BaSys4Maintain

Predictive Maintenance wird zunehmend unverzichtbar, um moderne Produktionssysteme effizient, zuverlässig und wettbewerbsfähig zu betreiben. Dennoch sind viele Maschinenkomponenten – etwa präzise Kugelgewindetriebe – ohne tiefe Integration in die Maschinensteuerung nach wie vor schwer zu überwachen. Das Forschungsprojekt BaSys4Maintain begegnet dieser Herausforderung, indem es KI, intelligente Sensorik und digitale Zwillinge zusammenführt, um Predictive Maintenance als lokalen Echtzeit-Service zu ermöglichen.

BaSys4Maintain ist eine deutsche Forschungsinitiative, die Predictive Maintenance für Kugelgewindetriebe durch KI-basierte Diagnose und digitale Asset-Modellierung realisiert. Das Projekt baut auf der BaSys4.0-Infrastruktur auf, die einen standardisierten Rahmen zur Abbildung und Verwaltung verteilter industrieller Assets über Asset Administration Shells (AAS) bereitstellt. Durch die Einbettung von Predictive-Maintenance-Funktionen in dieses digitale Ökosystem erhalten Anlagenbetreiber handlungsrelevante Erkenntnisse, reduzieren Stillstandszeiten und erschließen neue After-Sales-Servicemodelle – ohne invasive Anpassungen an bestehenden Maschinen.

Unser Beitrag

In diesem Projekt haben wir mehrere zentrale Bausteine beigesteuert und dabei Sensorentwicklung, Machine Learning und edge-orientiertes Software Engineering zusammengebracht:

• KI-gestütztes Zustandsmonitoring – Ein maßgeschneidertes Machine-Learning-Modell wertet Sensordaten aus, um Vorspannkraftverlust zu erkennen, Anomalien zu identifizieren und eine frühe Fehlerdiagnose zu unterstützen.
• Edge-Integration – Das KI-Modul wurde lokal auf einer Embedded-Evaluierungseinheit bereitgestellt und ermöglicht so schnelle, sichere und cloud-unabhängige Predictive Maintenance.
• Alterungs- & Verschleißerkennung – Algorithmen zur Erkennung von Alterung und mechanischer Degradation von Kugelgewindetrieben, inklusive früher Hinweise auf Umkehrspiel (Backlash) und Leistungsverlust – auch bei gestörten oder verrauschten Bedingungen.
• Betrieb ohne Referenzläufe – Die entwickelten Algorithmen sind für die Auswertung im Normalbetrieb ausgelegt und erfordern keine zusätzlichen Prozeduren für die vorausschauende Wartung.

Praxisnutzen

Durch die Kombination aus intelligenten Sensorsystemen, KI-basierter Anomalieerkennung und standardisierten digitalen Asset-Modellen ermöglicht BaSys4Maintain:

• Lokale, cloud-unabhängige Predictive Maintenance
• Früherkennung von Vorspannkraftverlust und mechanischem Verschleiß
• Einfache Integration in bestehende Industrieumgebungen
• Höhere Anlagenverfügbarkeit und reduzierten Wartungsaufwand
• Neue Servicemodelle durch digitale Zwillinge und verteiltes Asset-Management

Validierung & Tests

Zur Bewertung unter realistischen Bedingungen wurde ein physischer Demonstrator eingesetzt, der Bewegung, Verschleiß und Vorspannungsänderungen von Kugelgewindetrieben nachbildet. Damit lässt sich der End-to-End-Workflow – von der Sensorik über die KI-Inferenz bis zur Visualisierung im digitalen Zwilling – in kontrollierten, aber praxisnahen Szenarien validieren und eine zuverlässige Performance vor dem industriellen Einsatz sicherstellen.

Ausblick

BaSys4Maintain zeigt, wie KI, Edge Intelligence und digitale Zwillinge die industrielle Instandhaltung transformieren können. Die Ergebnisse schaffen die Grundlage für skalierbare, kosteneffiziente Monitoring-Lösungen, die Produktionssysteme smarter, sicherer und robuster machen. Gleichzeitig trägt das Projekt zur Weiterentwicklung des BaSys-Ökosystems bei und stärkt die Basis für zukünftige autonome und datengetriebene industrielle Services.