Edge, Fog und Cloud: Big Data und Predictive Maintenance
https://bildung.social/@oerinformatik/
https://oer-informatik.de/edge-fog-predictive-maintenance
Edge Computing, Fog Computing, Cloud Computing, Big Data, Predictive Maintenance, Echtzeitdaten, Industrie 4.0, IoT, autonome Systeme, BYOD, Datenvolumen
tl/dr; (ca. 19 min Lesezeit): Tausende Sensoren liefern pro Sekunde Messwerte, doch nicht alles muss in die Cloud. Der Artikel erklärt, was Big Data mit Volume, Velocity und Variety meint, wie Edge Computing Daten direkt an der Quelle verarbeitet, welche Rolle Fog Computing als Zwischenschicht spielt und wie Du damit Latenz, Übertragungskosten und Abhängigkeit von der Verbindung senkst. Danach geht es um Echtzeitdatenverarbeitung, Predictive Maintenance mit den passenden Daten, Vorhersagewerte und um Schutzstrategien autonomer Fahrzeuge. Vorab klärst Du, welche Rolle IoT, Industrie 4.0, KI, Big Data und Cloud in einer solchen Lösung spielen und was BYOD bedeutet [AI-Assisted]. (Zuletzt geändert am 28.10.2026)
Dieser Artikel ist Teil einer Artikelreihe zu vernetzten Systemen: Cloud und Betriebsmodelle / Edge, Fog und Cloud / MQTT / Übungsaufgaben zu Edge, Fog und Predictive Maintenance
Dieser Artikel baut auf der Kann-Liste des Artikels Cloud und Betriebsmodelle: IaaS, PaaS, SaaS, Public und Private Cloud, On-Premises, Hosting und Colocation auf.
Schon fit in diesem Thema? Nutze die Kann-Liste und die Leitfragen unter dem Artikel als Checkliste, ob Du die relevanten Kompetenzen bereits hast.
Als Grundlagen kann ich nach Durchlesen des Artikels…
… die Technologiefelder Internet der Dinge (mit Industrie 4.0), künstliche Intelligenz, Big Data und Cloud voneinander abgrenzen, Beispiele richtig einordnen und Akronyme wie BYOD erklären.
… einen Unterschied zwischen Edge Computing und Cloud Computing beschreiben.
… die Big-Data-Dimensionen Volume, Velocity und Variety nennen.
Darüber hinaus kann ich als Expertenwissen…
… die Bedeutung der Big-Data-Dimensionen an einem Beispiel beschreiben und das anfallende Datenvolumen berechnen.
… Edge Computing und Fog Computing erläutern, ihren konkreten Mehrwert in einem Szenario beschreiben und erläutern, wie sie Übertragungs- und Cloudkosten senken.
… Echtzeitdatenverarbeitung erklären und begründen, in welchen Bereichen sie nötig ist und wo nicht.
… Predictive Maintenance erklären, von reaktiver, vorbeugender und zustandsorientierter Wartung abgrenzen, je Anlage eine passende Strategie wählen und geeignete Daten aus einem Monitoringsystem auswählen.
… erläutern, wie sich Vorhersagewerte (z. B. für den Ersatzteilbedarf oder die Auslastung) aus gesammelten Daten gewinnen lassen, und Schwächen eines Vorhersageverfahrens erkennen.
… Schutzstrategien autonomer Fahrzeuge für die Begegnung mit Menschen vergleichen und Vorschläge zu ihrer Änderung bewerten.
Ein Aufzugsdienst überwacht Hunderte Anlagen in der ganzen Stadt, eine Fertigungshalle misst an jeder Maschine Schwingungen und Temperaturen, Mietfahrräder senden laufend ihren Standort. Schickt man alle diese Rohdaten ungefiltert in ein Rechenzentrum, entstehen riesige Datenmengen, hohe Kosten und Verzögerungen. Gleichzeitig steckt in den Daten wertvolles Wissen, z. B. wann eine Maschine bald ausfällt. Die Frage ist also nicht nur, ob Daten ausgewertet werden, sondern wo: direkt am Gerät, in einem Knoten vor Ort oder zentral in der Cloud.
