Hardware für vorausschauende Wartung: welche Maschinendaten eine GPU brauchen

Welche Aufgaben der vorausschauenden Wartung eine GPU brauchen

Predictive Maintenance braucht nur für bestimmte Maschinendaten eine GPU: Temperaturen, Motorströme, Drücke und Zähler, die einmal pro Sekunde oder seltener eintreffen, werten Grenzwerte, Statistik oder klassisches maschinelles Lernen auf einem gewöhnlichen Prozessor aus. Eine GPU zahlt sich aus für Schwingung und Schall auf vielen hochfrequenten Kanälen, Kamerabilder von Verschleiß, Foundation-Modelle, die auf der eigenen Historie feingetunt werden, und ein Sprachmodell, das Wartungsnotizen schreibt. An der Linie ist das eine NVIDIA L4 oder eine RTX PRO 4000 SFF, zentral ein Server mit Karten der NVIDIA RTX PRO 6000 Blackwell Server Edition.

Wir schreiben für die Leitung von Instandhaltung oder Produktion, die Sensordaten und ein Angebot eines Anbieters auf dem Tisch hat, und für das IT- und OT-Team, das die Hardware platzieren muss. Die ersten Abschnitte ordnen die Daten nach Art und Menge, die späteren nennen die Konfigurationen und die technischen Hinweise. Werte von Herstellern und Datensätzen stehen mit ihrer Quelle da; Datenmengen und Leistungsaufnahme sind unsere Schätzungen und als solche gekennzeichnet.

Daten je Maschine und Tag: die erste Größe für die Auslegung

Die Datenmenge, die eine Maschine erzeugt, entscheidet, wo sie ausgewertet werden kann. Ein Sensor, der einen Wert pro Sekunde sendet, erzeugt wenig, ein Beschleunigungssensor am Lagergehäuse dagegen einen Strom, den Netz und Speicher spüren. Das Bearing Data Center der Case Western Reserve University, ein öffentlicher Datensatz, den viele Arbeiten zu Lagerschäden verwenden, beschreibt seinen Prüfstand mit einem Motor von 2 hp: Die Daten wurden mit 12.000 Werten pro Sekunde erfasst („Digital data was collected at 12,000 samples per second“), für Schäden am antriebsseitigen Lager zusätzlich mit 48.000.

Abtastraten von 12.000 und 48.000 pro Sekunde aus dem Bearing Data Center der Case Western Reserve University (Seite „Apparatus and Procedures“, gelesen am 25. Oktober 2026); 16.000 pro Sekunde für Schall ist ein Beispielwert. Unsere Rechnung: 4 Byte je Prozesswert, 2 Byte (16 Bit) je Schwingungs- oder Schallwert, 86.400 Sekunden pro Tag.

Die Rechnung ist einfach. Ein Prozesswert, einmal pro Sekunde als 4-Byte-Zahl gespeichert, ergibt 4 × 86.400 = 345.600 Byte am Tag. Ein Schwingungskanal mit 12.000 Werten pro Sekunde und 2 Byte je Wert ergibt 24.000 Byte pro Sekunde und etwa 2,07 GB am Tag. Eine Maschine mit drei Achsen an zwei Lagern hat sechs solche Kanäle, eine Halle mit 50 solchen Maschinen nach unserer Schätzung etwa 622 GB am Tag. Ein System, das stattdessen Ausschnitte aufzeichnet, zehn Sekunden pro Stunde, speichert 240 Sekunden am Tag, etwa 5,8 MB je Kanal.

Zählen Sie Kanäle, Abtastrate und Aufzeichnungsmuster je Maschine, bevor über Karten gesprochen wird. Durchgehende hochfrequente Daten werden meist an der Maschine zu Merkmalen oder Spektren verdichtet, und nur diese gehen an den zentralen Server.

