Die aus den Daten generierten Kennzahlen und Ergebnisse ermöglichen es, fundierte und Entscheidungen im Sinne des Unternehmens zu treffen, und so das Vertrauen in diese Technologie steigern. 
Im Hinblick auf den Bereich Maintenance kann man mit der Bereitstellung und Verfügbarkeit von Daten viel erreichen. Oft fehlt es an Ideen, bei welchen Maschinenteilen es sinnvoll ist, Daten auszulesen.
Bei teuren Ersatzteilen, die hohem Verschleiß unterliegen, sollte das Unternehmen eine Datengewinnung anstreben, um kostenintensive Anlagenausfälle zu vermeiden und Wartungsintervalle zu optimieren.
In der Regel werden entsprechende Ersatzteile in einem Wartungszyklus gewartet, oder ausgetauscht, obwohl dies vielleicht noch nicht nötig gewesen wäre. Hat der Maintenance Leiter alle Ersatzteile im Blick, bei denen sich eine Datenerhebung lohnt, ist es die Aufgabe der IIoT Wege zu finden, diese mit den relevanten KPIs abzubilden.
Im Idealfall überlegt man sich, welche KPIs zur Analyse nötig sind, und liest entsprechende Daten aus den Maschinen aus.
In der Realität stößt man immer wieder auf das Problem, dass keine oder nicht valide Daten vorhanden sind. Ohne Daten können keine KPIs generiert werden, die wiederum eine Analyse der Ersatzteile unmöglich machen. 
Anhand des Use Cases Mixer-Pumpen wird gezeigt, dass trotz fehlender Daten eine Analyse von Ersatzteilen möglich ist.  

Ausgangssituation
Bisher wurden in der Abfüllanlage im Mixer die Pumpen im Rahmen der turnusmäßigen Wartung überholt, oder ausgetauscht. Der Maintenance Manager möchte Belastungen, die auf die Pumpen verschleißend wirken, analysieren. Diese Daten zur KPI Generierung, wie Drehzahl, Strom, Reibung oder Drehmoment können vom Anbieter aber nicht geliefert werden.

Was wurde gemacht
Um trotz der fehlenden Werte die Pumpen einzeln zu analysieren und Normwerte Abweichungen zu erkennen, hat die Firma Quantis mit ihrer IIoT-Plattform Pocket Factory eine genaue Überwachung der effektiven Betriebsstunden der Pumpen vorgenommen.
Für jede Pumpe werden Dashboards erstellt, die die Betriebsstunden der jeweiligen Zustände berechnet und abbildet. Die Gewichtung erfolgt für die Ruhephasen, den Normalbetrieb und Phasen mit großer Belastung.
Bei hohem Durchfluss und häufigem An- und Ausschalten sowie Reinigungsmedien, wie Säuren und Laugen, werden die Pumpen mehr beansprucht. Hier ist auch die Gewichtung des Verschleißes höher.
Die Benchmark mit den vom Hersteller angegebenen Betriebsstundendauern ist als Endpunkt hinterlegt. So kann man erkennen, ob eine Erhöhung der Betriebsstundendauer der Pumpen möglich und sinnvoll ist.
Ein Algorithmus analysiert die Daten und Machine Learning ermöglicht es ein Datum zu errechnen, ab dem mit einer erhöhten Ausfallwahrscheinlichkeit zu rechnen ist. Zusätzlich lernt der Algorithmus bestimmtes Nutzungsverhalten der Pumpen zu analysieren, wie Wochenenden, oder höhere Nutzung in bestimmten Monaten, was wiederum die Lebensdauer der einzelnen Pumpen beeinflusst.
Die so gewichteten Betriebsstunden werden aufaddiert und in einem Dashboard übersichtlich dargestellt. Eine Benachrichtigung durch das System erfolgt, bevor das errechnete Verschleißdatum erreicht ist.

Ergebnisse
Die Datenerhebung dauert mindestens einen Monat.
Der Algorithmus zeigt für alle vorhandenen Pumpen die errechneten Verschleißdaten an.
Das Nutzungsverhalten der Pumpen erkennt der Algorithmus selbstlernend.
Eine Benachrichtigung durch Verschleiß der Pumpen erfolgte noch nicht, da diese sich innerhalb des Wartungszyklus befinden.
Jede Pumpe innerhalb einer Produktionsanlage ist unterschiedlichen Belastungen ausgesetzt, und verschleißt demnach unterschiedlich schnell. Dies zeigt sich durch verschiedene Verschleißdaten im Dashboard.

Fazit
Der Use Case zeigt, dass auch bei fehlenden Daten, eine Analyse von Ersatzteilen möglich ist. Durch genaue Kenntnis der Prozesse in der Produktion kann man solche Herausforderungen meistern, und so die Effizienz im Maintenance Bereich auf ein neues Level heben.