Predictive Maintenance at Scale: Ungeplante Ausfälle reduzieren mit AWS

Das Problem: Reaktive Wartung ist zu teuer

Die meisten Fertigungsunternehmen operieren noch immer reaktiv: Eine Maschine fällt aus, das Wartungsteam wird gerufen, Ersatzteile werden bestellt. Oder sie setzen auf feste Wartungsintervalle — Austausch alle 6 Monate, unabhängig davon, ob das Bauteil noch 90 % Lebensdauer hat oder bereits kurz vor dem Versagen steht.

Beide Ansätze sind kostspielig. Reaktive Wartung führt zu ungeplanten Stillständen, die je nach Produktionslinie zwischen 5.000 und 50.000 Euro pro Stunde kosten können. Präventive Wartung tauscht Bauteile zu früh aus und bindet unnötig Wartungsressourcen.

Predictive Maintenance löst dieses Dilemma, indem es den tatsächlichen Zustand jeder Maschine kontinuierlich überwacht und Ausfälle vorhersagt, bevor sie eintreten. Die Frage ist nicht ob, sondern wie — und welche Infrastruktur dafür nötig ist.

Wartungsstrategien im Vergleich

Die AWS-Plattform für Predictive Maintenance

AWS bietet eine vollständige, integrierte Plattform für Predictive Maintenance, die keine umfangreiche Data-Science-Expertise im Haus erfordert:

AWS IoT SiteWise

Sammelt und strukturiert Industriezeitreihendaten von OPC-UA-Quellen. Berechnet automatisch Metriken wie Schwingungsrms, Temperaturmittelwert und Druckvarianz. Speichert Daten in einem integrierten Zeitreihen-Datenspeicher, der direkt von Lookout for Equipment konsumiert wird.

Amazon Lookout for Equipment

Vollständig verwalteter ML-Service speziell für industrielle Anomalieerkennung. Lookout for Equipment trainiert ohne Data-Science-Aufwand: Sensordaten hineinladen, Asset-Modell beschreiben, Modell trainieren. Das Ergebnis: Echtzeit-Anomalie-Scores pro Anlage mit Erklärbarkeit (welcher Sensor hat beigetragen).

Amazon SageMaker

Für fortgeschrittene Use Cases: Training kundenspezifischer ML-Modelle auf historischen Produktionsdaten. SageMaker bietet AutoML (Autopilot), Notebook-Environments für Data Scientists und verwaltetes Modell-Deployment. Trainierte Modelle lassen sich über Greengrass zurück an den Edge deployen.

Amazon Kinesis Data Streams

Echtzeit-Datenströme für hochfrequente Sensordaten (bis zu Millisekunden-Auflösung). Kinesis puffert die Daten und leitet sie parallel an Lookout for Equipment, S3 und Lambda-basierte Alerting-Funktionen weiter.

Amazon SNS + AWS Lambda

Alerting-Stack: Wenn Lookout for Equipment eine Anomalie erkennt, löst eine Lambda-Funktion einen SNS-Alert aus — per E-Mail, SMS oder Integration mit dem CMMS (Computerized Maintenance Management System) des Unternehmens.

Referenzarchitektur: Von der Schwingung zum Wartungsauftrag

Die folgende Sequenz beschreibt den vollständigen Datenfluss einer Predictive-Maintenance-Lösung auf AWS:

1. Sensorerfassung: Vibrations-, Temperatur-, Strom- und Drucksensoren an Antrieben, Lagern und Hydraulikkomponenten messen kontinuierlich mit hoher Abtastrate (1 Hz bis 10 kHz je nach Anwendung).
2. Edge-Aggregation (AWS IoT Greengrass): Greengrass aggregiert Hochfrequenzdaten lokal (Mittelwerte, RMS, Peak-to-Peak), reduziert so die Datenmenge und leitet relevante Features an IoT Core weiter. Kritische Schwellwerte lösen lokale Alerts aus — auch ohne WAN-Verbindung.
3. Datenaufnahme (AWS IoT Core → SiteWise): IoT Core empfängt die aggregierten Zeitreihendaten und leitet sie über IoT Rules an AWS IoT SiteWise weiter. SiteWise speichert die Daten im Asset-Modell der Fabrik.
4. Historische Datenhaltung (Amazon S3): SiteWise exportiert Rohdaten stündlich in einen S3-Bucket (Data Lake). Diese Daten dienen als Trainingsgrundlage für ML-Modelle und für langfristige Trendanalysen.
5. Anomalieerkennung (Amazon Lookout for Equipment): Das trainierte Lookout-Modell läuft in Echtzeit auf neuen Sensordaten. Es erzeugt einen Anomalie-Score zwischen 0 und 1 sowie eine Erklärung, welche Sensorwerte am stärksten abweichen.
6. Alerting (Lambda + SNS): Bei einem Anomalie-Score oberhalb des Schwellwerts (konfigurierbar, typisch 0,6–0,8) löst Lambda einen SNS-Alert aus. Der Alert enthält: betroffene Anlage, Anomalie-Score, beitragende Sensoren und empfohlene Wartungsmaßnahme.
7. CMMS-Integration: Lambda erzeugt automatisch einen Wartungsauftrag im CMMS (SAP PM, IFS, Maximo). Der Wartungsplaner priorisiert auf Basis des Anomalie-Scores und vergibt Termin und Ressourcen.
8. Feedback-Loop: Wartungsergebnisse werden ins System zurückgespielt — was wurde gefunden, was wurde ersetzt. Dieses Feedback verbessert das Modell bei jedem Retraining-Zyklus.

