PREDICTIVE ANALYTICS UND MAINTENANCE | BSI C5-TESTIERTE INFRASTRUKTUR AUS DE
Cloud-Infrastruktur für Predictive Maintenance –
für Fertigung und Instandhaltung
✓ BSI C5-geprüft & ISO 27001-zertifiziert: nachweisbarer Schutz für Maschinen- und Produktionsdaten
✓ Rechenzentrum in Deutschland: Ihre Produktionsdaten bleiben im deutschen Rechtsraum
✓ GPU und CPU getrennt skalierbar: Rechenleistung für Predictive Analytics zubuchen, Dauerbetrieb schlank halten
✓ Persönlicher 24/7 Service: Unterstützung bei Anbindung, Migration und Betrieb
Predictive Maintenance scheitert selten am Modell, sondern an der Infrastruktur darunter
Predictive Analytics ist das Verfahren, Predictive Maintenance der bekannteste Anwendungsfall davon in der Fertigung. Dazwischen liegt eine Abhängigkeit, die über den Projekterfolg entscheidet: Ohne eine Umgebung, die Maschinendaten dauerhaft aufnimmt und historisiert, gibt es keine belastbare Analyse – und ohne Analyse keine Wartungsprognose.
Die meisten Projekte zur vorausschauenden Wartung kommen über den Pilotversuch nicht hinaus, weil die Datenhaltung nicht mitwächst. Ein Modell, das an einer Maschine funktioniert, muss im Regelbetrieb Sensordaten von Dutzenden Anlagen dauerhaft aufnehmen, historisieren und im Sekundentakt auswerten.
Damit verschiebt sich die Frage von der Analysesoftware zur Grundlage: Wo liegen die Daten, wie lange werden sie aufbewahrt, worauf läuft das Training und wer betreibt die Auswertung im Dauerbetrieb. centron liefert diese Grundlage – als Infrastruktur, auf der Ihre Predictive-Maintenance-Lösung läuft.
Was Predictive Maintenance technisch voraussetzt
Vorausschauende Wartung entsteht in vier aufeinander aufbauenden Schichten: Die ersten beiden liefern die Datengrundlage, die dritte und vierte machen daraus die Analyse, aus der die Wartungsprognose hervorgeht. Jede Schicht stellt andere Anforderungen an die Infrastruktur. Wer sie zusammenwirft, zahlt entweder für ungenutzte Rechenleistung oder stößt beim Datenvolumen an Grenzen.
1. Erfassen
Sensoren liefern Schwingung, Temperatur, Strom oder Druck. Ein Teil der Vorverarbeitung gehört an die Maschine, damit nicht jeder Messwert übertragen wird.
2. Speichern
Messreihen wachsen linear mit Laufzeit und Anlagenzahl. Sie brauchen einen Speicher, der Zeitreihen effizient ablegt, und ein Archiv für die Historie.
3. Analysieren
Hier findet Predictive Analytics statt: Aus dem historischen Verlauf wird ein Modell abgeleitet. Rechenintensiv, aber nur in Abständen nötig – ideal für GPU-Leistung auf Zeit.
4. Vorhersagen
Das Modell bewertet laufend die aktuellen Messwerte und meldet den erwarteten Ausfallzeitpunkt. Braucht wenig Rechenleistung, aber hohe Verfügbarkeit.
Maschinendaten anbinden – auch aus älteren Anlagen
Maschinendaten entstehen dort, wo produziert wird, und müssen von dort zuverlässig in die Auswertung gelangen. Moderne Anlagen liefern sie über OPC UA oder MQTT, ältere über nachgerüstete Sensorik und ein Gateway.
Die Verbindung zwischen Werk und Cloud läuft über eine Virtual Private Cloud, abgesichert über eine Managed Firewall.
Produktionsdaten speichern und die Hoheit behalten
Produktionsdaten lassen Rückschlüsse auf Auslastung, Rezepturen und Fertigungstiefe zu und gehören damit zu den sensibelsten Daten eines Betriebs. Bei centron liegen sie in einem Rechenzentrum in Deutschland, geprüft nach BSI C5 und zertifiziert nach ISO 27001.
