Predictive Maintenance Decision Intelligence

Erklärbare Wartungsentscheidungsunterstützung für industrielle Anlagen. Das System wandelt Betriebsdaten in klare Empfehlungen um: nicht nur Ausfallvorhersage, sondern konkrete nächste Schritte.

Predictive Maintenance Decision Intelligence Architektur
Health-State-Modellierung, Risiko-Prognose, RUL und Empfehlungsschicht als BridgeOps Intelligence Layer
Executive Summary

Viele Predictive-Maintenance-Lösungen stoppen bei einer Zahl wie "Ausfallwahrscheinlichkeit 72%". In der Praxis bleibt dann offen, welche Anlage zuerst bearbeitet werden soll und welche Maßnahme sinnvoll ist.

Dieses Projekt schließt diese Lücke. Es kombiniert Zustandsmodellierung, Risiko-Forecasting und Regelwerk zur Handlungsempfehlung:

  • Gesundheitszustände: Healthy, Degraded, Critical, Failure
  • Risikosicht: Failure Probability, Health Score, Remaining Useful Life
  • Empfehlungen: Monitor Normally, Schedule Inspection, Schedule Maintenance, Immediate Review Required
  • Erklärbarkeit: Markov-Transitionspfade und Übergangswahrscheinlichkeiten
  • Wirtschaftlicher Bezug: reaktive vs. geplante Kosten
BridgeOps Positionierung

Das Projekt ist die Intelligence Layer im BridgeOps-Framework:

  • Data: Industrial IoT Data Platform
  • Knowledge: Engineering Knowledge Assistant
  • Intelligence: Predictive Maintenance Decision Intelligence (dieses Projekt)
  • Automation: Operational Decision Orchestration Platform (zukünftig)

Der Fokus liegt bewusst auf menschlich geführter Entscheidung und nicht auf autonomer Ausführung.

Business Problem und Nutzen

In der Fertigung führen ungeplante Ausfälle zu Notfalleinsätzen, schlechter Priorisierung und hohen Opportunitätskosten. Das Projekt beantwortet nicht primär die Frage "Wann fällt die Anlage aus?", sondern "Welche Wartungsaktion ist jetzt sinnvoll?"

  • Reduktion ungeplanter Downtime
  • Bessere Wartungsplanung und Priorisierung
  • Höhere Asset-Verfügbarkeit
  • Transparente Begründung für operative Entscheidungen
Technische Kernergebnisse
  • Markov Chain RMSE: 49 Zyklen (interpretierbar)
  • Random Forest RMSE: 42 Zyklen (besser, aber Black Box)
  • Richtungsgenauigkeit: 78%
  • Annual Savings: $8.4M
  • Payback: 1 Monat
  • ROI: 1,200% (5 Jahre)

Die Modellauswahl priorisiert Erklärbarkeit und Entscheidungsqualität vor reiner Genauigkeit.

Bewusst Out of Scope
  • Vollständige Workflow-Orchestrierung
  • CMMS-Integration
  • ERP-Integration
  • Autonome Wartungsentscheidungen
  • Echtzeit-Streaming-Architektur
  • Digital Twins
  • Enterprise-Rollout-Architektur

Diese Themen gehören in die zukünftige Automation Layer und sind hier absichtlich ausgeschlossen.

Detaillierte Perspektiven
Technische Details Projektführung Produktstrategie
GitHub Repository
Technologie-Stack
Python Markov Chains Hidden Markov Models Random Forest LSTM Plotly Pandas pytest
Empfehlungstaxonomie
  • Monitor Normally
  • Schedule Inspection
  • Schedule Maintenance
  • Immediate Review Required
BridgeOps Layer

Data -> Knowledge -> Intelligence -> Automation

Dieses Projekt ist die Intelligence-Stufe.