Predictive Maintenance in der schweren Fertigung mit LoRaWAN: Zustände statt Stillstand

Schwere Fertigung stellt andere Anforderungen als ein sauberer Kleinmaschinenpark. Pressen, Walzwerke, Krane, Öfen, Bearbeitungszentren, Pumpen, Absaugungen und Kühlkreisläufe erzeugen Hitze, Schwingung, Metallstaub und starke elektromagnetische sowie mechanische Belastungen. Ungeplante Stillstände sind teuer, doch eine falsche Wartungsprognose kann ebenso schaden. LoRaWAN kann zusätzliche Zustandsdaten aus schwer verkabelbaren Punkten liefern, wenn Sensorik und Diagnose zum Prozess passen.

Predictive Maintenance bedeutet dabei nicht, dass ein Algorithmus den Ausfalltag magisch vorhersagt. Meist beginnt der Nutzen einfacher: Verschlechterung früher erkennen, Wartung gezielter vorbereiten, wiederkehrende Fehlerbilder vergleichen und ungeplante Eingriffe reduzieren. Die Prognosequalität wächst erst mit belastbaren Daten, bestätigten Befunden und einem funktionierenden Instandhaltungsprozess.

Kurz zusammengefasst: LoRaWAN eignet sich in schwerer Fertigung für verteilte Temperatur-, Vibrations-, Druck-, Strom- und Zustandskennwerte. Rohdaten werden lokal verdichtet; Wartungsentscheidungen bleiben an Anlagenwissen, Befund und sichere Arbeitsverfahren gebunden.

Condition Monitoring ist noch keine Prognose

Condition Monitoring beschreibt den beobachteten Zustand. Diagnose ordnet eine Auffälligkeit einem möglichen Fehlerbild zu. Prognose schätzt, wie sich der Zustand weiterentwickeln könnte. Das NIST-Papier zu PHM-Standards in der Fertigung beschreibt Diagnostik und Prognostik als Grundlage für handlungsrelevante Informationen zu Leistung, Sicherheit, Zuverlässigkeit und Wartbarkeit.

Diese Stufen sollten im Dashboard getrennt bleiben. Temperatur erhöht ist eine Messung. Lagerproblem wahrscheinlich ist eine Diagnose mit Unsicherheit. Wartung innerhalb von 80 Betriebsstunden ist eine Prognose, die Annahmen und einen überprüfbaren Horizont braucht. Wer diese Ebenen vermischt, erzeugt mehr Vertrauen in das Modell, als die Daten rechtfertigen.

Asset	Geeignete Signale	Lokale Verarbeitung	Mögliche Entscheidung
Großlager/Getriebe	Vibration, Temperatur, Drehzahl	RMS, Crest, Bandenergie, Trend	Inspektion oder Schmierung planen
Hydraulik/Pneumatik	Druck, Temperatur, Laufzeit, Leckindikator	Zyklus- und Druckabfallkennwerte	Dichtung oder Ventil prüfen
Motor/Pumpe	Strom, Temperatur, Schwingung, Laufzeit	Lastbezogene Abweichung	Ausrichtung, Lager oder Versorgung prüfen
Ofen/Absaugung	Temperatur, Differenzdruck, Lüfterstatus	Grenzen und Prozessphasen	Filter, Lüfter oder Dichtung warten
Kran/Fördertechnik	Laufzeit, Stoß, Bremse, Position	Ereignisse und Belastungsklassen	Prüfung nach Ereignis priorisieren

Die Messgröße muss zum Fehlermechanismus passen

Ein Temperatursensor erkennt nicht jede Lagerstörung früh genug. Ein Beschleunigungssensor an einem weichen Blech misst möglicherweise mehr Strukturresonanz als Lagerzustand. Stromsignaturen verändern sich mit Prozesslast. Deshalb beginnt ein Sensorprojekt mit Fehlerhistorie, FMEA oder vergleichbarer Anlagenanalyse. Erst dann werden Sensorposition, Messbereich und Auswertekennwert gewählt.

Die NIST-Arbeit zu Prognostics, Health Management and Control betont robuste Sensorik, Diagnostik und Prognostik für Entscheidungen in der Fertigung. Für einen Pilot bedeutet das: bekannte Fehlerbilder und bestätigte Wartungsbefunde sind wertvoller als große Mengen unbeschrifteter Normaldaten.