Für die laufenden Messreihen eignet sich Blockspeicher an der Datenbank-VM, für die Historie S3 Object Storage. Alle Nachweise finden Sie im Trust Center.
Warum eine Zeitreihendatenbank die passende Grundlage ist
Eine Zeitreihendatenbank ist auf Messwerte mit Zeitstempel ausgelegt und speichert sie deutlich kompakter als eine klassische relationale Datenbank. Bei Sensordaten aus der Fertigung ist das der entscheidende Unterschied: Eine Anlage mit hundert Messpunkten im Sekundentakt erzeugt pro Tag rund 8,6 Millionen Datensätze, die abgefragt und über Monate verglichen werden müssen.
Verbreitete Systeme wie InfluxDB oder TimescaleDB betreiben Sie auf ccloud³ Virtual Machines oder containerisiert über Kubernetes.
Predictive-Maintenance-Software und Infrastruktur: die Rollenverteilung
centron liefert die Infrastruktur, nicht die Analysesoftware. Die Modelle und die Bedienoberfläche bringen Sie mit – als Predictive-Maintenance-Software eines Anbieters, als eigene Entwicklung oder aus einem Open-Source-Baukasten. centron stellt die Umgebung bereit, in der diese Lösung sicher und planbar läuft.
Ein drittes System kommt am Ende der Kette hinzu: Die Analysesoftware meldet, dass ein Lager voraussichtlich in drei Wochen ausfällt – daraus muss ein Wartungsauftrag mit Termin, Ersatzteil und zuständigem Techniker werden. Diese Planung findet im ERP oder im angeschlossenen Instandhaltungsmodul statt, das dafür Stücklisten, Lagerbestände und Personaleinsatz kennt. Damit die Prognose dort ankommt, müssen beide Systeme aufeinander zugreifen können.
| Aufgabe | Bei Ihnen oder Ihrem Softwareanbieter | Bei centron |
|---|---|---|
| Sensorik und Datenerfassung | Auswahl, Montage, Vorverarbeitung | Netzanbindung und Absicherung |
| Datenhaltung | Datenmodell und Aufbewahrungsdauer | Speicher, Backup, Verfügbarkeit |
| Modelle | Auswahl, Training, Bewertung | Rechenleistung inklusive GPU |
| Betrieb | Anwendungslogik und Alarmierung | Plattformbetrieb, Monitoring, Support |
Condition Monitoring, Predictive Maintenance und Predictive Quality im Vergleich
Die drei Begriffe bauen aufeinander auf und unterscheiden sich darin, was aus den Daten abgeleitet wird. Condition Monitoring kommt ohne Analyse aus, weil es nur den Ist-Zustand meldet. Predictive Maintenance und Predictive Quality setzen beide Predictive Analytics voraus und unterscheiden sich nur darin, worauf das Verfahren angewendet wird. Entsprechend steigt der Infrastrukturbedarf von links nach rechts.
Condition Monitoring
Zustandsüberwachung in Echtzeit. Grenzwerte werden überwacht und gemeldet. Es wird beschrieben, was gerade ist – ohne Prognose.
Predictive Maintenance
Aus dem historischen Verlauf wird abgeleitet, wann ein Bauteil voraussichtlich ausfällt. Setzt eine belastbare Datenhistorie voraus.
Predictive Quality
Prognostiziert nicht den Ausfall, sondern die Produktqualität aus Prozessdaten. Verbindet Maschinen-, Material- und Prüfdaten.
Industrial IoT (IIoT) als Plattform: was Sie mitbringen und was centron bereitstellt
Eine IIoT-Plattform ist die industrielle Ausprägung des Internet of Things und bündelt Anbindung, Datenhaltung, Auswertung und Visualisierung an einer Stelle. Wer sie nicht bei einem Hyperscaler mieten will, betreibt sie auf eigener Infrastruktur – mit dem Vorteil, dass Datenmodell, Aufbewahrung und Kosten vollständig in der eigenen Hand bleiben.
