Ein Techniker beobachtet die Operational Data Charts einer Förderanlage. Die Vibrationswerte einer Achse liegen seit drei Tagen minimal über der gewohnten Linie. Kein Alarm. Nichts, was ein Schwellenwert auslösen würde. Aber ein Muster, das er schon einmal gesehen hat, kurz bevor ein Lager ausgefallen ist.

Er will das festhalten. Also macht er einen Screenshot. Wechselt in ein zweites Fenster, das CMMS. Legt einen neuen Case an. Tippt den Zeitraum ab, den er im Chart gesehen hat, so genau er sich erinnert. Beschreibt in Worten, was eigentlich ein Bild ist. Lädt den Screenshot hoch. Schickt den Case an eine Kollegin, die die Anlage besser kennt.

Zehn Minuten sind vergangen. Der eigentliche Datenpunkt ist in der Beschreibung schon etwas verwässert. Die Kollegin, die den Case später öffnet, sieht ein Bild und einen Text, aber nicht die Rohdaten dahinter. Sie muss selbst wieder in die Charts wechseln, um zu verstehen, wovon eigentlich die Rede ist.

Das Problem ist nicht das Erkennen der Anomalie. Das Problem ist der Weg von der Erkenntnis zum Handeln.

Die teure Lücke zwischen Sehen und Handeln

In der Instandhaltung gibt es für dieses Zeitfenster einen Namen: das P-F-Intervall, die Spanne zwischen dem ersten erkennbaren Anzeichen einer beginnenden Störung und dem tatsächlichen Funktionsausfall. Laut Analysen von Advanced Technology Services variiert dieses Fenster stark: Bei Lagerschäden können es Wochen sein, bei elektrischen Fehlern nur Sekunden. Je länger es dauert, ein erkanntes Signal in eine konkrete Maßnahme zu übersetzen, desto kleiner wird das Fenster, das für eine geplante statt einer ungeplanten Reparatur bleibt.

Dieser Übersetzungsprozess kostet mehr Zeit, als den meisten Teams bewusst ist. Laut Untersuchungen von Advanced Technology Services entfallen nur 30 bis 40 Prozent der gesamten Reparaturzeit auf die eigentliche Reparatur. 60 bis 70 Prozent sind organisatorische Verzögerung: Erkennung, Weitergabe, Diagnose, Verifizierung. Genau die Phase, in der eine Beobachtung erst in Worte, dann in ein Ticket und dann in eine verständliche Aufgabe für eine Kollegin übersetzt werden muss. Gleichzeitig zeigen dieselben Analysen, dass Betriebe mit schnellerer, IoT-gestützter Fehlererkennung ihre Reparaturzeit um 40 bis 60 Prozent senken, allein durch eine kürzere Übersetzungsphase.

Kein Wunder, dass Studien zeigen, dass Techniker im Schnitt nur 25 bis 35 Prozent ihrer Schicht mit tatsächlicher Reparaturarbeit verbringen. Der Rest geht für Suchen, Dokumentieren und Warten drauf. Unvollständige oder ungenaue Meldungen verschärfen das Problem zusätzlich: Laut Auswertungen zum Zeitmanagement in der Instandhaltung verliert ein Techniker im Schnitt 45 Minuten pro Schicht allein durch Rückfragen und Nacharbeit, die aus unvollständig dokumentierten Work Orders entstehen.

Hinzu kommt ein zweites, leiseres Problem. Wer jede Auffälligkeit manuell beschreiben und weiterleiten muss, beginnt irgendwann, kleinere Signale zu ignorieren, weil der Dokumentationsaufwand den wahrgenommenen Nutzen übersteigt. Alert Fatigue beschreibt genau dieses Phänomen: Relevante Signale gehen im Rauschen unter, weil das Melden selbst zur Last wird.

Markieren statt beschreiben

Genau hier setzen die Operational Data Charts in WAKU Care an. Statt eine Beobachtung in Worte zu fassen, markiert der Techniker den auffälligen Bereich direkt im Chart. Ein Klick, ein Ziehen über den relevanten Zeitraum, fertig.

Operational Data Charts mit sichtbarer Anomalie (z.B. leichter Anstieg einer Vibrationskurve über mehrere Tage). Der Techniker zieht mit der Maus einen Auswahlbereich über den auffälligen Zeitraum. Ein Kontextmenü mit der Option "Case erstellen" erscheint direkt am markierten Bereich.

Aus dieser Markierung entsteht automatisch ein Case, und zwar kein Case ohne Grundlage. Der markierte Datenbereich, der exakte Zeitraum, der betroffene Sensor und die Anlage sind bereits vollständig hinterlegt. Kein Zwischenschritt. Keine Übersetzung. Kein Raten darüber, welcher Zeitraum eigentlich gemeint war.

