aiMOOC

Predictive Maintenance - Wartungsbedarf mit KI vorhersagen

QR-Code

Einleitung

Zielgruppe: Auszubildende, empfohlen ab dem 2. Ausbildungsjahr. Voraussetzungen: Z1 oder vergleichbare KI- und Datenkompetenz sowie Grundkenntnisse zu Sensoren und Einheiten. Aktiviere dein Vorwissen mit dem vorhandenen Grundlagenkurs; dessen aktuelle Seite konnte beim Rechercheabruf nicht eingesehen werden. Dieser Kurs konzentriert sich deshalb auf das neue Lernprodukt: eine begründete Wartungsentscheidung für drei synthetische Maschinenverläufe.

Dein Ziel: Du prüfst Datenqualität, unterscheidest Auffälligkeit und Ausfallprognose, berechnest einfache erwartete Kosten, interpretierst ein Prognoseintervall und lässt einen unbeurteilbaren Fall ausdrücklich offen. Bearbeitung auf Papier oder mit einer lokalen Tabellenkalkulation, ganz ohne kostenpflichtiges KI-Konto.

Sicherheitsgrenze: Ausschließlich Simulation. Keine Maschinensteuerung, keine Sicherheitsfreigabe, keine reale Wartungsanweisung. Dieses unabhängige Bildungsangebot ist keine offizielle Liebherr- oder IHK-Zertifizierung. Alle Maschinennamen, Messwerte, Modellwahrscheinlichkeiten und Kosten in den Aufgaben sind frei erfunden.

Vom Maschinenzustand zur Wartungsfrage

Auffälligkeit ist noch keine Ausfallvorhersage

Bei der prädiktiven Instandhaltung werden Zustandsdaten ausgewertet, um eine Maßnahme rechtzeitig und wirtschaftlich zu planen. Reaktive Instandhaltung reagiert erst nach dem Ausfall; präventive Instandhaltung folgt beispielsweise einem festen Intervall; zustandsorientierte Instandhaltung betrachtet den gemessenen Zustand; prädiktive Instandhaltung schätzt zusätzlich ein zukünftiges Risiko unter angegebenen Bedingungen.

Ein Anomaliewert zeigt nur, dass eine Messung ungewöhnlich erscheint. Ein Lastwechsel, eine andere Drehzahl, ein defekter Sensor oder eine echte Schädigung können ähnliche Abweichungen verursachen. Eine Ausfallwahrscheinlichkeit bezieht sich dagegen auf ein definiertes Ereignis in einem definierten Zeitfenster, beispielsweise „Komponentenausfall innerhalb der nächsten sieben Schichten“. Eine Restnutzungsdauer (Remaining Useful Life, RUL) verlangt noch weiter gehende Nachweise zum Schädigungsverlauf und zum Ausfallkriterium. Aus einer bloßen Anomalie folgt keine sichere Restlebensdauer.

Kurzcheck: Notiere in drei Sätzen den Unterschied zwischen „Messwert ungewöhnlich“, „35 % Ausfallrisiko in sieben Schichten“ und „noch 40 Betriebsstunden“. Welche Aussage braucht den stärksten Nachweis?

Was messen wir und was fehlt?

Typische Eingaben sind Schwinggeschwindigkeit in mm/s, Temperatur in °C, Stromaufnahme in A, Drehzahl in min⁻¹, Last in Prozent und Zeitstempel. Die Einheit, Kalibrierung, Messposition und der Betriebszustand gehören zum Wert. Ein Schwingungswert bei 90 % Last ist nicht ohne Weiteres mit einem Wert bei 35 % Last zu vergleichen. Als Merkmal (Feature) dienen zum Beispiel gleitender Mittelwert, Trend oder Streuung.

Bild: Schwingungssensor am Motor; Cedric Leturcq, CC BY-SA 4.0, Dateiseite. Ohne Bild: Ein Sensor erfasst Schwingungen an einer Maschine; die Werte sind nur zusammen mit Last und Messbedingungen interpretierbar.

