Gast
Lena Weirauch
Gründerin von AIomatic
Key Insights
Starte mit der teuersten Schmerz-Maschine – nicht alle Maschinen brauchen Predictive Maintenance, Priorisierung ist entscheidend.
Den Normalzustand lernen statt Crash-Daten sammeln: Anomalie-Erkennung ist robuster als klassische Failure-Klassifikation.
Datenqualität ist das häufigste Hindernis – losgelöste Sensoren und zu niedrige Messfrequenzen zerstören jedes Modell vor dem Training.
Erklärbare KI ist kein Nice-to-Have: Wenn der Algorithmus nicht sagt warum ein Alarm ausgelöst wird, kann das Wartungsteam nicht effektiv handeln.
Aus der Episode
Sonntagnacht, 23 Uhr. Die wichtigste Maschine in der Produktion fällt aus. Notfalltechniker werden gerufen, Teile müssen kurzfristig bestellt werden, die Montagsproduktion ist gefährdet. Das ist reaktive Wartung. Und sie ist die teuerste Option, die du hast.
Lena Weihrauch hat AIomatic gegründet, um genau dieses Problem zu lösen. Im Gespräch erklärt sie, wie Predictive Maintenance in der Praxis funktioniert, was Unternehmen dafür wirklich brauchen und warum der erste Schritt nicht teuer sein muss.
Die drei Arten der Wartung
Reaktive Wartung: Du wartest, bis etwas kaputt geht. Höchste Kosten, unplanbar, oft katastrophal.
Präventive Wartung: Du tauschst Teile nach festen Intervallen aus. Geplant, aber oft verschwenderisch, weil viele Teile noch funktionieren würden.
Predictive Maintenance: Du weißt, wann eine Komponente wirklich ausgetauscht werden muss, und planst rechtzeitig. Maximale Lebensdauer, optimales Timing, keine bösen Überraschungen.
Das Heterogenitäts-Problem
Das typische Mittelstandsproblem: Alte Maschinen aus den 70er und 80er Jahren ohne Sensoren, neue Maschinen mit verschiedenen Protokollen, alles zusammen in einer Halle. Das klingt nach einem unlösbaren Datenproblem.
Lenas Ansatz: Nicht warten, bis alle Maschinen modernisiert sind. Mit den vorhandenen Daten anfangen. In vielen Anlagen stecken mehr Daten, als die Betreiber wissen.
Der Vier-Schritte-Plan für Mittelständler
Lena empfiehlt, mit der teuersten Maschine anzufangen: Welcher Ausfall kostet am meisten? Das kann eine gefühlte Antwort des Werksleiters sein, kein Data Warehouse nötig.
Dann das konkrete Problem definieren: Welche Störung soll erkannt werden? Lagerschäden? Überhitzung? Qualitätsverlust? Je präziser die Frage, desto besser das Modell.
Der Schlüssel ist, den Normalzustand zu lernen, nicht Crashes zu sammeln. Das Modell lernt, wie die Maschine im Normalfall klingt, sich verhält, schwingt. Alles, was davon abweicht, ist eine Anomalie.
Was du konkret mitnehmen kannst
Zwei Fragen für heute: Welche Maschine in deiner Produktion würde einen ungeplanten Ausfall am teuersten machen? Und weißt du, wie lange diese Maschine durchschnittlich braucht, bis nach einem Ausfall der Betrieb wieder läuft?
Wenn du die Antworten nicht sofort weißt, ist das der Startpunkt. Nicht für eine große KI-Initiative, sondern für ein sehr konkretes, sehr begrenztes Problem.
Nächster Schritt
Wo steht Ihre Transformation?
In 6 Fragen, 3 Minuten – sofortiges Ergebnis.
Ihre Hosts