Das Ergebnis ist ein Full Context Case: ein Vorgang, der von Anfang an weiß, wovon er handelt. Die Kollegin, die den Case öffnet, sieht nicht nur einen Text und ein Bild. Sie sieht die tatsächlichen Rohdaten des markierten Bereichs, eingebettet in den Case selbst, verknüpft mit der Anlage und ihrer Historie aus der Asset Record File.

Geöffneter Full Context Case direkt nach der Erstellung. Sichtbar: der markierte Chart-Ausschnitt als eingebettetes Element, Zeitstempel, betroffene Anlage und ein automatisch generierter Titel basierend auf dem Sensor und dem Anomalietyp.

Der IMA hat den Kontext schon gesehen

An dieser Stelle kommt der IMA ins Spiel, der smarte Assistent in WAKU Care. Er ist kein separates Tool, das erst gefüttert werden muss. Er hat auf denselben Case-Kontext sofort Zugriff: den markierten Datenbereich, die Timeline der Anlage aus der Asset Record File, ähnliche vergangene Cases und relevante Einträge aus dem Knowledge Hub.

Statt dass ein Techniker erst selbst recherchiert, ob dieses Muster schon einmal aufgetreten ist, liefert der IMA direkt einen ersten Lösungsvorschlag, basierend auf genau den Daten, die zum aktuellen Fall gehören. Kein generischer Chatbot, der allgemeine Wartungstipps gibt, sondern ein Assistent, der weiß, welche Anlage, welcher Sensor und welche Vorgeschichte gerade relevant sind.

Full Context Case mit sichtbarem IMA-Vorschlag. Der Vorschlag bezieht sich erkennbar auf ähnliche frühere Cases derselben Anlage (z.B. "Ähnliches Muster vor 6 Wochen, behoben durch Austausch von Lager X").

Für die Kollegin, die den Case übernimmt, bedeutet das: Sie startet nicht bei null. Sie startet mit einem vollständigen Bild und einem konkreten ersten Ansatzpunkt.

Was das in der Praxis verändert

Für Techniker bedeutet das weniger Zeit vor dem zweiten Bildschirm und mehr Zeit an der Anlage. Eine Beobachtung festzuhalten dauert Sekunden statt Minuten. Genau der Aufwand, der laut den oben genannten Zahlen sonst zu Alert Fatigue führt, fällt weg. Kleinere Auffälligkeiten werden eher gemeldet, weil das Melden keine Hürde mehr ist.

Mobile Ansicht der Operational Data Charts. Ein Techniker markiert eine Anomalie direkt auf dem Tablet oder Smartphone während er vor der Anlage steht, ohne zwischen Systemen wechseln zu müssen.

Für Entscheider bedeutet das mehr erfasste Frühsignale statt weniger. Jede Markierung ist ein dokumentierter, nachvollziehbarer Datenpunkt, keine mündliche Weitergabe, die irgendwann verloren geht. Über Zeit entsteht so eine belastbare Grundlage dafür, welche Muster tatsächlich auf einen bevorstehenden Ausfall hindeuten, und welche nicht. Das ist die Basis für jede weitere Automatisierung der Fehlererkennung.

Vom Signal zur Lösung, ohne Umweg

Die Operational Data Charts machen aus einer Beobachtung, die sonst zwischen Kopf, Screenshot und Textfeld verloren geht, einen strukturierten, sofort nutzbaren Fall. Full Context Cases sorgen dafür, dass niemand den Kontext neu zusammensuchen muss. Der IMA sorgt dafür, dass die erste Einschätzung nicht bei null beginnt.

Noch muss ein Mensch die Anomalie erkennen und markieren. Im nächsten Artikel dieser Serie zeigen wir, was passiert, wenn dieser Schritt selbst automatisiert wird: wenn Device Data Triggers Anomalien eigenständig erkennen und den gesamten Case ohne manuellen Eingriff auslösen. Das ist der Moment, in dem sich der Kreis zur Closed-Loop Maintenance schließt.

Wer selbst sehen möchte, wie schnell aus einem Datenpunkt ein vollständig kontextualisierter Case wird, kann direkt eine Demo anfragen.

Demo Anfragen →

Alle Artikel in der Serie

Bisherige Artikel

Artikel 01 — Die versteckten Kosten reaktiver Wartung

Artikel 02 — Muster erkennen bevor etwas bricht — die Timeline View in der Asset Record File

Folge Artikel

Artikel 03 — Vom Datenpunkt zum Ticket in Sekunden — Anomalien direkt in den Operational Data Charts markieren (Link folgt)

Artikel 04 — Closed-Loop Maintenance — Vom Sensorsignal bis zum Lösungsvorschlag ohne manuellen Eingriff (Link folgt)

Artikel 05 — KI die denkt wie ein erfahrener Techniker — der IMA als smarter Assistent im Closed-Loop (Link folgt)

Artikel 06 — In 30 Tagen zu Predictive Maintenance — wie Teams mit WAKU Care ohne großes IT-Projekt starten (Link folgt)