Animation: Feder-Masse-Prinzip, Wikimedia Commons, CC BY-SA 4.0. Ohne Animation: Beschleunigt das Gehäuse, reagiert eine träge Masse relativ zur Feder; diese Bewegung lässt sich messen.

Audiooption, englische Begriffsaussprache: . Quelle: Sylvanmoon, CC BY-SA 4.0, Dateiseite. Textalternative: accelerometer bedeutet Beschleunigungssensor. Für das fachliche Verständnis ist das Audio nicht erforderlich.

Messreihen prüfen und vergleichbar machen

Die drei Modellmaschinen

Alle Daten sind eigens für diese Übung synthetisch; t1 bis t6 bezeichnen sechs aufeinanderfolgende Schichten. Schwinggeschwindigkeiten sind, soweit nicht anders angegeben, in mm/s. Fehlende Daten sind mit „fehlt“ gekennzeichnet. Für alle drei Maschinen wird derselbe rein simulierte Wartungshorizont von sieben folgenden Schichten betrachtet.

Schicht	Maschine A: Last in %	A: Schwingung in mm/s	Maschine B: Last in %	B: Schwingung (Rohfeld)	Maschine C: Last in %	C: Schwingung in mm/s
t1	40	2,0	60	2,1 mm/s	65	2,2
t2	85	3,2	61	2,2 mm/s	66	2,5
t3	40	2,1	fehlt	fehlt	65	2,9
t4	86	3,3	62	0,0045 m/s	65	3,4
t5	42	2,1	fehlt	fehlt	66	3,8
t6	84	3,2	63	2,4 mm/s	66	4,2

A: Schwingung springt zusammen mit der Last, ohne einen kontinuierlichen Anstieg bei vergleichbarer Last. B: Zwei Datenlücken; t4 ist in m/s statt mm/s notiert. Nach korrekter Umrechnung sind 0,0045 m/s gleich 4,5 mm/s. Ob dieser Sprung auf Schaden, Messfehler oder geänderten Betrieb zurückgeht, bleibt ungeklärt. C: Die Last bleibt etwa konstant, der Messwert steigt in diesem Modellfall über fünf Schichtabstände um 2,0 mm/s; die mittlere Differenz beträgt 0,4 mm/s je Schicht. Daraus darf keine sichere Ausfallzeit extrapoliert werden.

Geführte Übung: Schreibe für B t4 die Umrechnung mit Einheit auf. Markiere fehlende Schichten als fehlend, statt sie stillschweigend durch null zu ersetzen. Zeichne alle drei Verläufe auf kariertem Papier oder nutze eine offline verfügbare Tabellenkalkulation; zeige bei A die Last zusätzlich an. Notiere mindestens einen alternativen Erklärungsversuch für jeden auffälligen Verlauf.

Qualitätssicherung als dokumentierter Entscheidungsschritt

Prüfe zuerst Zeitstempel und Sensoridentität, dann Einheiten und Wertebereich, Datenlücken und Duplikate, anschließend Last, Drehzahl und Betriebsphasen. Kennzeichne Messwertänderungen, die allein durch Umrechnung entstanden sind. Ein fehlender Wert ist keine gemessene Null. Eine automatische Interpolation kann gerade den Beginn einer Störung verdecken. Bei nicht plausibel auflösbaren Widersprüchen lautet der datenwissenschaftlich korrekte Status unbekannt – Messung und Kontext prüfen.

Begriffshilfe: Datenleckage bedeutet, dass beim Modelltraining Informationen aus der Zukunft in vermeintliche Vergangenheit geraten. Verteilungsverschiebung bedeutet, dass ein neues Werkstück, ein neuer Sensor oder veränderte Lastbedingungen nicht mehr gut zu den Trainingsdaten passen. In beiden Fällen kann eine scheinbar genaue Prognose unbrauchbar werden.

