KI / MLIIoT & Edge
Predictive Maintenance Hydraulikpressen
Automobil Sachsen
Vibrations- und Temperatursensoren erkennen Maschinenanomalien bevor Ausfälle entstehen.
Vier Hydraulikpressen fielen im Schnitt zweimal pro Quartal ungeplant aus — jeder Stillstand kostet mehrere Tausend Euro. Zustandsüberwachung gab es nicht.
RALUS rüstete die Pressen mit Vibrations-, Druck- und Temperatursensoren nach. Ein Anomalie-Modell lernte das Normalbetriebsprofil und meldet Abweichungen frühzeitig via Teams-Alert an den Instandhaltungsleiter.
Im ersten Jahr: 67% weniger ungeplante Ausfälle, 29% niedrigere Instandhaltungskosten durch Condition-based statt kalenderbasierter Wartung.
Ergebnisse
−67%
Ungeplante Ausfälle
−29%
Instandhaltungskosten
48h
Frühwarnung
Eingesetzte Technologien
PythonInfluxDBMQTTMicrosoft TeamsEdge Compute
#Predictive Maintenance#Anomalieerkennung#Sensoren#Vibration