Predictive Maintenance auf verteilten Anlagen

Wenn die Anlage am anderen Ende des Landes steht

Pumpstationen und Verdichter stehen oft dort, wo niemand täglich vorbeischaut. Über Dutzende oder Hunderte Standorte verteilt, jede Einheit nahezu baugleich, jede für sich genommen unscheinbar. Fällt eine aus, wird es teuer, mit ungeplantem Stillstand, Notdienst und Folgeschäden an nachgelagerten Komponenten. Der klassische Reflex lautet, alle Sensordaten in eine zentrale Cloud zu schicken und dort auszuwerten. In der Praxis scheitert das an Bandbreite, an wackliger Mobilfunkanbindung, an Latenz und an der Frage, wem die Betriebsdaten eigentlich gehören.

Predictive Maintenance auf einer einzelnen Anlage mit klassischem TinyML ist gelöst. Die offene Frage ist die Skalierung über eine verteilte Flotte. Wie erkennt jede Einheit lokal ihre eigene Störung, und wie wird die ganze Flotte gemeinsam klüger, ohne dass Rohdaten den Standort verlassen? Genau hier setzt ein Edge Agent an, ein KI-Agent auf der Maschine, der vor Ort entscheidet, plus eine Flottenschicht, die das Gelernte teilt.

Erkennung gehört an die Maschine, nicht in die Cloud

Die erste Verteidigungslinie läuft komplett als On-Device-KI, ohne ständige Verbindung. Auf jeder Anlage sitzt derselbe Engine als ein einziges Binary, ob auf einem kleinen Linux-Rechner, einem eingebetteten Controller oder x86-Hardware im Schaltschrank. Redeploy statt Neuentwicklung.

Die Erkennung selbst ist bewusst nüchtern aufgebaut. Schwellwert-Trigger mit Totband fangen die offensichtlichen Fälle ab, etwa Druck, Temperatur, Vibration oder Stromaufnahme außerhalb des erwarteten Bandes. Darüber liegt klassisches maschinelles Lernen für Anomalien, die kein fester Grenzwert beschreibt, etwa schleichende Drift oder ungewöhnliche Muster im Lastprofil. Beides läuft deterministisch im Workflow-Graphen, der das eigentliche Programm ist. Die KI ist nur ein Knoten darin, inspizierbar, begrenzt, nachvollziehbar. Kein Blackbox-Modell, das eigenmächtig durchgreift.

Das ist in der Industrie entscheidend. Der Agent sitzt nie in der Echtzeit-Regelschleife. Die deterministische Steuerung der Pumpe läuft ungestört weiter. Der Edge Agent beobachtet, bewertet und schreibt höchstens gepufferte Parameter zurück, nach dem Muster „Agent als Werkzeug“, nicht als Regler.

Der KI-Agent meldet und erklärt

Eine reine Alarmmeldung „Anomalie an Station 47“ hilft dem Bereitschaftsdienst wenig. Der Edge Agent geht einen Schritt weiter. Schlägt ein Schwellwert oder das ML-Modell an, formuliert ein lokales Sprachmodell (ein kleines SLM mit 1 bis 3 Milliarden Parametern, über einen lokalen Inferenzserver direkt neben der Engine) eine knappe Erklärung, welches Signal auffällig ist, in welche Richtung es driftet und welche plausible Ursache infrage kommt.

Diese Einordnung entsteht vor Ort, ohne Cloud-Aufruf. Anschließend geht eine strukturierte Meldung per MQTT an die Leitebene, inklusive Klartext, nicht nur Rohwert. Der Servicetechniker weiß, ob er sofort ausrücken muss oder ob die nächste reguläre Tour reicht. Genau das unterscheidet lokale KI in der Industrie von einem reinen Sensor-Stream, nämlich Kontext statt Datenflut.

Föderiertes Lernen lässt die Flotte gemeinsam lernen

Hier liegt der eigentliche Hebel der Verteilung. Jede einzelne Station sieht über ihre Lebensdauer nur wenige echte Störfälle. Ein seltenes Lagerproblem an einer Pumpe ist lokal kaum statistisch greifbar, über zweihundert baugleiche Einheiten hinweg aber sehr wohl.