Risiken prognostizieren und Unsicherheit zeigen

Vom Merkmal zur Prognose

Ein Modell lernt aus historischen Daten, bei welchen Kombinationen aus Betriebszuständen und beobachteten Schäden Ausfälle innerhalb eines vorher festgelegten Horizonts vorkamen. Möglich sind beispielsweise logistische Regression, Entscheidungsbäume oder Modelle für Messreihen. Trainiere und teste zeitlich getrennt, möglichst auch auf bislang ungesehenen Maschinen. Kalibrierung fragt, ob unter ähnlich bewerteten Fällen beispielsweise von 100 Fällen mit vorhergesagten 30 % ungefähr 30 ausfallen. Ein Modell mit guter Trefferquote muss nicht kalibriert sein.

Nur für diesen Modellfall nehmen wir folgende bereits außerhalb der Lernaufgabe berechnete, hypothetische Ausgaben an; die Zahlen sind keine aus den sechs Werten trainierten oder empirisch abgesicherten Vorhersagen:

Maschine	Modellschätzung: Ausfall in sieben Schichten	Unsicherheitsbereich der Risikoschätzung	Prognoseintervall für Schwingung t7	Interpretation
A	8 %	3–15 %	1,9–3,5 mm/s, abhängig von Last	Lastwechsel berücksichtigen
B	nicht belastbar	nicht angebbar	nicht seriös angebbar	Daten fehlen, Einheit und Ausreißer prüfen
C	35 %	20–50 %	4,1–5,2 mm/s bei vergleichbarer Last	steigende Tendenz, fachlich prüfen

Die genannten Bandbreiten sind didaktische Beispielwerte. Das t7-Prognoseintervall soll unter den Modellannahmen einen möglichen zukünftigen Messwertbereich beschreiben; es ist weder automatisch ein Konfidenzintervall für die Ausfallwahrscheinlichkeit noch eine sichere Fehlergrenze. Die 20–50 % bei C sind eine illustrative Modellunsicherheit und nicht durch eine echte Validierungsstudie gedeckt. Ein seriöses 90-%-Prognoseintervall benötigt Kalibrierung und eine Prüfung seiner tatsächlichen Trefferhäufigkeit. Für B darf keines erfunden werden.

Grafik: Allgemeine Statistik von Prognoseintervallen, nicht das Maschinenmodell; Mikael Häggström, CC0 1.0, Dateiseite. Ohne Grafik: Ein Intervall umfasst plausible zukünftige Werte bei angegebenen Annahmen; es garantiert den Einzelfall nicht.

Modellgüte und Fehlklassifikation

Bei einer Konfusionsmatrix stehen tatsächlicher Ausfall und tatsächlich ausbleibender Ausfall den Alarmen und Nichtalarmen gegenüber. Falsch positiv heißt: Alarm, obwohl im Vorhersagefenster kein Ausfall eintritt; falsch negativ heißt: kein Alarm trotz Ausfall. Seltene Ereignisse machen bloße Gesamtgenauigkeit als Qualitätsmaß besonders unzuverlässig. Prüfe Präzision, Sensitivität, Kalibrierung und die Folgen verschiedener Fehlertypen.

Grafik: Prinzip der Konfusionsmatrix (allgemeines englischsprachiges Beispiel), Jackverr, CC BY-SA 3.0, Dateiseite. Ohne Grafik: Alarm ja/nein wird mit Ausfall ja/nein verglichen; dadurch entstehen richtig positiv, falsch positiv, falsch negativ und richtig negativ.

Kosten abwägen und Instandhaltung planen

Nicht jeder Alarm rechtfertigt sofort einen Eingriff

Die folgenden Kosten sind frei erfundene reine Rechenwerte: 600 € für eine unnötige vorbeugende Intervention und 4.000 € für einen im Sieben-Schichten-Fenster eingetretenen Ausfall. Ein Fehlalarm verursacht z. B. Prüfaufwand, unnötigen Teiletausch, Produktionsunterbrechung und Materialverbrauch. Ein übersehener Ausfall kann wesentlich teurer sein. In diesem vereinfachten Modell vergleichen wir 600 € Eingriffskosten mit „Ausfallrisiko mal 4.000 €“. A: 0,08 × 4.000 € = 320 €. C: 0,35 × 4.000 € = 1.400 €. B: ohne belastbares Risiko keine seriöse Rechnung. Rein rechnerisch läge die Schwelle hier bei 600/4.000 = 15 %.