Begriffe im Umfeld: IoT, Industrie 4.0, KI, Big Data, Cloud
Eine Lösung für vorausschauende Wartung ist selten nur „IoT“ oder nur „Cloud“: Mehrere Technologiefelder greifen ineinander. Die Tabelle zeigt das am Beispiel eines Servicebetriebs, der rund 300 Aufzüge in einer Großstadt betreut.
| Technologiefeld | Grundidee | Rolle in der Aufzugswartung | verwandte Begriffe |
|---|---|---|---|
| Internet der Dinge (IoT) | Gegenstände erhalten Sensoren, eigene Rechenleistung und eine Netzanbindung. In der Produktion verbinden sich so Maschinen, Werkstücke und IT-Systeme zu einer durchgängig digital gesteuerten Fertigung (Smart Factory). | Jeder Aufzug meldet über ein Gateway Türzyklen, Motorstrom und Fahrtdauer. | Gateway, MQTT, OPC UA, digitaler Zwilling |
| Künstliche Intelligenz (KI) | Software leitet Regeln aus Beispieldaten selbst ab und kann damit klassifizieren und vorhersagen; handelt ein Gerät auf dieser Grundlage selbstständig, spricht man von einem autonomen System. | Ein trainiertes Modell erkennt an der Stromkurve des Türantriebs einen beginnenden Lagerschaden. | Trainingsdaten, Anomalieerkennung, Robotik, fahrerlose Fahrzeuge |
| Big Data | Datenbestände, deren Menge, Tempo oder Vielfalt einen einzelnen klassischen Datenbankserver überfordert; Speicherung und Auswertung werden auf viele Rechner verteilt. | Messreihen aller Anlagen über Jahre, dazu Monteursberichte als Freitext und Fotos von Schäden. | Zeitreihendatenbank, verteiltes Dateisystem, Stream-Verarbeitung |
| Cloud | Rechenleistung, Speicher und Anwendungen werden über das Netz nach Bedarf bezogen und nach Nutzung abgerechnet. | Das Modell wird auf gemieteten GPU-Instanzen trainiert; die Disposition arbeitet mit einem webbasierten Wartungsportal. | Betriebsmodelle IaaS, PaaS, SaaS, Elastizität, Pay per Use |
Die Felder überschneiden sich: Das Modell (KI) braucht die Datenbasis (Big Data), die Daten kommen von vernetzten Anlagen (IoT), und Training wie Portal laufen oft bei einem Anbieter (Cloud). Ordnest Du ein Beispiel zu, frag Dich deshalb, welcher Aspekt im Vordergrund steht.
Dazu kommen Begriffe aus dem Arbeitsplatz-Umfeld, z. B. BYOD (Bring Your Own Device): Beschäftigte, Studierende oder Gäste arbeiten mit privaten Smartphones, Tablets oder Notebooks im Netz der Organisation. Das spart Gerätekosten und ist bequem, verlangt aber klare Regeln (getrenntes WLAN oder VLAN, Mobile-Device-Management, Trennung von privaten und dienstlichen Daten).
Big Data: Volume, Velocity, Variety
Der Begriff Big Data wird klassisch über drei Dimensionen beschrieben, die „drei V“:
| Dimension | Bedeutung | Beispiel Aufzugsdienst mit 300 Anlagen |
|---|---|---|
| Volume (Menge) | Die Datenmenge wächst so stark, dass ein einzelner Speicher nicht mehr reicht; man rechnet in Terabyte bis Petabyte. | Jahr für Jahr Milliarden Messwerte zu Fahrten, Türen und Antrieben |
| Velocity (Geschwindigkeit) | Neue Daten treffen ununterbrochen und in hohem Takt ein; die Auswertung muss Schritt halten. | jede Anlage meldet bei jeder Fahrt und jedem Türvorgang |
| Variety (Vielfalt) | Tabellenartige Messwerte stehen neben Logdateien, Bildern, Tonaufnahmen und Texten; ein einheitliches Schema fehlt. | Stromkurven, Fehlercodes, Fotos der Monteur*innen, Notrufaufzeichnungen, Berichte als Freitext |
Oft werden zwei weitere V ergänzt: Veracity (Verlässlichkeit, also die Qualität und Glaubwürdigkeit der Daten) und Value (der Nutzen, den man aus den Daten zieht).