Anomalieerkennung in Prozesswerten mit klassischen Modellen

Das meiste, was eine Instandhaltung zuerst überwacht, sind Prozessdaten aus der Steuerung: Spindellast, Motorstrom, Öl- und Lagertemperaturen, Hydraulikdruck, Zyklenzähler. Eine steigende Lagertemperatur bei gleicher Last, ein Strom, der über Wochen driftet, oder ein Druck, der länger zum Aufbau braucht, erkennen Grenzwerte, gleitende Mittelwerte, eine Regression gegen die Last und klassische Anomalieerkennung wie ein Isolation Forest. Gradient-Boosting-Bäume sagen die Restzeit bis zu einem bekannten Ausfall voraus, wenn genug Ausfälle erfasst sind.

Diese Modelle laufen auf einem Prozessor. Sie auf einem Jahr Minutenwerten von einigen Hundert Maschinen zu trainieren, ist eine Aufgabe für einen normalen Server, und sie einmal pro Minute auszuwerten, ist eine vernachlässigbare Last. Wachsen die Datensätze, bietet NVIDIAs Bibliothek cuML einen Beschleunigermodus, der laut Dokumentation unterstützte Workloads von scikit-learn, UMAP und HDBSCAN auf einer NVIDIA-GPU ausführt, ohne den Python-Code zu ändern, und auf die ursprüngliche CPU-Implementierung zurückfällt, wenn ein Schätzer oder eine Operation nicht beschleunigt werden kann. Gestartet wird er mit python -m cuml.accel script.py. So lässt sich auf vorhandenen Daten prüfen, ob eine GPU Ihre Trainingsläufe verkürzt.

Für diese Stufe ist die Hardwarefrage vor allem der Historian und der Datenweg aus dem Steuerungsnetz, den die IT-Hinweise unten behandeln.

Schwingungs- und Schallanalyse mit KI und tiefen Modellen

Hochfrequente Schwingungs- und Schallsignale tragen die frühen Zeichen von Lager-, Getriebe- und Pumpenschäden. Ein verbreiteter Ansatz wandelt jede Aufnahme in ein Spektrogramm um, ein Bild der Frequenzen über der Zeit, und trainiert ein Modell auf Aufnahmen der Maschine im guten Zustand; eine Aufnahme, die das Modell schlecht rekonstruiert oder einordnet, wird markiert.

Der DCASE-Wettbewerb, ein Forschungswettbewerb zur Schallanalyse, veröffentlicht einen solchen Aufbau. Seine Aufgabe 2 von 2025, „First-Shot Unsupervised Anomalous Sound Detection“, trainiert nur auf normalen Geräuschen, von Maschinentypen wie Lüftern, Getrieben, Lagern, Linearführungen und Ventilen, mit Clips von 10 oder 12 Sekunden und 990 normalen Trainingsclips je Abschnitt. Die Baseline ist ein dichter Autoencoder auf Log-Mel-Spektrogrammen mit 128 Mel-Bändern, Frames von 64 ms und fünf Frames je Eingangsvektor. Die Aufgabenseite nennt etwa 267.900 Parameter und etwa 165,8 Mio. Multiplikations-Additionen für eine Datei von 10 Sekunden, nach unserer Rechnung mit zwei Gleitkommaoperationen je Multiplikation-Addition etwa 0,33 Mrd. Operationen. Ein Modell dieser Größe braucht für die Auswertung keine GPU.

Die GPU lohnt sich in drei Fällen, und ein Test mit Ihren Daten zeigt, welcher zutrifft:

1. Viele Kanäle, durchgehend. Dutzende Maschinen mit je mehreren Beschleunigungssensoren oder Mikrofonen, durchgehend mit einem Faltungs- oder Transformer-Modell ausgewertet, können mehr sein, als der Prozessor eines Edge-PCs schafft. Spielen Sie zuerst einen Tag aufgezeichneter Daten auf diesem Prozessor durch das Modell; hält er mit Reserve mit, ist keine Karte nötig.
2. Training. Tiefe Modelle auf Monaten hochfrequenter Aufnahmen zu trainieren und nach einem Maschinenumbau nachzutrainieren, ist eine GPU-Aufgabe für den zentralen Server.
3. Größere vortrainierte Modelle. Foundation-Modelle für Audio und Zeitreihen laufen auf einer Karte schneller, und für ihr Feintuning auf Ihren Maschinen braucht es eine.

