Sarah Stermschegg

• Eine zuverlässige Zustandsüberwachung ist eine wichtige Voraussetzung für die vorausschauende Instandhaltung in industriellen Fertigungsumgebungen, doch viele Maschinenkomponenten werden nach wie vor ohne kontinuierliche Überwachung betrieben. Diese Lücke ist besonders relevant für Komponenten von Schaumdosieraggregaten, bei denen unerwartete Ausfälle die Produktion stören und eine systematische Wartungsplanung behindern können. Diese Arbeit befasst sich mit diesen Mängeln, indem sie eine durchgängige Zustandsüberwachungskette entwickelt und validiert, die Vibrationssignale zusammen mit Prozessdaten wie Druck und Temperatur erfasst, diese auf einem Edge-Gerät vorverarbeitet und für eine skalierbare cloudbasierte Analyse vorbereitet. Die Architektur integriert IEPE-Vibrationssensoren mit der strukturierten Erfassung digitaler und analoger Maschinendaten. Alle Signale werden über ein spezielles SPS-Modul zur Zustandsüberwachung erfasst, wodurch eine deterministische Vorverarbeitung, einheitliche Zeitstempel und synchronisierte Datenflüsse gewährleistet sind. Ein zentraler Beitrag ist ein modularer, einsatzunabhängiger Daten Konnektor, der REST- und MQTT-Kommunikation unterstützt und automatisch Asset- und Mapping-Identifikatoren verwaltet, wodurch eine flexible Integration in heterogene industrielle Umgebungen ermöglicht wird. Um eine systematische Bewertung unabhängig von Produktionsbeschränkungen zu ermöglichen, werden synthetische Datensätze generiert, die realistisches Betriebsverhalten, allmähliche Verschlechterungsverläufe und definierte Ausfallmerkmale nachbilden. Ein interaktives Dashboard unterstützt die Zeitreihenprüfung, die Schwellenwertkonfiguration und die automatisierte Ereigniserkennung vor Ort, während die IoT-Cloud-Plattform Senseye eine skalierbare Zeitreihenaufnahme, ein strukturiertes Anlagenmanagement und eine zentralisierte Bewertung von Zustandsentwicklungen ermöglicht. Die Ergebnisse zeigen, dass der Prototyp heterogene Zustandsüberwachungsdaten zuverlässig erfasst, synchronisiert und überträgt und so eine kohärente Informationsebene schafft, die für diagnostische Bewertungen und zukünftige Vorhersagemodelle geeignet ist. Die Architektur bildet eine technische Grundlage für die Implementierung von Zustandsbewertungen auf Komponentenebene und für die Bewertung der Kompromisse zwischen Edge- und Cloud-Computing. Insgesamt liefert die Arbeit einen übertragbaren und skalierbaren Entwurf für Unternehmen, die den Übergang von reaktiver Wartung zu datengestütztem Reliability Engineering anstreben.
• Reliable condition monitoring is a key prerequisite for predictive maintenance in industrial production environments, yet many machine components still operate without continuous monitoring. This gap is particularly relevant for components of foam-metering aggregates, where unexpected failures can disrupt production and hinder systematic maintenance planning. This thesis addresses these shortcomings by developing and validating an end-to-end condition-monitoring chain that captures vibration signals alongside process data such as pressure and temperature, preprocesses them on an edge device, and prepares them for scalable cloud-based analysis. The architecture integrates IEPE vibration sensing with structured acquisition of digital and analogue ma-chine data. All signals are collected through a dedicated condition-monitoring PLC module, ensuring deterministic preprocessing, uniform time-stamping and synchronised data flows. A central contribution is a modular, deployment-agnostic data connector that supports REST and MQTT communication and automatically manages asset and mapping identifiers, enabling flexible integration across heterogeneous industrial setups. To allow systematic evaluation independent of production constraints, synthetic datasets are generated that replicate realistic operating behaviour, gradual degradation trajectories and defined failure signatures. An interactive dashboard supports time-series inspection, threshold configuration and automated event detection locally, while the IoT cloud platform Senseye provides scalable time-series ingestion, structured asset management and centralised evaluation of condition trends. The results show that the prototype reliably acquires, synchronises and transmits heterogeneous condition-monitoring data, establishing a coherent information layer suitable for diagnostic assessments and future predictive models. The architecture forms a technical basis for implementing component-level health scores and for assessing the trade-offs between edge and cloud computation. Overall, the work delivers a transferable and scalable blueprint for organisations seeking to transition from reactive maintenance to data-informed reliability engineering.