Ein verwertbarer Wartungsdatensatz verbindet

• Asset, Baugruppe, Sensorposition und Betriebsmodus
• Messwert, Kennwert, Einheit, Zeit und Datenqualität
• Last, Drehzahl, Produkt oder Prozessphase
• Arbeitsauftrag, Befund, getauschte Teile und Ursache
• Modell- oder Regelversion sowie spätere Erfolgskontrolle

Edge-Verarbeitung entlastet Funk und Plattform

Vibrations- oder Stromrohdaten entstehen mit Kilohertz-Abtastraten. Sie passen nicht in regelmäßige LoRaWAN-Uplinks. Ein Edge-Knoten erfasst kurze Fenster, filtert sie, berechnet Kennwerte oder führt ein kleines Modell aus. Gesendet werden Trend, Anomaliescore, Betriebszustand und ein Hinweis, ob lokale Rohdaten gespeichert wurden.

Diese Architektur schafft eine natürliche Verbindung zu TinyML und LoRaWAN Edge AI. Nicht jede lokale Logik braucht Machine Learning. Häufig sind physikalische Kennwerte und klare Schwellen transparenter. TinyML lohnt sich dort, wo mehrere Signale oder komplexe Muster einen nachweisbaren Zusatznutzen liefern.

LoRaWAN in Hallen aus Stahl

Die LoRa Alliance beschreibt LoRaWAN als Low-Power-Netz für kleine Datenmengen. In großen Hallen kann ein privates Netz viele Sensorpunkte versorgen. Stahlregale, Maschinen, Krane, abgeschirmte Schaltschränke und wechselnde Materialstapel erzeugen jedoch Reflexionen und Abschattung. Reichweite im Freifeld sagt wenig über einen Sensor hinter einer Presse aus.

Gateways sollten über Hallenzonen verteilt, möglichst redundant empfangend und an belastbaren Backhaul angeschlossen sein. Funkmessungen müssen Produktionszustände abdecken: leere und volle Lagerflächen, geschlossene Tore, laufende Krane und abgestellte Großteile. Die LoRa-Gatewayplanung sollte auch spätere Hallenumbauten und mobile Anlagen berücksichtigen.

• Sensorposition und Antenne an der realen Maschine testen
• Paketverlust nach Schicht, Produkt und Hallenkonfiguration auswerten
• mehrere Gateways für kritische Zonen vorsehen
• Backhaul- und Stromausfall getrennt überwachen
• lokalen Speicher für Diagnosedaten und Kommunikationslücken einplanen

Bandbreite und Downlinks begrenzen das Design

The Things Network erläutert in den LoRaWAN-Limitierungen geringe Bandbreite, kleine Payloads und eingeschränkte Downlinkkapazität. Das passt zu stündlichen Trends und Ereignissen, nicht zu permanenter Maschinensteuerung. Konfigurationsänderungen sollten selten, versioniert und quittiert erfolgen.

Ein häufiger Fehler ist zu aggressives Senden bei Alarm. Wenn viele Sensoren gleichzeitig verdichten und jedes Sample übertragen wollen, sinkt die Netzqualität. Besser sind lokale Ereignisfenster, priorisierte Kurzmeldungen und ein separater Weg für umfangreiche Diagnosedaten.

Betriebsmodus verhindert falsche Alarme

Eine Presse im Einrichtbetrieb klingt anders als in Serienproduktion. Ein Motor bei Teillast hat andere Strom- und Schwingungswerte als unter Volllast. Deshalb muss jedes Signal einem Betriebsmodus zugeordnet werden. Maschinensteuerung, Strommessung oder ein einfacher Laufkontakt können diesen Kontext liefern.

Modelle sollten nicht versuchen, jede Kombination aus Produkt, Werkzeug und Last in einen einzigen Normalwert zu pressen. Getrennte Profile oder physikalisch normalisierte Kennwerte sind oft robuster. Wenn ein neuer Auftrag außerhalb des bekannten Bereichs liegt, ist unbekannt eine bessere Ausgabe als ein selbstsicherer Alarm.

Diagnoseregel: Eine Abweichung ohne Betriebszustand ist selten eine belastbare Wartungsaussage. Last, Drehzahl und Prozessphase gehören zum Sensorwert.

Arbeitsauftrag und Befund schließen den Lernkreis

Ein Alarm erzeugt erst dann Wissen, wenn der spätere Befund zurückfließt. War das Lager tatsächlich geschädigt? Wurde nur nachgeschmiert? Blieb die Auffälligkeit nach dem Eingriff bestehen? Diese Rückmeldungen verbessern Schwellen und Modelle und zeigen, welche Meldungen Kosten vermeiden.

Die Integration in CMMS oder EAM sollte deshalb nicht nur einen Auftrag anlegen. Sie übergibt Messkontext und erhält strukturierte Rückmeldungen. Freitext bleibt möglich, doch wiederkehrende Befundklassen, Ursache und Maßnahme machen Auswertungen vergleichbar.