Auf centron laufen sowohl gemietete Plattformen als auch selbst betriebene Stacks aus Message Broker, Zeitreihendatenbank und Visualisierung. Die Skalierung übernimmt Kubernetes, den Betrieb auf Wunsch unser Team für Managed Services.
Die centron-Produkte für Predictive-Maintenance-Workloads
Vier Bausteine decken den typischen Aufbau ab. Sie lassen sich einzeln buchen und unabhängig voneinander skalieren.
ccloud³ Virtual Machines
Für Datenbank, Message Broker und die laufende Auswertung.
Cloud GPU
Rechenleistung für das Training der Modelle, zubuchbar statt dauerhaft vorgehalten.
S3 Object Storage
Archiv für historische Messreihen, unabhängig von der Rechenleistung skalierbar.
Kubernetes
Für containerisierte Auswertungsdienste und wachsende Anlagenzahlen.
Ihren Aufbau gemeinsam durchgehen
Wie viel Speicher Sie brauchen und wo die Rechenleistung sinnvoll liegt, hängt von Anlagenzahl, Messtakt und Aufbewahrungsdauer ab. Unsere Cloud-Experten rechnen das mit Ihnen durch, bevor Sie etwas buchen.
Häufig gestellte Fragen zu Predictive Maintenance in der Cloud
Predictive Maintenance ist die vorausschauende Wartung auf Basis von Maschinendaten. Aus Messwerten wie Schwingung, Temperatur oder Stromaufnahme wird abgeleitet, wann ein Bauteil voraussichtlich ausfällt, sodass die Wartung vor dem Schaden erfolgt statt nach festem Intervall.
Predictive Analytics ist der Oberbegriff für Verfahren, die aus historischen Daten Prognosen ableiten. Predictive Maintenance ist die Anwendung dieser Verfahren auf Anlagen und Instandhaltung, Predictive Quality überträgt sie auf die Produktqualität. Wenn es Ihnen um die Auswertungswerkzeuge selbst geht, finden Sie diese unter Hosting für Data Analytics.
Erforderlich sind fortlaufende Messwerte der Anlage und dokumentierte Ereignisse aus der Vergangenheit. Ohne Ausfall- und Wartungshistorie fehlt dem Modell der Bezugspunkt, weshalb viele Projekte mit einer Sammelphase von mehreren Monaten beginnen. Für diese wachsende Historie eignet sich S3 Object Storage, der unabhängig von der Rechenleistung skaliert.
An der Maschine erfolgt die Vorverarbeitung: filtern, mitteln, Ausreißer erkennen. In die Cloud gehen die verdichteten Werte, dort liegen Historie, Modelltraining und die anlagenübergreifende Auswertung. Diese Aufteilung senkt Bandbreite und Speicherkosten deutlich und entspricht dem Aufbau, den wir auch für IoT-Anwendungen empfehlen.
Die Daten liegen im centron-Rechenzentrum in Deutschland. Die Infrastruktur ist nach ISO 27001 zertifiziert und nach BSI C5 geprüft, die Nachweise sind im Trust Center abrufbar.
Über nachgerüstete Sensorik und ein Gateway, das die Werte in ein einheitliches Protokoll überführt. Die Anlage selbst bleibt unverändert, was für Maschinen mit bestehender Abnahme oft die einzige praktikable Lösung ist. Die Übertragung ins Rechenzentrum läuft über eine Virtual Private Cloud.
Für das Training komplexer Modelle auf großen Datenmengen ja, für die laufende Auswertung meist nicht. Deshalb ist es sinnvoll, GPU-Leistung zeitweise zuzubuchen und den Dauerbetrieb auf CPU-Instanzen zu belassen. Die verfügbaren Modelle und Konditionen finden Sie in den Cloud-GPU-Tarifen.
Sie beginnen mit einer ccloud³ Virtual Machine für die Datenhaltung und erweitern erst, wenn Anlagenzahl oder Messtakt steigen. Was das kostet, lässt sich vorab über den Preisrechner abschätzen.