Achtung: Dieser Vergleich setzt hypothetisch voraus, dass der Eingriff das Ereignis vollständig verhindert und dass alle sonstigen Kosten gleich sind. In der Praxis müssen Inspektion, Restrisiko, Stillstandsfenster, Ersatzteilverfügbarkeit, Folgen für Menschen und Umwelt sowie verbindliche Sicherheitsregeln separat einbezogen werden. Niemals darf ein niedriger KI-Wert eine vorgeschriebene Prüfung ersetzen. Eine Wartungsentscheidung ist deshalb ein begründeter menschlicher Vorschlag, kein autonomer Maschinenbefehl.

Drei Entscheidungen als Lernprodukt

Verlauf	Vorschlag in der Simulation	Begründung	Was fehlt oder ist zu prüfen?
A	Weiter beobachten und Lastwerte getrennt vergleichen	Bei vergleichbarer Last kein klarer steigender Verlauf; Beispielrisiko 8 %, erwarteter Schaden 320 € niedriger als angenommene 600 €	Ungewissheit, Messgüte, vorgeschriebene Prüfintervalle und mögliche Fehlalarmkosten ausdrücklich nennen
B	Entscheidung offenlassen, Datennachmessung und Einheitenprüfung anfordern	Zwei Lücken und uneinheitliches Rohfeld; keine belastbare Ausfallwahrscheinlichkeit und kein seriöses Prognoseintervall	Sensor, Zeitstempel, Datenlücken und 0,0045 m/s prüfen; keinen fiktiven RUL-Wert erzeugen
C	Eine fachliche Inspektion im nächsten geeigneten Simulationsfenster vorschlagen	Bei annähernd gleicher Last steigende Werte; hypothetisches Risiko 35 %, Kostenvergleich 1.400 € gegenüber 600 €	Prognoseintervall t7 4,1–5,2 mm/s, Modellunsicherheit 20–50 %, Ursachen- und Sicherheitsprüfung durch Fachverantwortliche

Drei verbindliche Qualitätsfragen: (1) Sind Fehlalarmkosten und übersehene Ausfälle nachvollziehbar benannt? (2) Ist für belastbare Prognosen mindestens ein korrekt beschriftetes Prognoseintervall mit seinem angenommenen Geltungsbereich angegeben? (3) Bleibt B als unbekannter Fall tatsächlich offen, ohne erfundene Restlebensdauer? Prüfe die drei Fragen schriftlich für A, B und C.

Fachliche Kommunikation statt Black Box

Ein wartbares Ergebnis enthält Datenstand, Datenqualität, Lastkontext, Modellversion, Horizont, Schätzung und Unsicherheitsbereich, nachvollziehbare Kosten, Handlungsvorschlag und Entscheidungsträger. Schreibe nicht „KI garantiert noch zehn Tage“, wenn lediglich eine Zustandsanomalie entdeckt wurde. Eine verständliche Alternative lautet: „Unter Modellannahmen steigt das geschätzte Ausfallrisiko im kommenden Beobachtungsfenster; eine fachliche Prüfung wird empfohlen.“

Industrielle Schnittstellen und selbstständiger Transfer

Was OPC UA und Verwaltungsschale beitragen

OPC UA ist ein Standard für interoperablen Informationsaustausch mit Informationsmodellen, Zugriffsrechten und Sicherheitsmechanismen. Er sorgt nicht selbst für korrekte Ausfallwahrscheinlichkeiten. Die Verwaltungsschale (Asset Administration Shell, AAS) soll maschinenbezogene Informationen und standardisierte Teilmodelle zugänglich machen. Die Industrial Digital Twin Association stellt dazu u. a. die Dokumente IDTA 02048 Predictive Maintenance, IDTA 02008 Time Series Data und IDTA 02013 Reliability bereit; Versionsstand des konkreten Downloads bei späterer Nutzung erneut prüfen. Diese Standards unterstützen die Strukturierung und den Austausch, ersetzen aber weder Sensorprüfung noch Modellvalidierung.