Predictive Maintenance verändert keine Schutzregeln

OSHA erläutert auf seiner Seite zur Kontrolle gefährlicher Energie, dass Wartung Beschäftigte durch unerwartetes Anlaufen oder freigesetzte Energie gefährden kann. Das Lockout/Tagout-Tutorial beschreibt Abschalten, Energieisolierung und Schutz vor Freisetzung. Ein Zustandsmodell hebt diese Verfahren nicht auf.

Auch eine sehr wahrscheinliche Diagnose ist keine Freigabe, an einer laufenden Maschine zu arbeiten. Sensoren können den Eingriff besser vorbereiten: benötigte Teile, Zeitfenster und Fachkräfte stehen bereit. Die sichere Durchführung folgt weiterhin dem betrieblichen Energie- und Arbeitsschutzverfahren.

Vom Pilot zur Anlagenflotte

1. kritische Anlage mit bekanntem, wiederkehrendem Fehlerbild auswählen
2. historische Befunde und Betriebsmodi gemeinsam mit der Instandhaltung prüfen
3. Sensorposition und Edge-Kennwerte an Referenzmessungen validieren
4. Funk und Energie in realen Produktionszuständen testen
5. Meldungen in Arbeitsauftrag und Befundrückgabe integrieren
6. Fehlalarme, verpasste Befunde und wirtschaftlichen Nutzen auswerten
7. erst danach auf ähnliche, nicht nur gleich aussehende Assets übertragen

Skalierung sollte Assetfamilien berücksichtigen. Zwei Motoren gleicher Leistung können wegen Fundament, Last und Kupplung unterschiedliche Normalmuster haben. Ein Basismodell kann helfen, braucht aber eine lokale Validierung und möglicherweise neue Referenzphasen.

Kennzahlen jenseits der vermiedenen Stunde Stillstand

Wirtschaftlich zählen vermiedene ungeplante Stillstände, besser gebündelte Arbeiten, Teileverfügbarkeit und reduzierte Folgeschäden. Fachlich zählen bestätigte Diagnosen, Vorwarnzeit, Anteil unbekannter Betriebszustände und Modellstabilität. Technisch zählen Datenverfügbarkeit, Batterie, Funkqualität und Sensorfehler.

Auch negative Ergebnisse sind nützlich. Wenn ein Sensor an einer Anlage keinen stabilen Bezug zum Fehlerbild liefert, sollte er entfernt oder anders positioniert werden. Ein großes Sensornetz ist kein Selbstzweck.

Daten- und Modelllebenszyklus

Maschinen werden überholt, Werkzeuge wechseln und Prozesse werden optimiert. Dadurch kann ein Modell altern. Sensorwechsel, Firmware, Feature-Berechnung und Schwellen werden versioniert. Nach größeren Eingriffen prüft das Team, ob die alte Baseline noch gilt.

Zugriffe und Updates brauchen klare Rollen. Produktions- und Wartungsdaten können sensibel sein. Geräteidentitäten, Schlüssel und sichere Außerbetriebnahme gehören genauso zum Lebenszyklus wie die Modellgüte. Ein Sensor, der nach einem Anlagenverkauf weiter sendet, ist sowohl Betriebs- als auch Sicherheitsproblem.

Retrofit ohne Eingriff in die Maschinenfunktion

In der schweren Fertigung sind viele wertvolle Anlagen älter als die aktuelle IoT-Architektur. Ein Retrofit beginnt deshalb mit einer technischen Aufnahme: geeignete Messstelle, zulässige Befestigung, Temperatur, Öl, Schmutz, Vibration, Schutzart und Zugang während des Betriebs. Magnetische oder geklebte Sensoren sind bequem, können ihre Kopplung aber verändern. Wo Bohren oder Eingriff in die Steuerung nötig wäre, müssen Herstellerfreigabe, Maschinenänderung und Sicherheitsbewertung vorab geklärt werden.

Die Installation darf Schutzfunktionen, Wartungszugang und Arbeitsablauf nicht behindern. Kabel und Gehäuse werden so geführt, dass sie weder eingezogen noch beim Rüsten beschädigt werden. Nach Montage zeichnet das Team einen bekannten Betriebszustand auf und dokumentiert Position, Orientierung und Anzug. Diese Baseline macht spätere Sensorwechsel reproduzierbar und schützt davor, eine gelockerte Befestigung als beginnenden Maschinenschaden zu melden.

OT-Integration mit klarer Richtung und begrenzten Rechten

Für die Diagnose sind Betriebsmodus, Drehzahl, Auftrag oder Last oft unverzichtbar. Diese Kontextdaten können aus Steuerung, Historian oder Produktionssystem stammen. Die Verbindung sollte jedoch mit minimalen Rechten und einer klaren Datenrichtung umgesetzt werden. Ein Condition-Monitoring-System braucht meist Lesedaten; es muss nicht automatisch in eine Maschinensteuerung schreiben. Netzwerkzonen, Servicekonten und Protokollierung gehören deshalb schon in das Pilotdesign.