Datenmengen abschätzen: 20 Sensoren senden je 100 Messwerte pro Sekunde, jeder Messwert belegt 8 Byte.
Geg.: Sensoren n = 20, Rate r = 100\,\frac{\text{Werte}}{\text{s}}, Größe g = 8\,\frac{\text{Byte}}{\text{Wert}}, ein Tag hat 86.400 s
Ges.: Datenrate D und Datenmenge pro Tag V
D = n \cdot r \cdot g = 20 \cdot 100\,\frac{\text{Werte}}{\text{s}} \cdot 8\,\frac{\text{Byte}}{\text{Wert}} = 16.000\,\frac{\text{Byte}}{\text{s}}
V = D \cdot t = 16.000\,\frac{\text{Byte}}{\text{s}} \cdot 86.400\,\text{s} = 1.382.400.000\,\text{Byte} \approx \underline{\underline{1{,}382\,\text{GB}}}
Pro Jahr wären das rund 505 GB, nur für 20 Sensoren. Bei Cloudanbietern, die nach übertragenem oder gespeichertem Datenvolumen abrechnen, ist die Frage nach dem Ort der Verarbeitung deshalb auch eine Kostenfrage. Achte darauf, ob in einer Aufgabe mit Dezimalpräfixen (1 GB = 10⁹ Byte) oder Binärpräfixen (1 GiB = 2³⁰ Byte) gerechnet wird.
Cloud, Fog und Edge: Wo werden Daten verarbeitet?
Die drei Konzepte beschreiben Schichten zwischen Gerät und Rechenzentrum:
| Schicht | Ort der Verarbeitung | Aufgaben | Beispiel |
|---|---|---|---|
| Edge Computing | direkt an der „Kante“ (edge) des Netzes, im oder unmittelbar am Gerät bzw. Sensor | Messwerte filtern, verdichten, sofort reagieren | Steuerung einer Aufzugskabine, Steuerung einer Maschine, Smartlock im Fahrrad |
| Fog Computing | Zwischenschicht im lokalen Netz nahe den Quellen (Fog-Knoten, z. B. Server oder Gateway in der Halle, am Standort) | Daten mehrerer Edge-Geräte bündeln, vorverarbeiten, zwischenspeichern, lokale Auswertungen | Industrie-PC je Fertigungshalle, Gateway im Maschinenraum eines Hochhauses |
| Cloud Computing | zentral im Rechenzentrum eines Anbieters | Langzeitspeicherung, aufwendige Analysen, KI-Training, Dashboards für alle Standorte | zentrale Datenhaltung mit den Daten aller Standorte |
Fog Computing ist also die Schicht zwischen Edge und Cloud. Die Grenzen sind nicht scharf; eine Referenzarchitektur beschreibt der Standard IEEE 1934 (OpenFog).
Unterschied Edge gegenüber Cloud: Beim Cloud Computing reist jeder Rohwert erst über das Netz ins Rechenzentrum, bevor jemand darauf reagiert. Beim Edge Computing rechnet das Gerät selbst oder ein Rechner direkt daneben; der Weg und damit die Latenz (Verzögerung) schrumpft, und das Gerät bleibt handlungsfähig, auch wenn die Verbindung zur Cloud abreißt.
Mehrwert von Edge und Fog
- Schnelle Reaktion: Die Entscheidung fällt dort, wo die Daten entstehen, z. B. das Abschalten einer überhitzten Maschine innerhalb weniger Millisekunden.
- Ausfalltoleranz: Fällt die Internetanbindung einer Halle oder eines Gebäudes aus, laufen Steuerung und Überwachung weiter; Ergebnisse werden zwischengespeichert und nachgereicht.
- Kleinere Datenmengen: In die Cloud wandern nur Kennwerte (z. B. Effektivwert und Maximum je Sekunde) oder nur Auffälligkeiten. Rechnet der Anbieter pro Gigabyte ab, wird das unmittelbar billiger.