Schema für eine rein fiktive Leseschnittstelle: Maschinen-ID → Zeitstempel → Messwert → Einheit → Last → Qualitätshinweis → Modellversion → prognostizierter Horizont → Unsicherheitsvermerk → freizugebender Wartungsvorschlag. Nicht an echte industrielle Netze anschließen; keine Schreiboperation, kein Steuerbefehl.

Transfer: ein unbekannter vierter Fall

Maschine D wird nach einem Sensorwechsel erstmals gemessen. Es gibt fünf scheinbar normale Schwingungswerte, aber weder Angaben zur alten Kalibrierung noch Ausfallbeispiele dieses Sensorentyps. Entscheide nicht aufgrund einer bloß hohen Modellkonfidenz. Formuliere drei benötigte Nachweise, eine vorläufige menschliche Zuständigkeit und eine Begründung für „noch keine belastbare Prognose“. Prüfe dabei auch, ob das Modell unter Verteilungsverschiebung eingesetzt würde.

Vertiefung: Leite aus den fiktiven Kosten eine Entscheidungsgrenze her und diskutiere, wie sie sich verändert, wenn eine übersehene Störung 20.000 € statt 4.000 € kosten würde. Diese vereinfachte Rechnung ist ausdrücklich kein Sicherheitsfreigabeverfahren.

Videoimpuls (deutsch, optional): Fraunhofer ITWM, Dr. Benjamin Adrian, „Predictive Maintenance richtig umsetzen – Bewährte Vorgehensweisen und Praxisbeispiele“ (Vortrag 2021, Video 2022).

Direktlink zum Video. Ohne Video: Die Schritte dieses Kurses – Kontext prüfen, Modellgrenzen angeben, Unsicherheit bewerten und fachlich planen – sind vollständig im Text erklärt. Externe Verfügbarkeit und YouTube-Bedingungen können sich ändern.

Interaktive Aufgaben

Nutze die automatische Auswertung der folgenden Aufgaben als Lernrückmeldung. Die richtigen Antwortoptionen werden im Aufgabentext nicht vorab erläutert. Bei Fehlern vergleiche deine Überlegung mit Messbedingungen, Horizont, Kosten und Unsicherheit aus den Hauptkapiteln.

Quiz: Wissen und Entscheiden

Welcher Satz trennt Anomalie von Prognose richtig? (Eine Anomalie ist zunächst eine Auffälligkeit und keine verlässliche Restlebensdauer) (!Jede Anomalie beweist einen Ausfall in genau einer Schicht) (!Eine Anomalie macht Messbedingungen überflüssig) (!Ein Anomaliewert ist bereits eine Wartungsfreigabe)

Wozu gehört die Angabe des Vorhersagehorizonts? (Zu einer Aussage über Ausfallwahrscheinlichkeit in einem definierten Zeitfenster) (!Nur zur Darstellung der Sensorfarbe) (!Nur zur Dateigröße des Messprotokolls) (!Zum Ersatz der Sicherheitsunterweisung)

Was ist 0,0045 m/s in mm/s? (4,5 mm/s) (!0,0045 mm/s) (!450 mm/s) (!4500 mm/s)

Wie ist das leere Rohfeld bei Maschine B zu behandeln? (Als fehlenden Messwert markieren und Ursache prüfen) (!Als nachgewiesenen Nullwert behandeln) (!Als Beweis für eine störungsfreie Schicht werten) (!Aus dem Datensatz unsichtbar löschen und Sicherheit behaupten)

Welche Beobachtung stützt bei Maschine A eher einen Lastzusammenhang? (Höhere Schwingung fällt wiederholt mit höherer Last zusammen) (!Der Sensor zeigt zu jeder Zeit denselben Wert) (!Es fehlen bei A alle Lastwerte) (!Die Daten beweisen ohne Prüfung einen Lagerverschleiß)