Auch Zeitstempel müssen zusammenpassen. Wenn Vibrationskennwert, Lastwechsel und Wartungsauftrag mehrere Minuten gegeneinander verschoben sind, entstehen falsche Erklärungen. Eine gemeinsame Zeitbasis, dokumentierte Pufferung und sichtbare Datenalter helfen, Funkverzögerung von einem realen Prozessversatz zu unterscheiden. Für die Auswertung sollte erkennbar bleiben, ob Kontext gemessen, aus einem Auftrag übernommen oder nachträglich ergänzt wurde.

Ersatzteile und Wartungsfenster rechtzeitig vorbereiten

Eine gute Vorwarnung nützt wenig, wenn das benötigte Lager, Werkzeug oder Fachpersonal erst nach dem geplanten Stillstand verfügbar ist. Die Meldung sollte daher nicht nur einen Score, sondern Fehlerhypothese, Dringlichkeit, Datenqualität und geeignete nächste Prüfung liefern. Disposition und Instandhaltung können dann entscheiden, ob ein Teil reserviert, eine zusätzliche Messung durchgeführt oder die Arbeit mit einem ohnehin geplanten Rüstvorgang gebündelt wird.

Der Rückmeldeprozess erfasst anschließend, was tatsächlich gefunden und ersetzt wurde. Kein Befund ist ebenfalls ein Ergebnis und darf nicht als störender Datensatz verschwinden. Mit der Zeit zeigt sich, welche Sensorhinweise die Vorbereitung verbessern, welche Teile unnötig gebunden werden und welche Anlagenfamilien eigene Modelle benötigen. So wird Predictive Maintenance zu einer lernenden Instandhaltung statt zu einer zusätzlichen Alarmliste.

Wirtschaftlichkeit je Anlagenklasse bewerten

Eine kritische Presse, ein Hallenkran und ein Nebenaggregat tragen unterschiedlich zum Produktionsrisiko bei. Der Business Case sollte daher Ausfallfolge, heutige Kontrollkosten, Fehlerhäufigkeit und erreichbare Vorwarnzeit je Anlagenklasse betrachten. Ein günstiger Sensor ist nicht wirtschaftlich, wenn Montage und Fehlalarme dauerhaft mehr Aufwand erzeugen als die bisherige Kontrolle. Umgekehrt kann schon eine einzige gut vorbereitete Reparatur den Pilotaufwand einer Engpassanlage rechtfertigen.

Beim Rollout werden Kosten pro qualifiziertem Messpunkt statt pro gekauftem Gerät verfolgt. Dazu gehören Montage, Funkplanung, Plattform, Integration, Batteriewechsel, Datenprüfung und fachliche Rückmeldung. Diese vollständige Sicht macht vergleichbar, wo LoRaWAN Vorteile durch einfache Nachrüstung bringt und wo eine kabelgebundene oder bereits in der Steuerung vorhandene Messung langfristig sinnvoller ist.

Verbindung zu anderen Predictive-Maintenance-Anwendungen

Die prädiktive Wartung von Bergbaumaschinen behandelt ähnliche Signale unter mobilen und rauen Bedingungen. Flughafen-Predictive-Maintenance zeigt verteilte technische Assets. Schwere Fertigung ergänzt hohe Prozesslast, komplexe Betriebsmodi und die enge OT-Integration.

Wiederverwendbar sind Geräteverwaltung, Funknetz und Rückmeldeprozess. Fehlerbilder, Kennwerte und Modelle müssen trotzdem pro Anlagenfamilie und Standort geprüft werden.

Häufige Fragen

Welche Anlagen eignen sich für einen ersten Pilot?

Geeignet ist eine kritische Anlage mit wiederkehrendem, gut dokumentiertem Fehlerbild und ausreichend Betriebs- sowie Wartungsdaten.

Können Vibrationsrohdaten über LoRaWAN gesendet werden?

Dauerhaft meist nicht. Der Edge-Knoten berechnet Kennwerte oder Modelle lokal und überträgt kompakte Trends und Ereignisse.

Was unterscheidet Condition Monitoring von Predictive Maintenance?

Condition Monitoring zeigt den Zustand. Predictive Maintenance leitet aus Zustand, Historie und Betriebsbedingungen eine belastbare Wartungsperspektive ab.

Warum braucht das Modell den Betriebsmodus?

Last, Drehzahl, Werkzeug und Prozessphase verändern normale Signale. Ohne diesen Kontext entstehen viele falsche Alarme.

Ersetzt eine Prognose Lockout/Tagout?

Nein. Wartungsprognosen unterstützen Planung; sichere Energieisolierung und Arbeitsschutzverfahren bleiben unverändert erforderlich.