Föderiertes Lernen löst das, ohne Rohdaten zu zentralisieren. Jede Anlage trainiert weiter auf ihren eigenen Betriebsdaten, die den Standort nie verlassen. Nur die Modell-Updates (die gelernten Gewichte, nicht die Messreihen) fließen zurück, werden über die Flotte aggregiert und als verbessertes Modell wieder ausgespielt. Eine Störungssignatur, die an einem Standort erstmals auftritt, schärft anschließend die Erkennung auf allen anderen.

Das ist zugleich DSGVO-freundlich. Sensible Betriebs- und Verbrauchsdaten bleiben physisch vor Ort, zentral wandert nur das, was zum Lernen nötig ist. Eine Agent Registry und Flotten-Orchestrierung halten dabei den Überblick, welche Einheit welchen Modellstand fährt.

Ein Szenario mit zweihundert nahezu baugleichen Pumpstationen

Ein Betreiber bewirtschaftet rund zweihundert Pumpstationen über ein weites Versorgungsgebiet. Die Stationen sind technisch nahezu identisch, stehen aber an sehr unterschiedlichen Orten, manche mit stabiler Anbindung, viele nur über schwankenden Mobilfunk erreichbar.

So könnte ein Edge Agent diesen Fall lösen. An einer Station beginnt die Stromaufnahme einer Pumpe bei gleichbleibender Förderleistung langsam zu steigen. Kein einzelner Wert reißt einen harten Grenzwert, doch das lokale ML-Modell erkennt die Drift trotzdem als untypisch. Der Agent erklärt vor Ort, dass das Muster zu beginnender mechanischer Reibung passt, und meldet eine Vorwarnung, Tage bevor ein klassischer Schwellwert angeschlagen hätte. Die Signatur fließt als Modell-Update in die Flotte. Wochen später zeigt eine zweite Station dasselbe Muster, und das System erkennt es sofort.

So läuft das am Edge

Der Ablauf auf jeder Einheit, technisch konkret.

• Erfassung und Trigger. Sensorwerte kommen über analoge Eingänge und serielle Schnittstellen als First-Class-Knoten herein. Schwellwert-Trigger mit Totband und ein klassisches ML-Modell prüfen kontinuierlich auf Anomalien, alles offline-fähig im deterministischen Graphen.
• Lokale Erklärung. Bei einem Treffer erzeugt ein On-Device-SLM über den lokalen Inferenzserver eine knappe Ursacheneinordnung. Durabler Speicher auf dem Gerät hält Verlauf und Kontext.
• Meldung. Eine strukturierte Nachricht geht per MQTT an die Leitebene, und die Regelung der Anlage läuft unberührt weiter.
• Föderiertes Update. Das lokal nachtrainierte Modell-Delta wird über die Flotte aggregiert (ohne Rohdaten) und als verbesserter Stand zurückverteilt.

Die Sicherheitsarchitektur bleibt dabei nüchtern, mit lokaler Ausführung, Container-Isolation und dem prüfbaren, begrenzten Graphen. Die signierte Image-Verteilung und die On-Device-Ausführung sind von Grund auf für Anforderungen wie den EU Cyber Resilience Act ausgelegt, mit CRA-Readiness als Architektureigenschaft, nicht als Etikett.

Das Wichtigste in Kürze

• Predictive Maintenance über verteilte Anlagen ist kein Skalierungsproblem der Cloud, sondern eine Frage lokaler Erkennung plus geteiltem Lernen.
• Jeder Edge Agent erkennt Anomalien vor Ort (Schwellwert plus klassisches ML), erklärt sie mit einem On-Device-SLM und meldet per MQTT, ohne in die Echtzeit-Regelung einzugreifen.
• Föderiertes Lernen macht die Flotte gemeinsam besser, mit Modellen, die sich geräteübergreifend verbessern, während Rohdaten am Standort bleiben (DSGVO-freundlich).
• Derselbe Engine läuft als ein Binary auf der Hardware, die in der Station steht, Redeploy statt Neuentwicklung.
• From Hardware to Intelligence. Nüchterne Erkennung an der Maschine, geteiltes Wissen über die ganze Flotte.