Edge-Computing trifft LoRaWAN Predictive Maintenance ohne Kabel-Wirrwarr

Die kontinuierliche Überwachung rotierender Maschinen scheitert oft an den immensen Verkabelungskosten. Eine neue Multisensor-Generation umgeht dieses Problem elegant: Durch die Kombination aus intelligenter Edge-Datenverarbeitung, lokaler Ultraschall-Analyse und privaten LoRaWAN-Netzen wird die Fehlererkennung direkt an die Maschine verlagert.

In der Prozessindustrie sowie in der klassischen diskreten Fertigung verrichten unzählige rotierende Maschinen wie Pumpen, Lüfter, Rührwerke, Zentrifugen, Turbinen oder Kompressoren ihren Dienst. Ein effizienter und reibungsloser Betrieb dieser Maschinen ist von entscheidender Bedeutung, da ungeplante Ausfälle extrem teuer seien. Michael Heider, Head of IIoT Engineering bei Wika, erklärte dazu in seinem Vortrag auf den rbs-Fachpressetagen, dass die absolut prozesskritischen Hauptaggregate in der Regel bereits fest verdrahtet in die Leittechnik integriert seien. Die sogenannten Nebenaggregate würden hingegen aus Kostengründen oft eher stiefmütterlich behandelt. Die Zustandsüberwachung beschränkt sich hier in der betrieblichen Praxis meist auf zeitgesteuerte, manuelle Rundgänge des Wartungspersonals, das mit Handheld-Messgeräten ausgestattet ist.

Der Grund für diese eklatante Automatisierungslücke ist hauptsächlich ein finanzieller: Die Vorbereitungs- und Verkabelungskosten, um Hunderte von zusätzlichen Sensoren, womöglich noch quer durch explosionsgefährdete ATEX-Bereiche, zu installieren, mit Energie zu versorgen und physisch in das Firmennetzwerk zu routen, sprengen bei Nebenaggregaten sehr schnell das Budget. Um massenhaft Assets wirtschaftlich in ein automatisiertes Condition Monitoring zu überführen, bedarf es einer völlig neuen Architektur: Sie muss drahtlos sein, extrem energieeffizient arbeiten, eine starke lokale Datenvorverarbeitung (Edge Computing) bieten und sich vor allem einfach im laufenden Betrieb nachrüsten lassen.

Bildergalerie

Robuste Hardware und clevere Retrofit-Montage

Für genau dieses anspruchsvolle Anforderungsprofil eignen sich zweiteilige IIoT-Multisensoren, wie der AsystomSentinel, den der Messtechnikspezialist Wika für seine Condition-Monitoring-Lösung einsetzt. Im Gegensatz zu klobigen All-in-One-Geräten wird der eigentliche, sehr kompakte Sensorkopf direkt an der Maschine platziert – und zwar möglichst exakt dort, wo die zu überwachende Schwingung entsteht. Die etwas größere Sende- und Recheneinheit, in der auch die Batterie untergebracht ist, lässt sich über ein flaches Verbindungskabel abgesetzt montieren. Dies schützt die empfindliche Funkelektronik vor starken Hitzequellen oder extremen Maschinenvibrationen.

Ein großes Hemmnis bei vielen Retrofit-Projekten ist die physische Befestigung: Bohren und Gewindeschneiden an Bestandsmotoren oder Pumpengehäusen ist extrem zeitaufwendig, erfordert oft Anlagenstillstände und ist in vielen Bereichen schlichtweg verboten. Die speziell für diese Zwecke konzipierten und nach ATEX-Richtlinien für den Ex-Bereich zertifizierten IIoT-Sensoren werden stattdessen über spezielle, hochfeste Industrie-Klebepads fixiert. Dass diese Verbindungstechnik auch unter härtesten Umgebungsbedingungen absolut zuverlässig standhält, beweist ihr Einsatz im rauen Offshore-Bereich: Dort überwachen die geklebten Sensoren bereits seit mehreren Jahren sogenannte Topdrives (Kraftdrehköpfe) und gigantische Schlammpumpen (Mud Pumps) auf Bohrinseln.

Edge-Intelligenz: 50 Parameter und lokale FFT-Berechnung

Das eigentliche Nadelöhr der drahtlosen Zustandsüberwachung ist und bleibt die Datenübertragung. Um Hunderte oder gar Tausende Sensoren in einem industriellen Funknetzwerk störungsfrei zu verwalten, dürfen nicht permanent riesige Mengen an hochauflösenden Rohdaten in die Cloud gestreamt werden. Die Signalverarbeitung muss zwingend so nah wie möglich an die Quelle verlagert werden, also auf die Edge-Ebene.