Amazon Lookout for Equipment: Der No-Code-Einstieg

Amazon Lookout for Equipment ist der empfohlene Einstiegspunkt für Fertigungsunternehmen ohne Data-Science-Team. Der Workflow in vier Schritten:

1. Daten hochladen: Historische Sensordaten (CSV oder Parquet) in einen S3-Bucket laden. Lookout unterstützt Zeitreihendaten mit Timestamps und beliebig vielen Sensor-Kanälen.
2. Asset-Modell beschreiben: Sensornamen, Einheiten und Asset-Hierarchie konfigurieren. Lookout versteht automatisch die Struktur ohne manuelles Feature Engineering.
3. Modell trainieren: Training dauert je nach Datenmenge 30 Minuten bis einige Stunden. Lookout for Equipment verwendet einen Transformer-basierten Ansatz, der multivariate Abhängigkeiten zwischen Sensoren erlernt.
4. Inferenz starten: Reale Sensordaten streamen über SiteWise oder direkt via S3-Batch. Lookout liefert Anomalie-Scores in Echtzeit oder im Batch-Modus.

Die AWS-Dokumentation bietet ein vollständiges Getting Started für Lookout for Equipment.

Sensordaten und Feature Engineering: Was wirklich wichtig ist

Der Erfolg von Predictive Maintenance hängt weniger von der Komplexität der ML-Algorithmen ab als von der Qualität und Relevanz der Eingangsdaten. Folgende Sensortypen sind für häufige Fertigungsanlagen besonders wertvoll:

Echtzeit-Alerting: Vom Anomalie-Score zum Wartungsauftrag

Ein häufiger Fehler bei Predictive-Maintenance-Projekten: Das System erkennt Anomalien, aber Warnungen gehen im Alert-Rauschen unter oder erreichen nicht die richtigen Personen. Eine effektive Alert-Architektur umfasst drei Ebenen:

• Ebene 1 — Frühwarnung (Score 0,5–0,7): Ticket im CMMS anlegen, Wartungsplaner informieren. Keine sofortige Aktion erforderlich, aber auf dem Schirm.
• Ebene 2 — Erhöhte Priorität (Score 0,7–0,9): Aktive Benachrichtigung des Schichtführers per E-Mail/SMS. Nächste geplante Wartung vorzuziehen prüfen. Ersatzteilverfügbarkeit sicherstellen.
• Ebene 3 — Kritisch (Score > 0,9): Sofortiger Alert an Instandhaltungsleiter. Maschinenstillstand zur Inspektion erwägen. Eskalation auf Werksleitung wenn notwendig.

Amazon SNS unterstützt alle gängigen Notification-Kanäle: E-Mail, SMS, HTTP/HTTPS-Webhooks (für CMMS-Integration), AWS Lambda und Amazon SQS für queued processing.

AWS MAP: Bis zu 50 % der Projektkosten als AWS-Guthaben

Das AWS Migration Acceleration Program (MAP) ist ein umfangreiches Förderprogramm für Cloud-Migrationen und -Modernisierungen. Für Predictive-Maintenance-Projekte, die Teil einer größeren Cloud-Modernisierung sind, stellt AWS Guthaben bereit, das direkt gegen AWS-Service-Kosten verrechnet wird.

