, Aktualisierungsrate, Qualitätsstatus und vorgesehene Verwendung sollten während des gesamten Systemlebenszyklus verfügbar bleiben.

Verantwortlichkeit gilt auch für analytische Schlussfolgerungen. Ein Modell sollte nicht automatisch einen Instandhaltungsauftrag 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 kurze Handlungsaufforderung erscheinen.

Leistungskennzahlen sollten Entscheidungen messen, nicht das Datenvolumen

Die Anzahl vernetzter 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 höhere Gutleistung beim ersten Durchlauf, eine längere Lebensdauer von Komponenten, kürzere Zeiten für die Fehlersuche oder weniger Notfall-Instandhaltungsereignisse gehören.

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

Bei Qualitätsanalysen kann gemessen werden, ob Prozessabweichungen erkannt werden, bevor Produkte zurückgewiesen werden. Bei Energieprojekten kann der Verbrauch pro akzeptierter Einheit gemessen werden.

Die Leistung von Analysen sollte auch die Nutzerakzeptanz umfassen. Ein technisch genaues System hat nur begrenzten Wert, wenn Bediener und Techniker ihm nicht vertrauen oder es nicht nutzen.

Die Nachverfolgung bestätigter Erkenntnisse schafft eine effektive Rückkopplungsschleife. Jeder Alarm kann als korrekt, inkorrekt, nicht eindeutig oder nicht mehr relevant kategorisiert werden.

Dieser Prozess verbessert die Anwendung schrittweise. Er hilft dem Management außerdem, 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 den technischen Kontext nicht überflüssig. Schlechte Daten führen zu schlechten Modellen, selbst wenn der Algorithmus anspruchsvoll ist.

Anlagen sollten vor der Einführung fortschrittlicher Modelle eine einheitliche Anlagenidentität, Zeitstempel, Betriebszustände, Einheiten und Qualitätsindikatoren festlegen.

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

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

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

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

KI bietet den größten Nutzen, wenn sie erfahrene Fachkräfte unterstützt. Sie kann große Datensätze durchsuchen und ungewöhnliche Muster erkennen. Ingenieure und Techniker stellen anschließend den Zusammenhang zwischen diesen Mustern und ihrem Anlagenwissen her.

Die Fabrik der Zukunft wird selektive, kontextbezogene Daten nutzen

Fabriken der Zukunft werden noch mehr Daten erzeugen, da sich Sensorik, Bildverarbeitung, integrierte Diagnosesysteme und vernetzte Geräte weiter ausbreiten.

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

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

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

Die effektivsten Architekturen werden weiterhin aus mehreren Ebenen bestehen. Sie werden zeitkritische Funktionen nicht in Systeme 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 Messung. Ihr Wert steigt, wenn das System Kontext, Historie und betriebliche Bedeutung hinzufügt.

Ein Lichtschranke kann weiterhin ein einfacher Anwesenheitsdetektor sein. Sie kann aber auch dabei 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-Prüfgerät eingesetzt werden. Sie kann aber auch Fehlermuster, Materialschwankungen, Prozessabweichungen und Möglichkeiten zur Abfallreduzierung aufzeigen.

Der Unterschied liegt in der Architektur und im Zweck. Wenn Fabriken Sensorik, Steuerung, Netzwerke, Edge-Verarbeitung und Unternehmensanalysen auf klar definierte betriebliche Anforderungen ausrichten, werden Rohdaten zu praktisch nutzbaren Erkenntnissen.

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