Der Mikrocontroller im abgesetzten Sensorbaustein erfasst über seine Sensorik nicht nur die reine Oberflächentemperatur des Aggregats, Die Umgebungstemperatur und triaxiale Vibrationen. Nein, er ist zusätzlich mit einem hochempfindlichen akustischen Sensor für Schall und Ultraschall ausgestattet. Direkt auf dem Mikrocontroller (Edge) werden aus diesen kontinuierlichen Rohdaten rund 50 verschiedene mathematische Kennwerte berechnet. Dazu gehören unter anderem klassische RMS-Werte (Root Mean Square), Beschleunigung, Peak-Werte sowie die Kurtosis (Wölbung), die besonders sensibel auf stoßartige Ereignisse in Wälzlagern reagiert. Alternativ kann die Hardware auch direkt auf dem Chip eine komplette Fast Fourier Transformation (FFT) berechnen und anschließend nur das fertige, stark komprimierte Frequenzspektrum an das Leitsystem übertragen.

Die Koppelung von Edge-Computing und Ultraschall bietet dabei einen massiven Diagnosevorteil gegenüber der rein klassischen Vibrationsmessung: Hochfrequente Schwingungen, beispielsweise im 40-kHz-Bereich, die durch mangelnde Schmierung oder eine beginnende Metall-auf-Metall-Reibung entstehen, lassen sich lokal auswerten. Sie signalisieren einen drohenden Verschleiß, lange bevor das schwere Stahlgehäuse der Maschine überhaupt spürbar und messbar zu vibrieren beginnt.

Hohe Energieeffizienz für 10 Jahre Laufzeit

Da die Sensoren die Daten bereits lokal aggregieren und auswerten, anstatt sie kontinuierlich zu funken, arbeiten sie extrem energieeffizient. Typischerweise genügt es bei rotierenden Maschinen völlig, alle 30 bis 60 Minuten einen kompakten Datensatz zu senden, um den Maschinenzustand engmaschig und sicher zu überwachen. Ein kapitaler Motorschaden baut sich in der Regel über Wochen auf und tritt bei diesem industriellen Equipment nicht im Sekundentakt ein.

In Kombination mit intelligenten Ruhemodi ("Wake-up on event"), bei denen der Sensor nur bei signifikanten Veränderungen aufwacht, erreichen die IIoT-Knoten Laufzeiten von bis zu zehn Jahren. Ein entscheidender Vorteil für die spätere Instandhaltung: Anstatt fest verbauter, proprietärer Spezial-Akkus nutzt das Wika-System vier handelsübliche AA-Lithiumzellen. Diese lassen sich nach dem einfachen Lösen von vier Schrauben am Gehäuse weltweit unkompliziert und vor allem kostengünstig direkt an der Maschine austauschen.

Privates LoRaWAN und nahtlose IT/OT-Integration

Für den Datentransfer vom Edge-Gerät zum zentralen Gateway kommt der offene Funkstandard LoRaWAN (Long Range Wide Area Network) zum Einsatz. Im rauen industriellen Umfeld bietet diese energieeffiziente LPWAN-Technologie massive architektonische Vorteile:

• Es besticht das System durch seine große Reichweite und Durchdringung. Selbst in metallisch stark verbauten Umgebungen der Prozessindustrie lassen sich Daten zuverlässig über 5 bis 10 Kilometer an ein einziges Gateway übertragen. Die Gateways selbst sind innerhalb weniger Minuten installiert, benötigen lediglich Strom sowie eine Anbindung via Ethernet oder LTE-Mobilfunk.

• Anwender profitieren von einer gänzlich unabhängigen Infrastruktur. Sie bauen sich ihr eigenes, privates LoRaWAN-Netzwerk auf und sind somit vollkommen unabhängig von öffentlichen Telekommunikations-Infrastrukturen oder teuren 5G-Campus-Lizenzen.

• Das System unterstützt echte bidirektionale Kommunikation. Sensoren senden nicht nur ihre Datenpakete (Uplink), sondern können auch Konfigurationsbefehle empfangen (Downlink), um beispielsweise die Messintervalle "Over-the-Air" temporär zu erhöhen, wenn sich eine Maschine auffällig verhält.

Auf der IT-Seite senden die Gateways ihre verschlüsselten Pakete an einen zentralen Network Server (beispielsweise von LORIOT). Von dort fließen die decodierten Daten in den Applikationsserver, der wahlweise On-Premises im eigenen Rechenzentrum oder in der Cloud läuft. Über Standard-Schnittstellen (wie REST-API oder MQTT) lassen sich die aufbereiteten Diagnosedaten nahtlos in bestehende ERP- oder SCADA-Systeme integrieren. Dieser IT-zentrierte Ansatz ermöglicht auch global verteilte Teams: So können Gateways an einem Produktionsstandort in Frankreich installiert sein, während ein zentraler Vibrationsexperte am Hauptsitz in Deutschland die Datenmengen in Echtzeit überwacht und das Wartungsteam vor Ort präzise anleitet.

Machine Learning: Vom Rohwert zum "Anomaly Score"

Die reine Erfassung all dieser Parameter löst jedoch noch nicht das grundlegende Problem der Datenflut für die Instandhalter. Anstatt starre, fehleranfällige Schwellenwerte für Hunderte verschiedene Motoren festzulegen, lernt die integrierte Softwarelösung in einer initialen Trainingsphase das exakte Normalverhalten jeder einzelnen Messstelle kennen. Diese Phase dauert in der Regel zwei bis drei Wochen, in der die Maschine in ihren normalen Betriebszuständen läuft.

