Predictive Maintenance scheitert selten zuerst am Algorithmus.
In vielen Projekten wird zu früh über Modelltypen gesprochen. Der eigentliche Engpass liegt vorher: Welche Signale sind zuverlässig? Stimmen Zeitstempel? Gibt es genug Kontext zu Last, Schicht, Produktvariante, Wartungshistorie und Störungen? Ist klar definiert, welches Fehlerbild vorhergesagt werden soll?
Ein zentraler Data Lake kann langfristig sinnvoll sein, löst diese Fragen aber nicht automatisch. Wenn Rohsignale zu spät, zu stark verdichtet oder ohne Anlagenkontext ankommen, erkennt auch ein gutes Modell nur begrenzt verwertbare Muster.
Der Edge zwingt zur richtigen Reihenfolge. Er startet an der Maschine, am Zähler, an der Steuerung oder am Gateway. Dort werden Signale bewertet, normalisiert und mit Betriebsereignissen verbunden, bevor sie für KI genutzt werden.
Was der Edge besser sieht.
Der Edge sieht kurze Ereignisse, die in zentralen Reports verschwinden: Spannungseinbrüche, Temperaturspitzen, Kommunikationsaussetzer, Anlaufverhalten, Lastwechsel, Sensorrauschen oder ungewöhnliche Wiederholungen. Gerade diese Muster sind oft Vorboten eines Ausfalls.
Bei Ladeinfrastruktur gilt das genauso wie in der Industrie. Ein Relais, ein Kommunikationsmodul, ein Lüfter, ein Zähler oder ein Stecker kündigt Probleme häufig nicht mit einem sauberen Fehlercode an. Die Hinweise liegen in Sequenzen aus Messwerten, Statuswechseln und lokalen Ereignissen.
- Rohsignale lokal prüfen, filtern und mit Kontext anreichern.
- Kurzfristige Muster erkennen, bevor sie in Aggregaten verschwinden.
- Wartungshinweise auch bei instabiler Verbindung bereitstellen.
- Nur relevante Ereignisse zentral synchronisieren, statt alles blind zu übertragen.
OCPP und Industrial AI haben mehr gemeinsam, als man denkt.
In Ladeparks heißen die Signale StatusNotification, MeterValues, Heartbeat, ChargingProfile oder FirmwareStatusNotification. In Industrieanlagen heißen sie OPC UA, Modbus, SPS-Register, Historian-Tag oder Maschinenlog. Das Grundproblem ist ähnlich: technische Ereignisse müssen in ein verständliches Betriebsmodell übersetzt werden.
NeLeSo verbindet diese Welten. Unsere Arbeit an OCPP, CPMS, Edge Controllern und Pipelet-Bausteinen hilft auch in Industrial-AI-Projekten, weil es immer um robuste Datenpfade, lokale Betriebslogik und nachvollziehbare Entscheidungen geht.
Ein guter Pilot ist klein, aber nicht beliebig.
Ein belastbarer Predictive-Maintenance-Pilot braucht keine komplette Fabrik. Er braucht eine kritische Anlage, ein klares Fehlerbild, relevante Signale und ein messbares Ziel. Das Ziel kann weniger ungeplante Stillstände, schnellere Fehleranalyse oder bessere Wartungspriorisierung sein.
Der Pilot sollte außerdem von Anfang an wie ein Betriebsbaustein gedacht werden: Monitoring, Versionierung, Datenqualität, Alarmregeln, Rückmeldung aus der Instandhaltung und ein Pfad in die Cloud gehören dazu. Sonst bleibt ausgerechnet das Wartungsprojekt selbst nicht wartbar.
KI ersetzt keine Instandhaltung, sie priorisiert Aufmerksamkeit.
Predictive Maintenance ist kein Versprechen, jeden Ausfall perfekt vorherzusagen. Der praktische Wert liegt darin, Aufmerksamkeit besser zu lenken: Welche Anlage verhält sich anders als gewöhnlich? Welches Muster hatte in der Vergangenheit Folgen? Welche Warnung ist nur Rauschen?
Am Edge kann diese Priorisierung nah am Prozess passieren. Die zentrale Plattform bekommt danach nicht nur Daten, sondern bereits vorqualifizierte Ereignisse mit Kontext. Das macht Analysen besser und entlastet Betriebsteams.