Braucht der Edge-Knoten eine Karte, bietet die NVIDIA L4 laut NVIDIAs Produktseite 24 GB, höchstens 72 W und ein Low-Profile-Format mit einem Slot an PCIe Gen4. Sie ist eine passive Karte für Edge-Server mit Serverluftstrom, wie unser Leitfaden zu KI-Servern für die Fertigung erklärt; in einem Industrie-PC ohne diesen Luftstrom ist die aktiv gekühlte RTX PRO 4000 SFF mit 24 GB und 70 W die Karte, die Sie mit der Liste des PC-Herstellers abgleichen.

Wir liefern die L4, die RTX PRO 4000 SFF und die RTX PRO 2000 für Edge-Systeme, die Sie bereits betreiben, nach einer Prüfung von Plattform, Stromversorgung und Kühlung; schicken Sie uns Ihre Maschinen, Sensoren und Abtastraten, und unser Team antwortet mit einer Aufteilung und den Karten dafür.

Kameras für Verschleiß, Leckagen und Oberflächenschäden

Kameraprüfungen sind die Datenart in diesem Artikel, die meist eine Karte an der Linie braucht. Eine Kamera über einem Werkzeug, einem Band, einer Kupplung oder einer Hydraulikleitung nimmt in festen Abständen Bilder oder Video auf, und ein Modell zur visuellen Anomalieerkennung, trainiert auf Bildern des Teils im guten Zustand, markiert Verschleiß, Risse, Leckagen oder fehlende Teile. anomalib, eine Open-Source-Bibliothek unter Apache 2.0, sammelt solche Modelle, darunter PatchCore und PaDiM; ihr Release 2.7.0 installiert sich laut GitHub-Seite mit Optionen für CPU, CUDA 12.6 und CUDA 13.0. Unser Leitfaden zur visuellen Anomalieerkennung mit anomalib auf der GPU behandelt die Modelle und ihren Speicher, unser Leitfaden zur visuellen Prüfung ohne Data Scientists die Projektseite.

Videostreams belasten zuerst die Decoder der Karte, dann ihre Rechenleistung. Die L4 hat laut NVIDIAs Produktseite vier NVDEC-Videodecoder, vier JPEG-Decoder und zwei NVENC-Encoder, das passt zu einigen Kameras je Edge-Knoten. Viele Kameras an einem Server sind eine Aufgabe der Videoanalyse, ausgelegt in unserem Leitfaden zum GPU-Server für Videoanalyse.

Zeitreihen-Foundation-Modelle für Maschinendaten

Zeitreihen-Foundation-Modelle sind auf großen Sammlungen von Zeitreihen vortrainiert und prognostizieren oder analysieren eine neue Reihe, ohne dass für jede Maschine ein Modell trainiert wird. Drei sind mit offenen Lizenzen veröffentlicht, und alle drei sind klein im Vergleich zu Sprachmodellen.

Modellkarten amazon/chronos-2, google/timesfm-2.5-200m-pytorch und AutonLab/MOMENT-1-large auf Hugging Face und die Dateiliste von MOMENT, gelesen am 25. Oktober 2026.

Amazons Modellkarte beschreibt Chronos-2 als Encoder-Modell mit 120 Mio. Parametern für Zero-Shot-Prognosen, das „over 300 time series forecasts per second on a single A10G GPU“ liefert und Inferenz auf GPU und CPU unterstützt. Prognosen passen zu langsamen Trends, etwa dem Anstieg einer Temperatur oder eines Verschleißmaßes auf einen Grenzwert zu. MOMENT nennt Anomalieerkennung, Klassifikation und Imputation unter seinen Aufgaben, und seine Modellkarte sagt, alle Varianten seien auf einer einzigen RTX A6000 trainiert worden. Die Modellkarten von Chronos-2 und TimesFM nennen keine Anomalieerkennung.