Was bezeichnet das Prognoseintervall von C für t7? (Einen möglichen Bereich zukünftiger Messwerte unter Modellannahmen) (!Eine Garantie für die genaue Ausfallminute) (!Die Kosten eines Ersatzteils) (!Eine amtliche Sicherheitsfreigabe)

Was ist in einer Alarmbewertung ein falsch positiver Fall? (Alarm ohne tatsächlichen Ausfall im betrachteten Fenster) (!Ausfall trotz ausgebliebenem Alarm) (!Ausfall mit korrekt gemeldetem Alarm) (!Kein Ausfall ohne Alarm)

Wie hoch ist der vereinfachte erwartete Ausfallschaden bei C? (1400 Euro) (!35 Euro) (!600 Euro) (!4000 Euro unabhängig von der Wahrscheinlichkeit)

Welche Aussage zu Maschine B ist verantwortbar? (Mangels Datenqualität bleibt eine belastbare Prognose offen) (!Die Restlebensdauer beträgt genau acht Schichten) (!Eine Datenlücke beweist einen Sensorschaden) (!Der höhere Rohwert ist stets ein mechanischer Ausfall)

Welche Rolle hat OPC UA im betrachteten Beispiel? (Es unterstützt einen strukturierten und abgesicherten Datenaustausch) (!Es garantiert die Kalibrierung eines KI Modells) (!Es berechnet automatisch einen sicheren Ausfalltermin) (!Es ersetzt die menschliche Entscheidung über Wartung)

Memory

Ordne jeden Fachbegriff seiner einmaligen Erläuterung zu.

Anomalie	Auffälliger Datenpunkt ohne gesicherte Ursache
Horizont	Definierter Zeitraum für die Ausfallprognose
Kalibrierung	Abgleich geschätzter Risiken mit beobachteten Häufigkeiten
Fehlalarm	Gemeldetes Risiko ohne eingetretenes Zielereignis
Datenlücke	Zeitabschnitt ohne vorliegenden Messwert
Restnutzungsdauer	Geschätzte verbleibende Zeit bis zu einem definierten Ausfallzustand

Drag-and-Drop

Ordne die Handlungen den passenden Beobachtungen zu.

Passender Handlungsschritt	Beobachteter Sachverhalt
Einheit umrechnen	Schwingungswert in Meter je Sekunde
Last normalisieren	Wechsel zwischen hoher und niedriger Auslastung
Datenlücke markieren	Fehlender Wert im zeitlichen Verlauf
Unsicherheit angeben	Bandbreite einer Zukunftsschätzung
Expertin hinzuziehen	Steigender Trend bei vergleichbarer Last

Kreuzworträtsel

Sechs Fachwörter aus der Lektion; jede Lösung ist ein einzelnes Wort.

Sensor	Gerät zum Erfassen einer physikalischen Messgröße
Anomalie	Ungewöhnlicher Messwert ohne zwangsläufigen Ausfallbeweis
Prognose	Aussage über eine mögliche künftige Entwicklung
Intervall	Bereich zwischen zwei Grenzen einer Vorhersage
Ausfall	Unerwünschtes Ende der vorgesehenen Funktion
Wartung	Maßnahme zum Erhalten der Funktionsfähigkeit

LearningApps

Ergänzende Suchübungen zum Thema; die konkreten fremden Apps können sich ändern und wurden nicht als Einzelfallaufgaben geprüft.

Ohne Einbettung: LearningApps-Suche oder bearbeite die hiesigen Zuordnungen offline.

Lückentext

Eine ungewöhnliche Messung heißt

.

Die festgelegte Dauer der Ausfallbetrachtung nennt man

.

Ein nicht aufgezeichneter Datenpunkt ist eine

.

Vor dem Vergleich verschiedener Maßeinheiten ist eine

erforderlich.

Ein Alarm ohne späteren Ausfall ist ein

.

Eine geschätzte Spanne zukünftiger Messwerte ist ein

.

Die Übereinstimmung geschätzter Risiken mit Häufigkeiten heißt

.

Fehlen verlässliche Angaben für B, bleibt die Prognose

.

