Produzierende Unternehmen müssen sich aufgrund der Globalisierung und wachsenden Wettbewerbsintensität zunehmend flexibler und kundenindividueller aufstellen. Die fortschreitende Digitalisierung ermöglicht dabei neue Chancen bei der Gestaltung und digitalen Unterstützung von Geschäfts- und Produktionsprozessen. Ein zentraler Prozess ist dabei die Instandhaltung. Hierfür können Ausfälle von Bauteilen und Anlagen vorausgesagt werden, um ungeplante Stillstände zu vermeiden.



Für die Skalierung in der Praxis fehlt bislang ein kostengünstiger und gesamtheitlicher Ansatz, um Produktionssysteme zur prädiktiven Instandhaltung zu befähigen. Retrofitting - die Nachrüstung von Sensoren an Altanlagen - bietet große Potentiale, um insbesondere die instandhaltungsintensivere Produktion im Brownfield zu Cyber-physischen Systemen zu erweitern. Hierfür wurde im Rahmen der Dissertation ein gesamthaftes System aus den Komponenten Internet-of-Things (IoT) Gerät, IoT-Architektur und Data Analytics entwickelt.



Das gesamte System wurde an einer Elektrohängebahn der BMW Group validiert. Hierfür wurden 60 Gehänge mit verschiedenen IoT-Sensoren ausgestattet. Für die IoT-Architektur wurde eine Referenzimplementierung aufgesetzt und die Sensoren sowie weitere Prozessdaten angebunden. Die ausführliche Analyse von unüberwachten, semiüberwachten und überwachten maschinellen Verfahren zeigt, wie Anomalien unter Berücksichtigung des Projektzeitpunktes zuverlässig detektiert werden können.