Der Speicher begrenzt diese Modelle nicht: Die MOMENT-Datei von 1,39 GB passt auf jede Karte, die wir liefern, und eine MIG-Instanz einer RTX PRO 6000 Server Edition, ein Viertel der Karte mit 24 GB, hält sie mit Platz für Batches. Zwischen CPU und GPU entscheiden die Zahl der Reihen, wie oft sie ausgewertet werden und ob Sie auf Ihrer eigenen Historie feintunen. Unser Leitfaden zu KI-Servern für Energieversorger zeigt dieselben Modelle für Lastprognosen.

Vom Alarm zur Wartungsnotiz

Der Teil der vorausschauenden Wartung, der am häufigsten eine große GPU braucht, ist das Sprachmodell. Ein Alarm mit seinem Verlauf, das Handbuch der Maschine, die Ersatzteilliste und die Historie früherer Reparaturen werden zu einem Entwurf einer Wartungsnotiz zusammengeführt: wahrscheinliche Ursache, durchzuführende Prüfungen, bereitzulegende Teile und die Seiten des Handbuchs, die zu lesen sind. Ein Techniker gibt den Entwurf frei oder korrigiert ihn, und die Notiz geht in das Instandhaltungssystem.

Das ist Retrieval über Ihre Dokumente mit einem Sprachmodell, wie unser Leitfaden zu RAG auf Unternehmensdaten beschreibt. OpenAI veröffentlicht gpt-oss-120b unter Apache 2.0 mit 117 Mrd. Parametern, davon 5,1 Mrd. aktiv je Token. Seine Safetensors-Dateien ergeben zusammen etwa 65 GB, also 60,8 GiB. Nach unserer Regel für Nutzer je Karte, die 90 Prozent der 95,6 GiB nimmt, die der Treiber auf einer RTX PRO 6000 meldet, abzüglich 3 GiB je Karte und abzüglich der Gewichte, bleiben auf einer Karte 22,2 GiB für den Cache, genug für 39 gleichzeitige Gespräche mit 16.384 Token bei 16-Bit-Cache. Wartungsnotizen sind daneben eine bescheidene Last, sodass dieselbe Karte einen Assistenten über die Handbücher für die ganze Instandhaltung bedienen kann. Unser Leitfaden zum KI-Serviceassistenten für Maschinenbauer behandelt dasselbe Muster aus Sicht des Unternehmens, das die Maschinen baut.

Hardware nach Stufe: keine, Edge, zentral

Leistung der Karten aus NVIDIAs Produktseiten; Leistung der Server nach unserer Schätzung (Karten mit 600 W, zwei AMD-EPYC-Prozessoren, dazu 15 Prozent für den Rest des Servers), zu bestätigen durch eine Messung am gelieferten System. Referenz­konfigurationen wie auf unserer Seite zu KI-Servern.

Keine GPU. Eine Instandhaltung, die mit Prozesswerten und wenigen Schwingungsausschnitten pro Tag beginnt, braucht keine Karte. Stecken Sie die Arbeit in saubere Daten aus dem Historian und in die Erfassung von Ausfällen.

Edge-Knoten. Wo durchgehende Schwingung, Schall oder Kameras an der Linie ausgewertet werden, hält eine L4 je Knoten in einem Edge-Server mit Serverluftstrom, oder eine RTX PRO 4000 SFF in einem Industrie-PC, die Auswertung neben der Maschine. Der Knoten arbeitet weiter, wenn die Verbindung zum Rechenzentrum ausfällt.

Zentraler Einstiegsserver. Unsere Einstiegskonfiguration hat zwei Karten der RTX PRO 6000 Server Edition, zwei AMD-EPYC-Prozessoren, 384 GB DDR5 ECC und zwei NVMe-Laufwerke. Eine Karte betreibt gpt-oss-120b für Wartungsnotizen und den Handbuch-Assistenten; die andere ist per MIG in vier isolierte Instanzen mit 24 GB geteilt, für das Training von Signal- und Bildmodellen, Foundation-Modelle und Tests. Nach unserer Schätzung nimmt er etwa 1,8 kW auf und passt an eine Zuleitung mit 230 V und 16 A, die bei 80 Prozent 2,94 kW trägt.

