Neue akademische Richtungen wie Data Science treiben den Wandel in vielen Bereichen voran und eröffnen neue Möglichkeiten in verschiedenen technologischen Bereichen, wie z.B. der industriellen Instandhaltung. Daher ist die Analyse von Daten zur Vorhersage von kritischen Zuständen technischer Anlagen zu einem zentralen Bestandteil für die Aufrechterhaltung von Qualität und Quantität in der Produktion geworden. Elektromotoren sind das Kernelement vieler Industrieanlagen und ihr Versagen kann enorme Schäden verursachen. Deshalb ist es wichtig, dass Fehler im Voraus mithilfe eines Datenmodells entdeckt werden. Das Ziel dieser Arbeit ist es, für die Etablierung dieses Modells die notwendigen Daten in geeigneter Qualität zu liefern. Zunächst wurden die kritischen Bauteile von Frequenzumrichter gespeisten Motoren untersucht, wobei sich die Lager als die kritischen Teile erwiesen, da ihr Zustand als aussagekräftig für den Zustand des Motors angesehen wird. Schwingungs- und Temperaturmessungen, welche die Lagerzustände am besten abbilden, sind die am besten geeigneten Sensoren für deren Überwachung. Darüber hinaus sind Maschinensteckbriefe, die spezifische Informationen über die Anlage selbst, ihre Prozesse und ihre Umgebung enthalten, für die Analyse ihrer Messungen unerlässlich. Basierend auf diesen Erkenntnissen wurden verschiedene Schwingungssensoren für unterschiedliche Anwendungsszenarien ausgewählt und in die Datenbank integriert. Die Konfiguration dieser Sensoren wurde validiert und justiert und die essenziellen Informationen für das Modell zusammengefasst. Als Ergebnis werden die korrekten Messwerte in der Datenbank gespeichert und zusätzliche Informationen bereitgestellt. Darüber hinaus wurden die Informationen für die Umsetzung von Predictive-Maintenance Modellen festgehalten. Diese Arbeit dient als Leitfaden für die Realisierung von Predictive Maintenance für Motoren sowie zur Sicherstellung der Datenqualität in der Feldebene.

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.