- Weniger Bandbreite: Mobilfunkverträge und Standleitungen können kleiner ausfallen.
- Datenschutz: Kamerabilder oder Positionsverläufe bleiben vor Ort; weitergegeben wird nur das Ergebnis, z. B. „Kabine leer“.
Nachteile: Mehr Hardware an vielen Orten muss beschafft, abgesichert, mit Updates versorgt und gewartet werden; die Rechenleistung vor Ort ist begrenzt, und verteilte Systeme sind schwieriger zu überwachen.
Kosten senken: ein Rechenbeispiel
Ein Cloudanbieter berechnet 0,25 € je übertragenem und gespeichertem GB. 40 Schwingungssensoren senden je 1.000 Werte pro Sekunde à 4 Byte.
Geg.: D_{roh} = 40 \cdot 1.000 \cdot 4\,\frac{\text{Byte}}{\text{s}} = 160.000\,\frac{\text{Byte}}{\text{s}}, 30 Tage = 2.592.000 s, Preis 0,25 €/GB
Ges.: Monatskosten K_{roh} ohne Vorverarbeitung
K_{roh} = \frac{160.000\,\frac{\text{Byte}}{\text{s}} \cdot 2.592.000\,\text{s}}{10^9\,\frac{\text{Byte}}{\text{GB}}} \cdot 0{,}25\,\frac{€}{\text{GB}} = 414{,}72\,\text{GB} \cdot 0{,}25\,\frac{€}{\text{GB}} = \underline{\underline{103{,}68\,€}}
Berechnet ein Edge-Gateway stattdessen pro Sensor und Sekunde nur drei Kennwerte (Effektivwert, Maximum, Temperatur, je 4 Byte), fallen nur noch 40 \cdot 3 \cdot 4 = 480 Byte/s an, also rund 1,244 GB und 0,31 € im Monat. Das Datenvolumen sinkt um 99,7 %. Die Rohdaten können lokal für einige Tage im Fog-Knoten aufbewahrt werden, falls eine Auffälligkeit genauer untersucht werden muss.
Echtzeitdatenverarbeitung
Echtzeitdatenverarbeitung liegt vor, wenn ein System auf ein Ereignis oder einen neuen Messwert spätestens nach einer vorher zugesicherten Frist reagiert. „Echtzeit“ heißt also nicht „unendlich schnell“, sondern garantiert rechtzeitig: Eine Antwort nach 50 ms kann Echtzeit sein, wenn 100 ms zugesichert sind; eine Antwort nach 5 ms ist es nicht, wenn sie manchmal auch 2 s dauern kann. Typisch sind:
- eine feste Frist (Deadline) je Verarbeitungsschritt, deren Einhaltung nachgewiesen werden kann,
- Schritthalten: Die Verarbeitung ist im Mittel und im ungünstigsten Fall schneller als der Zufluss neuer Daten, Warteschlangen wachsen nicht an,
- Daten kommen periodisch (Abtasttakt) oder sporadisch (Alarm, Tastendruck) an; beides muss innerhalb der Frist bearbeitet werden.
Bei harter Echtzeit richtet eine verpasste Frist Schaden an (Lichtvorhang an einer Presse, Airbag), bei weicher Echtzeit sinkt nur die Qualität (ruckelndes Video, verspätete Abfahrtsanzeige).
Echtzeit kostet: Rechenleistung vor Ort, stabile Netze, ständige Übertragung. Sie gehört dorthin, wo eine verspätete Reaktion Menschen verletzt, Anlagen beschädigt oder ganze Chargen unbrauchbar macht, etwa bei der Sicherheitsabschaltung einer Roboterzelle oder der Temperaturführung eines Härteofens. Für Monatsberichte zum Energieverbrauch, die Auswertung von Verschleißtrends über Wochen oder die Reinigungsplanung reicht es, die Daten gesammelt zu übertragen, etwa einmal täglich.