Zentraler Server mit vier Karten. Mit mehreren Werken, größeren Bildmodellen oder einer Trainingswarteschlange, die zwei Instanzen auslastet, gibt der Inferenzknoten mit vier Karten und 768 GB dem Training und dem Sprachmodell ganze Karten. Er braucht 32 A oder Drehstrom, wie unser Leitfaden zur Stromversorgung von GPU-Servern mit 16 A, 32 A und Drehstrom erklärt.

Die RTX PRO 6000 Max-Q ist die Workstation-Karte, eine Karte mit Radiallüfter und 300 W; in einem Rack gehört sie nur in ein Gehäuse, dessen Hersteller sie listet, und für den Dauerbetrieb empfehlen wir die Server Edition. Unser Service Private AI/ML richtet das Sprachmodell, das Retrieval und die Anbindung an Ihr Instandhaltungssystem ein; beschreiben Sie Ihre Maschinen und die Daten, die Sie bereits erfassen, und wir schlagen vor, wo welches Modell laufen sollte.

Hinweise für das IT- und OT-Team

1. Netzzonen. Edge-Knoten an der Linie gehören meist zur Zone ihrer Zelle, der zentrale Server zur IT. Modellpakete nach unten und Merkmale, Bilder oder Alarme nach oben laufen über einen festgelegten Conduit im Sinne von IEC 62443-3-2, wie unser Leitfaden für die Fertigung erklärt; die Risikobeurteilung des Werks legt die Zonen fest. Unser Leitfaden zur Netzwerk­segmentierung behandelt die OT-Zone und ihre DMZ.
2. Datenweg. Lesen Sie Prozesswerte aus einer Kopie des Historians, nicht aus den Steuerungen. Verdichten Sie hochfrequente Signale an der Linie zu Merkmalen oder Spektren und behalten Sie Rohaufnahmen nur rund um Ereignisse, damit die Verbindung zum zentralen Server wenige MB je Kanal und Tag trägt statt des ganzen Datenstroms.
3. Softwarestände. Legen Sie Treiberzweig, CUDA-Release und Container-Image je Kartentyp fest und testen Sie Updates in einem geplanten Produktionsstillstand auf einem Testknoten. anomalib 2.7.0 bietet Builds für CUDA 12.6 und 13.0 und verlangt laut Release Notes PyTorch 2.10 oder neuer; der Treiber muss die Kartengeneration unterstützen, wie unser Leitfaden zur Softwareunterstützung der RTX PRO Blackwell für die Blackwell-Karten erklärt.
4. MIG. Eine RTX PRO 6000 Server Edition teilt sich in bis zu vier isolierte Instanzen, sodass Trainingsjobs und Tests das Sprachmodell auf der anderen Karte nicht stören. Unser Leitfaden zu den MIG-Profilen der RTX PRO 6000 listet die Profile.
5. Validierung. Halten Sie jeden Ausfall und jede Reparatur mit Datum, Maschine und Ursache fest. Mit diesen Aufzeichnungen vergleichen Sie die Alarme des Modells in einem Pilotprojekt mit klaren Messgrößen.

Was wir liefern

Sie können dieses System bei uns kaufen: Unser Team legt die Konfiguration nach Ihrer Aufgabe und Ihrem Budget aus und antwortet innerhalb eines Werktages. Wir liefern die L4, RTX PRO 4000 SFF und RTX PRO 2000 für Edge-Knoten und bauen zentrale KI-Server auf Bestellung mit zwei, vier oder acht Karten der RTX PRO 6000 Server Edition, vor der Lieferung montiert und getestet, mit Lieferung in die gesamte EU, einem EU-Vertrag und einer Rechnung, mit Herstellergarantie auf jede Komponente, abgewickelt über uns. Mengen und Lieferzeit werden schriftlich mit dem Angebot bestätigt. Unser Service Private AI/ML, mit unserem Engineering-Partner Vixen.UNO, richtet das Sprachmodell und das Retrieval darauf ein. Der Leitfaden zum L4-Server und unser Vergleich von L4 und RTX PRO 4500 Server Edition helfen bei der Wahl der Karte.

FAQ