Datenqualität vor Modellkomplexität
Historische Ausfälle, Betriebszustände, Last, Sensorqualität und eindeutige Anlagenidentifikation sind häufig wichtiger als die Wahl eines besonders komplexen Algorithmus. Fehlende oder inkonsistente Fehlercodes begrenzen jedes Modell.
Ausfalldaten sind selten sauber
Viele Anlagen haben wenige dokumentierte Ausfälle oder wurden vor dem Ausfall gewartet. Dadurch fehlen klare Trainingsbeispiele. Deshalb funktionieren einfache Trends oder physikalische Modelle in manchen Anwendungen besser als datenhungrige Ansätze.
Vorwarnzeit muss zur Logistik passen
Eine Prognose ist nur dann praktisch, wenn die Vorwarnzeit für Diagnose, Freigabe, Ersatzteilbeschaffung und geplanten Eingriff ausreicht. Eine hochgenaue Warnung wenige Minuten vor einem mehrtägigen Reparaturbedarf kann operativ wertlos sein.
Business Case
Bewertet werden sollten vermiedene Folgekosten, Produktionsverlust, Ersatzteil- und Personalplanung, Fehlalarmkosten, Sensorik, Datenplattform und Pflege des Modells. Predictive Maintenance sollte mit einer klaren Baseline verglichen werden.