MAP-Förderung in der Praxis:

• Assess-Phase: Kostenfreies Assessment-Tooling (AWS Migration Evaluator) und Zugang zu AWS-Experten
• Mobilize-Phase: AWS-Guthaben für die Pilotphase (typisch 10.000–50.000 USD je nach Projektgröße)
• Migrate/Modernize-Phase: Bis zu 50 % der qualifizierenden Migrationskosten als AWS-Guthaben

Storm Reply ist MAP-zertifizierter Partner und begleitet den vollständigen Antragsprozess — von der Projektqualifizierung bis zur Guthaben-Einlösung. Die MAP-Programmdetails sind in der AWS-Dokumentation beschrieben.

Messung des Erfolgs: KPIs für Predictive Maintenance

Mean Time Between Failures (MTBF)

Durchschnittliche Zeit zwischen zwei Ausfällen einer Anlage. Predictive Maintenance sollte MTBF messbar erhöhen — typisch 20–40 % im ersten Jahr nach Implementierung.

Mean Time To Repair (MTTR)

Durchschnittliche Zeit zur Behebung eines Ausfalls. Sinkt durch Predictive Maintenance, weil Wartungsteams vorbereitet anrücken (Diagnose bekannt, Ersatzteile vorrätig).

Planned vs. Unplanned Maintenance Ratio

Verhältnis von geplanten zu ungeplanten Wartungseinsätzen. Ziel: Verschiebung in Richtung geplant. Ein Verhältnis von 80:20 (geplant:ungeplant) gilt als exzellent; viele Unternehmen starten bei 50:50 oder schlechter.

Cost of Maintenance per Unit of Output

Wartungskosten in Relation zur Produktionsmenge. Diese Kennzahl zeigt, ob Predictive Maintenance tatsächlich Kosten senkt oder nur Ausgaben verlagert.

Storm Reply: Predictive Maintenance aus einer Hand

Storm Reply verbindet als AWS Premier Consulting Partner Fertigungsexpertise mit Data-Science-Kompetenz. Das Storm-Reply-Angebot für Predictive Maintenance umfasst:

• Use-Case-Assessment: Welche Anlagen, welche Ausfallmoden, welche Sensoren — eine strukturierte Analyse vor dem Piloten
• Pilotimplementierung (8–12 Wochen): Eine Anlage, vollständiger Datenfluss bis zum Anomalie-Alert
• MAP-Antrag: Begleitung durch den AWS MAP-Prozess für maximale Förderung
• Rollout & Betrieb: Skalierung auf alle relevanten Anlagen, Modell-Monitoring und -Retraining

Praxisbeispiel aus der Reply-Gruppe: Die IIoT-Plattform CONiQ Cloud, die Storm Reply gemeinsam mit Schenck Process realisierte, zeigt das Muster: serverlose Echtzeit-Verarbeitung von Wäge- und Dosierdaten auf AWS als Grundlage für vorausschauende Wartungsszenarien.

Häufige Fragen (FAQ)

Was ist der Unterschied zwischen präventiver und prädiktiver Wartung?

Präventive Wartung erfolgt nach festem Zeitplan (z.B. alle 6 Monate), unabhängig vom tatsächlichen Anlagenzustand. Prädiktive Wartung basiert auf Echtzeit-Sensordaten und ML-Modellen: Wartungsmaßnahmen werden genau dann ausgelöst, wenn ein Ausfall bevorstehen könnte — nicht zu früh, nicht zu spät.

Wie viele Sensordaten brauche ich für Predictive Maintenance?

Amazon Lookout for Equipment benötigt mindestens 14 Tage historischer Sensordaten für das erste Training, besser 6–12 Monate. Je mehr Ausfallhistorie im Datensatz vorhanden ist, desto präziser werden die Vorhersagen. Auch ohne Ausfalllabels kann das Modell Anomalien erkennen.

Fördert AWS MAP Predictive Maintenance Projekte?

Ja. Das AWS Migration Acceleration Program (MAP) fördert Migrationskosten mit bis zu 50 % als AWS-Guthaben. Predictive Maintenance auf Basis von AWS IoT und SageMaker qualifiziert sich als Teil einer umfassenderen Cloud-Modernisierung. Storm Reply ist MAP-zertifizierter Partner.

Wie lange dauert die Implementierung von Predictive Maintenance?

Ein erster Pilot mit einer Anlage ist in 8–12 Wochen umsetzbar: Sensoranbindung via Greengrass, Daten in SiteWise, erstes Lookout-Modell. Der Rollout auf mehrere Anlagen dauert typisch 4–9 Monate.