Predictive Maintenance
Predictive Maintenance (vorausschauende Wartung) schätzt aus dem aktuellen Zustand eines Bauteils seine Restlebensdauer und plant den Eingriff kurz vor dem erwarteten Ausfall ein. Dafür vergleicht ein statistisches oder lernendes Modell laufende Messwerte mit der Vorgeschichte gleichartiger Bauteile, bei denen man weiß, wann und warum sie ausgefallen sind.
| Wartungsstrategie | Wann wird gewartet? | Nachteil |
|---|---|---|
| reaktiv (Run to Failure) | erst nach dem Ausfall | ungeplante Stillstände, Folgeschäden |
| präventiv (vorbeugend, zeitbasiert) | in festen Intervallen, z. B. alle 2.000 Betriebsstunden | Teile werden oft zu früh getauscht, unerwartete Ausfälle dazwischen bleiben möglich |
| zustandsorientiert (Condition Monitoring) | wenn ein Messwert eine Grenze überschreitet | reagiert erst, wenn die Abweichung schon da ist |
| prädiktiv (Predictive Maintenance) | wenn ein Modell aus Mustern einen baldigen Ausfall vorhersagt | Sensorik, Datenbasis und Auswertung kosten Aufwand |
Die Grafik zeigt schematisch, an welcher Stelle im Verschleißverlauf eines Bauteils die vier Strategien eingreifen:
Der Gewinn: Stillstände werden planbar. Ersatzteile liegen rechtzeitig bereit, Eingriffe fallen in Schichtpausen oder auf das Wochenende, und Teile werden erst getauscht, wenn ihr Vorrat an Lebensdauer wirklich aufgebraucht ist. Nicht jede Anlage lohnt den Aufwand: Für billige, schnell tauschbare Teile ohne Folgeschäden ist reaktive Wartung oft wirtschaftlicher.
Welche Daten braucht man? Ein Monitoringsystem, ob für Maschinen oder für die eigene IT, liefert Daten aus drei Gruppen:
- Zustandsgrößen, die Verschleiß sichtbar machen: Schwingungen, Lager- und Wicklungstemperaturen, Stromaufnahme, Druckverlauf, SMART-Werte von SSDs und Festplatten, Restkapazität von USV-Akkus.
- Belastungsgrößen, die erklären, warum etwas schneller verschleißt: Betriebsstunden, Schaltspiele, Last- und Drehzahlprofile, Umgebungstemperatur und Luftfeuchte.
- Ereignis- und Historiendaten, ohne die kein Modell lernen kann: Warn- und Fehlermeldungen aus Logs, dokumentierte Ausfälle mit Ursache, getauschte Teile, Reparaturdauer.
Wichtig ist die dritte Gruppe: Ein Modell kann einen Ausfall nur vorhersagen, wenn es genug frühere Ausfälle „gesehen“ hat, deren Vorgeschichte in den Daten steckt.
Zusammengesetzt ergibt sich ein Kreislauf aus Erfassen, Verdichten, Vergleichen und gezielter Wartung:
Vorhersagewerte bereitstellen
Aus denselben Daten lassen sich weitere Vorhersagewerte gewinnen, z. B. wie viele Türantriebe der Aufzugsdienst im nächsten Quartal tauschen muss und wie viele er deshalb auf Lager legen sollte. Das Vorgehen ist immer ähnlich: Zielgröße festlegen (Tauschteile je Quartal), Verlauf über einen langen Zeitraum aufzeichnen, Einflussgrößen suchen, die den Verlauf erklären (Anlagenalter, Fahrten pro Tag, Jahreszeit), daraus ein Modell bilden und es an einem zurückgehaltenen Zeitraum prüfen, bevor man sich darauf verlässt. Ein bloßer Durchschnitt aller bisherigen Werte übersieht Trends und Saisoneffekte.
Wer Maschinendaten für solche Auswertungen nutzen will, muss klären, wem die Daten gehören. Seit September 2025 gibt der EU Data Act Nutzer*innen vernetzter Produkte grundsätzlich einen Anspruch auf Zugang zu den Daten, die ihr Produkt erzeugt; das betrifft z. B. Maschinen, deren Hersteller Wartungsdaten in der eigenen Cloud sammeln.