Aus einem Auffälligkeitssignal allein folgt keine sichere

.

Eine reale Sicherheitsentscheidung erfordert fachliche

.

Offene Aufgaben

Leicht

Sensorik: Zeichne den Datenfluss Sensor – Zeitstempel – Einheit – Last – Auswertung; beschrifte jedes Element am fiktiven Beispiel A.
Messgrößen: Rechne 0,0045 m/s in mm/s um und erkläre schriftlich, warum eine rohe Zusammenführung ohne Einheit riskant ist.
Datenqualität: Kennzeichne in der Tabelle alle fehlenden Werte bei B und notiere zwei mögliche Ursachen, ohne eine davon als Tatsache auszugeben.
Instandhaltung: Schreibe je einen Satz zu reaktiver, präventiver und prädiktiver Instandhaltung mit passenden Beispielen.

Standard

Datenvisualisierung: Zeichne A und C auf Papier oder offline in einer Tabelle; zeige bei A den Lastwechsel und bei C den Unterschied zwischen Beobachtung und Prognose.
Wahrscheinlichkeit: Erkläre die hypothetischen 8 % und 35 % mit Sieben-Schichten-Horizont sowie die Grenzen ihrer Aussagekraft.
Kostenrechnung: Berechne 8 % und 35 % von 4.000 €; benenne zwei Fehlalarmkosten und prüfe die vereinfachte 600-€-Entscheidungsgrenze.
Prognoseintervall: Erstelle eine kleine Legende zum Intervall 4,1–5,2 mm/s für C und erläutere, warum es keine garantierte Restlebensdauer ist.

Schwer

Maschinelles Lernen: Entwirf eine zeitlich saubere Trainings- und Testaufteilung für historische Maschinendaten und beschreibe ein mögliches Datenleck.
Risikomanagement: Bewerte drei Fehlerfolgen aus Fehlalarm, übersehenem Ausfall und zu engem Intervall und begründe eine risikobewusste Handlung.
Industrie 4.0: Skizziere ein rein lesendes Informationsschema mit OPC UA und Verwaltungsschale einschließlich Einheit, Qualität und Modellversion.
Transferlernen: Verfasse einen einseitigen Entscheidungsbericht zu A, B und C mit Fehlerfallbegründung; lasse B ausdrücklich offen und benenne benötigte Zusatzdaten.

Lernkontrolle

Wartungsplanung: Erkläre, warum du A trotz Lastspitzen zunächst beobachtest, und nenne einen denkbaren Fehler dieser Entscheidung.
Datenvalidierung: Entscheide über B mit dokumentierter Umrechnung, beiden Lücken und einem begründeten Status ohne fiktive Ausfallzeit.
Prognose: Gib für C Ereignis und Sieben-Schichten-Horizont sowie t7-Intervall und Modellunsicherheitsbereich korrekt und getrennt an.
Kosten-Nutzen-Analyse: Berechne die hypothetische 15-%-Schwelle und beurteile, warum reale Sicherheit damit niemals entschieden werden darf.
Fehlerklassifikation: Erkläre an einem plausiblen Beispiel den Unterschied zwischen falschem Alarm und übersehenem Ausfall einschließlich zweier Kostenfolgen.
Modellprüfung: Begründe, warum ein neues Sensormodell bei D trotz plausibler Messwerte eine neue Validierung erfordert.

Lernnachweis

Eigenständiges Lernprodukt: Ein Wartungsentscheidungsblatt für die drei simulierten Verläufe A, B und C. Es enthält (a) eine bereinigte Tabelle samt Originaleinheiten und markierten Lücken, (b) eine selbst erstellte Verlaufsgrafik oder präzise beschriebene Wertfolge, (c) pro Maschine einen Entscheidungsvorschlag mit Unsicherheit und Begründung, (d) die nachvollziehbare 600-/4.000-€-Kostenabwägung, (e) das korrekt beschriftete Prognoseintervall für C und (f) den ausdrücklich unbekannten Status von B. Schließe mit einer Erklärung, welcher eigener Denkfehler zu einem unnötigen Eingriff oder übersehenen Ausfall führen könnte.

