Vorausschauende Wartung für Produktionsmaschinen.
Anomalieerkennung per Machine Learning auf Live-Sensordaten sagt den Verschleiß von Fräsköpfen, Pressen und CNC-Linien voraus — bevor die Linie stillsteht.
Die Herausforderung
Warum Teams in der Branche Fertigung nicht weiterkommen.
Reaktive Wartung ist teuer
Ungeplante Stillstände durch Werkzeugausfälle sprengen Budgets, verletzen SLAs und erzwingen Eilbestellungen von Ersatzteilen zu Höchstpreisen. Feste Wartungspläne warten gesunde Werkzeuge zu oft — und übersehen trotzdem die Ausreißer.
Jedes Maschinenmodell ist anders
Ein Prognosemodell für einen Fräskopf lässt sich nicht auf den nächsten übertragen. Andere Toleranzen, andere Lasten, andere Verschleißprofile — und jedes Werk hat einen etwas anderen Maschinenmix.
Wildwuchs im Modell-Lebenszyklus
Data-Science-Teams bauen einmalige Notebooks. Nichts wird sauber bereitgestellt, nichts versioniert, nichts für die nächste Linie neu parametrisiert. Der Pilot wird nie zum Produktivbetrieb.
Der Ansatz
Wie Initium das auf SAP BAIP umsetzen würde.
Ein konkretes Lösungsmuster, das unsere SAP-BAIP-Architekten für Sie entwerfen und umsetzen würden. Keine Foliensammlung — eine umsetzbare Referenzarchitektur.
Sensordaten in HANA Cloud streamen
Daten aus Maschinen-SPS gelangen per OPC-UA / MQTT in einen HANA-Cloud-Data-Lake und werden mit der Wartungshistorie aus S/4HANA PM und Qualitätsprotokollen aus QM verknüpft.
Anomalieerkennung mit in HANA eingebettetem ML
Die Anomalieerkennung auf Zeitreihen läuft direkt in HANA (PAL- und APL-Bibliotheken) — ohne Datenbewegung, Bewertung in unter einer Sekunde. Signale werden nach geschätzter Restlebensdauer priorisiert.
Parametrisierte Modellvorlagen
Eine Modellvorlage je Maschinenklasse (Fräse / Presse / CNC). Jede Bereitstellung instanziiert sie mit werksspezifischen Parametern. Versioniert in AI Core, auf Drift überwacht, planmäßig neu trainiert.
Maßnahmen zurück nach S/4HANA
Vorhergesagte Ausfälle erzeugen automatisch eine Instandhaltungsmeldung in S/4HANA PM. Planer sehen die Empfehlung mit Konfidenzwert und dem erwarteten Zeitfenster bis zum Ausfall.
Der SAP-BAIP-Stack
Die Komponenten, die wir nutzen würden — und warum.
Daten & Analytics
SAP HANA Cloud
Zeitreihenspeicher + ML-Bewertung direkt in der Datenbank
KI & ML
SAP AI Core
Modell-Lebenszyklus: Training, Versionierung, Bereitstellung, Drift-Überwachung
Daten & Analytics
SAP Analytics Cloud
Live-Zustands-Dashboards für Werksleiter
Integration
SAP Integration Suite
Sensordaten per OPC-UA / MQTT + Rückschreiben nach S/4HANA
Daten & Analytics
SAP Datasphere
Föderiertes Datenmodell über alle Werke
Der Nutzen
Wie die Zahlen aussehen.
Richtwerte auf Basis vergleichbarer SAP-BAIP-Projekte mit diesem Muster. Ihre Ausgangslage bestimmt die tatsächliche Veränderung.
20–40 %
weniger ungeplante Stillstände
Ausfälle, die Tage im Voraus erkannt werden, lassen sich in geplante Wartungsfenster legen statt in Notfalleinsätze.
15–25 %
geringere Wartungskosten
Gesunde Werkzeuge werden nicht mehr übermäßig gewartet; teure Eilbestellungen entfallen.
1 Modell
für N Werke
Parametrisierte Vorlagen lassen eine Modellklasse jedes Werk bedienen — das senkt die Data-Science-Kosten.
Wie wir liefern würden
Von der Analyse in den Produktivbetrieb — ohne sechsmonatige Ausschreibung.
Phase 01
2 WochenAnalyse
Eine Linie instrumentieren, aktuelle MTBF und Wartungskosten messen, den Data-Science-Aufwand abschätzen.
Phase 02
6–8 WochenPilot
Ein funktionierendes Anomalie-Modell für eine Maschinenklasse in einem Werk liefern. Signalqualität mit den Wartungsverantwortlichen validieren.
Phase 03
3–6 MonateSkalierung
Für weitere Maschinenklassen und Werke parametrisieren. Anbindung an S/4HANA PM. Drift-Überwachung einrichten.
Möchten Sie sehen, wie das in
Ihrer Landschaft aussieht?
30-minütiges Erstgespräch. Wir gehen die Referenzarchitektur mit Ihrem Team durch, dimensionieren den Pilot für Ihre Datenmengen und nennen einen Festpreisumfang für die erste Phase.
Verwandte Anwendungsfälle
Bereit, Intelligenz in Ihre SAP-Landschaft zu bringen?
Sprechen Sie mit unseren Spezialistinnen und Spezialisten für SAP BAIP und KI. Die meisten Projekte gehen in vier Wochen von der Analyse bis zum ersten Deployment.