Autonome Systeme und Mensch-Roboter-Kollaboration
Mit mehr Autonomie, z. B. bei fahrerlosen Transportfahrzeugen (FTF) in Lager und Produktion, steigen die Anforderungen an die Sicherheit, wenn Mensch und Maschine sich begegnen (Human-Robot Collaboration). Ein FTF überwacht dazu mit einem Laserscanner ein Schutzfeld vor sich und davor ein größeres Warnfeld. Wie das Fahrzeug reagiert, legt die Schutzstrategie fest:
| Schutzstrategie | Sicherheit | Durchsatz | Aufwand |
|---|---|---|---|
| getrennte Verkehrswege: Fahrzeuge und Personen nutzen eigene, abgesperrte Wege | sehr hoch, Begegnungen sind selten | hoch, Fahrzeuge können zügig fahren | bauliche Trennung, Platzbedarf in der Halle |
| gestufte Felder: Im Warnfeld bremst das FTF ab, im Schutzfeld bleibt es stehen und fährt nach Freiwerden selbst wieder an | hoch, wenn das Schutzfeld zur Geschwindigkeit passt | mittel, Stopps in belebten Bereichen | Felder je Geschwindigkeit und Streckenabschnitt planen und prüfen |
| Umfahren: Das FTF plant selbstständig einen Weg um das Hindernis | hoch, nur mit zuverlässiger Rundumerkennung | hoch, kaum Wartezeit | aufwendige Sensorik, Navigation und Sicherheitsnachweis |
Das Schutzfeld muss mindestens so lang sein wie der Anhalteweg; weil dieser mit der Geschwindigkeit quadratisch wächst, ist ein schnelleres Fahrzeug mit kleinerem Schutzfeld keine zulässige Abkürzung.
Für die Sicherheit fahrerloser Flurförderzeuge gilt die Norm ISO 3691-4, für kollaborierende Roboter ISO 10218 (Fassung 2025), die die Anforderungen der ISO/TS 15066 aufgenommen hat. Für die Sicherheitssensorik selbst gilt: Ein Scanner, der jede Person sicher erfasst, ist wertvoller als einer mit beeindruckender, aber unnötiger Reichweite.
Typische Fehler
- Edge und Fog gleichgesetzt: Edge ist am Gerät, Fog die Zwischenschicht im lokalen Netz.
- „Echtzeit“ als „möglichst schnell“ erklärt statt „innerhalb einer festgelegten Zeit“.
- Predictive Maintenance mit vorbeugender Wartung nach festen Intervallen verwechselt.
- Bei der Kostenersparnis nicht begründet, warum weniger gezahlt wird: Abgerechnet wird nach Datenvolumen, und Edge/Fog verringert das übertragene Volumen.
- Die drei V nur aufgezählt statt ihre Bedeutung mit Bezug zur Situation beschrieben.
Leitfragen
- Welche Aufgabe übernehmen IoT, KI, Big Data und Cloud in einer Lösung für vorausschauende Wartung, und wofür steht BYOD?
IoT (in der Fertigung Industrie 4.0) liefert die Daten: Anlagen sind mit Sensoren ausgestattet und vernetzt. Big Data beschreibt den Datenbestand, der durch Menge, Tempo oder Vielfalt verteilte Speicherung und Auswertung braucht. KI erkennt darin Muster und sagt Ausfälle vorher. Die Cloud stellt Rechenleistung und Anwendungen nach Bedarf bereit, etwa für das Training des Modells oder ein Wartungsportal. BYOD heißt Bring Your Own Device: private Endgeräte im Netz der Organisation. Siehe Abschnitt „Begriffe“.
- Was bedeuten Volume, Velocity und Variety?
Volume: die Datenmenge sprengt einen einzelnen Speicher; Velocity: neue Daten treffen laufend und in hohem Takt ein, die Auswertung muss Schritt halten; Variety: Messwerte, Logs, Bilder und Texte ohne einheitliches Schema. Ergänzt werden oft Veracity und Value. Siehe Abschnitt „Big Data“.
- Was unterscheidet Edge, Fog und Cloud Computing?