Beurteilungsraster: Datenhygiene und Einheiten 25 %; fachliche Trennung von Anomalie, Ausfallrisiko, Intervall und RUL 25 %; begründete Entscheidung und Fehlalarmkosten 25 %; kritischer Transfer, offene Fragen und Sicherheit 25 %. Keine Auswertung personenbezogener Schülerdaten; Abgabe auf Papier möglich.

Selbsttest der drei Pflichtkriterien: Du benennst Fehlalarmkosten; du zeigst mindestens ein als fiktiv gekennzeichnetes Prognoseintervall samt Geltungsbereich; du lässt den datenarmen Fall B ohne Scheinpräzision offen. Im Fachgespräch verteidigst du je eine Entscheidung für A und C und begründest einen möglichen Fehlerfall.

OER und Wikipedia

Quellenstand: Recherche am 21. Oktober 2026. Übertragbarkeit, externe Erreichbarkeit und Versionsstand können sich ändern; keine der folgenden Seiten ist eine amtliche Sicherheitsfreigabe. Die vorausgesetzte MOOCwiki-Seite Grundlagen war beim Abruf extern nicht erreichbar, daher wird ihr Inhalt hier nicht nacherzählt.

NIST: Manufacturing Machinery Maintenance – Unterschied von reaktiver, präventiver und prädiktiver Wartung.
NIST: Review zu Condition Monitoring, 9. Juli 2025 – Nutzen und Grenzen der Bewertung von Wartungslösungen.
IDTA: Downloads – Recherche zu Teilmodellen 02048 Predictive Maintenance, 02008 Time Series Data und 02013 Reliability; Versionsnummer beim tatsächlichen Download kontrollieren.
OPC Foundation: OPC UA – Architektur, Interoperabilität, Informationsmodell und Zugriffsschutz; Portalstand beim Abruf 2026.
Fraunhofer ITWM: Fachvortrag (2021) – ergänzender deutschsprachiger Praxisbezug.
ISO 13381-1:2025, Prognostics – Normtitel bzw. Normversion vor praktischer Nutzung über offiziellen Katalog kontrollieren; der Volltext kann lizenzpflichtig sein.
Wikipedia: Prädiktive Instandhaltung – frei zugänglicher Überblick, keine Primärquelle.

Lizenz- und Mediennachweise: Urheber und Lizenzen wurden anhand der verlinkten Commons-Dateiseiten geprüft. Alle Medien können ausgelassen werden, ohne eine Aufgabenlösung zu verlieren. Bilder, Ton und Animation stammen nicht aus dem fiktiven Datensatz; die statistischen Grafiken zeigen keine Maschine A, B oder C.

Datei bzw. Medium	Quellseite	Urheber	Lizenz / Nutzungsform
File:Wi-care sensor on reciprocating motor.png	Commons	Cedric Leturcq	CC BY-SA 4.0
File:Accelerometer Spring.gif	Commons	Urheberangabe auf der verlinkten Dateiseite maßgeblich	CC BY-SA 4.0
File:En-us-accelerometer.ogg	Commons	Sylvanmoon	CC BY-SA 4.0
File:Standard score and prediction interval.svg	Commons	Mikael Häggström	CC0 1.0
File:ConfusionMatrix.png	Commons	Jackverr	CC BY-SA 3.0
https://www.youtube.com/watch?v=eOUbpwrptmU	Fraunhofer-Veranstaltungsseite	Dr. Benjamin Adrian / Fraunhofer ITWM	Externe Videoeinbettung, keine OER-Lizenz behauptet; YouTube

Quellenkritik: Ein Website- oder Normtitel beweist weder eine validierte KI noch die Kompatibilität mit einer konkreten Maschine. Für echte Anwendungen wären belastbare Herstellerangaben, normative Anforderungen, repräsentative Fehlerdaten, laufende Modellüberwachung und autorisierte Fachentscheidungen nötig.

Wikipedia im mobilen Lesefenster (deutsch):

Alternativ nutze den obigen Textlink.