Im laufenden Betrieb vergleicht der Machine-Learning-Algorithmus dann permanent die neu eintreffenden Parameter mit diesem individuell trainierten Referenzmodell. Das Ergebnis ist ein nutzerfreundlicher Anomaly Score von 0 bis 100 Prozent, der Abweichungen auf einen Blick visualisiert. Das System geht aber noch einen entscheidenden Schritt weiter: Die KI nutzt statische Maschinendaten (eine sogenannte Identity Card mit Werten wie Leistung und Drehzahl), klassifiziert die abweichenden Symptome im Spektrum und errechnet einen prozentualen Similarity Score. Sie benennt automatisch wahrscheinliche Fehlerquellen – etwa Getriebeverschleiß (67 Prozent Wahrscheinlichkeit) oder lose Rotorstäbe (36 Prozent). Techniker erhalten so eine direkte, handlungsfähige Diagnose anstatt nur roher Frequenzgraphen.

Praxisbeispiel 1: Ultraschall-Analyse verhindert Reaktor-Ausfall

Wie massiv überlegen dieser automatisierte KI-Ansatz der manuellen Kontrolle ist, bewies sich eindrucksvoll bei einem italienischen Kunststoffhersteller. Die Wika-Lösung wurde dort an einem großen Rührkesselreaktor installiert. Zur lückenlosen Überwachung der Kraftübertragung saßen Sensoren am Motorausgang, an der Rückseite des Getriebes sowie an der Antriebswelle direkt über der Gleitringdichtung.

Bereits im Mai 2025 verzeichnete die Software einen stetigen Anstieg des Anomaly Scores aufgrund deutlich erhöhter Ultraschallpegel im Bereich um 40 kHz. Ein Techniker prüfte die Maschine daraufhin mit einem klassischen, handgeführten Vibrationsmessgerät, fand keine spürbaren Schwingungen und stufte die Meldung fälschlicherweise als Fehlalarm ein. Die KI behielt jedoch recht: Mitte Juni 2025 schlug sich der nun fortgeschrittene Verschleiß in massiven, niederfrequenten Gehäuse-Vibrationen nieder, kurz bevor die Wälzkörper des Kugellagers im Reaktor vollständig zerbrachen. Nur durch die sehr frühe Ultraschall-Warnung konnte der Anlagenbetreiber den rechtzeitigen Komponententausch für den nächsten regulären Anlagenstillstand einplanen und einen teuren, potenziell gefährlichen Notstopp ("Unplanned Shutdown") vermeiden.

Praxisbeispiel 2: Bergbau-Rollout liefert messbaren ROI

Ein globaler Bergbaukonzern führte das System parallel an sieben Pilot-Standorten ein, um hochbelastete Aggregate wie große Lüftungsanlagen, Kühlpumpen, Seilwinden, Vibrationssiebe und gewaltige Gesteinsbrecher zu überwachen. Zuvor basierte die Instandhaltung an diesen Standorten auf reaktiven Maßnahmen oder fixen Wartungsintervallen, was oft zu unnötigen Inspektionen ohne jeden Befund führte.

Das funkbasierte Condition Monitoring lieferte innerhalb weniger Monate messbare Verbesserungen in der gesamten Prozesskette:

• Ausfallreduktion: Ungeplante Ausfälle an den absolut kritischen Brechern und Mühlen sanken standortübergreifend um signifikante 40 bis 60 Prozent.

• Kosteneinsparungen: Durch die vermiedenen Anlagenstillstände und die höhere OEE spart der Konzern an den sieben Pilot-Standorten monatlich schätzungsweise 100.000 bis 300.000 Euro ein.

• Return on Experience (REX): Die sogenannte "Conversion-Rate" für Wartungstickets verdreifachte sich. Die Mechaniker und Elektriker rücken nur noch bei echten, von der KI im Vorfeld bestätigten Anomalien aus. Das minimiert frustrierende Fehlalarme und steigert die Akzeptanz für das digitale System bei der Belegschaft vor Ort massiv.

Der Konzern erreichte sein anvisiertes kaufmännisches Ziel, einen Return on Investment (ROI) von unter sechs Monaten, problemlos und nutzt die Architektur nun als Blaupause für die weltweite Skalierung.

Skalierbarkeit durch Edge-Intelligenz und Funk

Die clevere Kombination aus lokaler Edge-Datenverarbeitung und energieeffizientem LoRaWAN-Funk löst das grundlegende Skalierungsproblem der Zustandsüberwachung in Bestandsanlagen. Statt extrem teurer und starrer Festverdrahtungen lässt sich eine vorausschauende Wartung per Wireless-Retrofit schnell, flexibel und budgetfreundlich aufbauen. Anlagenbetreiber reduzieren ungeplante Stillstände und entlasten gleichzeitig ihr Fachpersonal von manuellen Routinekontrollen. Wenn die intelligente Sensor-KI den Instandhaltern direkt die wahrscheinlichste Fehlerursache auf dem Bildschirm präsentiert, wird das Konzept der Predictive Maintenance zu einer messbaren und hochrentablen Realität auf dem Shopfloor.(mc)

(ID:50848637)