Edge: Verarbeitung direkt am Gerät bzw. Sensor; Fog: Zwischenschicht im lokalen Netz nahe den Quellen, die Daten mehrerer Edge-Geräte bündelt; Cloud: zentrale Verarbeitung im Rechenzentrum. Weil Edge-Geräte selbst rechnen, reagieren sie schneller als eine Cloud-Lösung und bleiben auch ohne Verbindung handlungsfähig. Siehe Abschnitt „Cloud, Fog und Edge“.
- Wie senken Edge und Fog Computing die Kosten eines Cloudanbieters?
Edge-Rechner und Fog-Knoten machen aus vielen Rohwerten wenige Kennwerte oder melden nur Auffälligkeiten. In die Cloud gelangt dadurch nur ein Bruchteil der Bytes, und bei einer Abrechnung pro Gigabyte sinkt die Rechnung im selben Verhältnis. Siehe Abschnitt „Kosten senken“.
- Was ist Echtzeitdatenverarbeitung, und wann lohnt sie sich?
Das System reagiert garantiert innerhalb einer zugesicherten Frist und hält mit dem Zufluss neuer Daten Schritt. Sie lohnt sich, wo eine verspätete Reaktion Menschen, Anlagen oder Produkte gefährdet (Sicherheitsabschaltung, Ofenführung), nicht bei Monatsberichten oder Verschleißtrends über Wochen. Siehe Abschnitt „Echtzeitdatenverarbeitung“.
- Was ist Predictive Maintenance, und welche Daten braucht man dafür?
Ein Modell schätzt aus dem aktuellen Zustand die Restlebensdauer eines Bauteils; gewartet wird kurz vor dem erwarteten Ausfall. Nötig sind Zustandsgrößen (z. B. Schwingung, Temperatur, Stromaufnahme), Belastungsgrößen (Betriebsstunden, Schaltspiele) und Historiendaten mit dokumentierten Ausfällen. Siehe Abschnitt „Predictive Maintenance“.
- Wie gewinnst Du einen Vorhersagewert, z. B. für den Ersatzteilbedarf?
Zielgröße festlegen, ihren Verlauf lange aufzeichnen, erklärende Einflussgrößen (Alter, Nutzung, Jahreszeit) hinzunehmen, daraus ein Modell bilden und es an einem zurückgehaltenen Zeitraum prüfen. Ein einfacher Durchschnitt übersieht Trends und Saisoneffekte. Siehe Abschnitt „Vorhersagewerte“.
- Wie lassen sich Menschen vor fahrerlosen Transportfahrzeugen schützen?
Durch getrennte Verkehrswege, durch gestufte Warn- und Schutzfelder (abbremsen, anhalten, selbst wieder anfahren) oder durch Umfahren mit zuverlässiger Rundumerkennung. Das Schutzfeld muss zum Anhalteweg bei der gefahrenen Geschwindigkeit passen. Siehe Abschnitt „Autonome Systeme“.
Links und weitere Informationen
als Nachschlagewerk: Bundesamt für Sicherheit in der Informationstechnik: IT-Grundschutz-Kompendium, Baustein IND (Industrielle IT)
Hinweis zur Nachnutzung als Open Educational Resource (OER)
Dieser Artikel und seine Texte, Bilder, Grafiken, Code und sonstiger Inhalt sind - sofern nicht anders angegeben - lizenziert unter CC BY 4.0. Nennung gemäß TULLU-Regel bitte wie folgt: “Edge, Fog und Cloud: Big Data und Predictive Maintenance” von oer-informatik.de (H. Stein), Lizenz: CC BY 4.0. Der Artikel wurde unter https://oer-informatik.de/edge-fog-predictive-maintenance veröffentlicht, die Quelltexte sind in weiterverarbeitbarer Form verfügbar im Repository unter https://gitlab.com/oer-informatik/mcu/iot-grundlagen. Erstellt mit KI-Assistenz; von mir umfassend redaktionell überarbeitet, geprüft und freigegeben. Stand: 28.10.2026.
[Kommentare zum Artikel lesen, schreiben] / [Artikel teilen] / [gitlab-Issue zum Artikel schreiben]
