Grundlegende Technologien für die prädikative Wartung sind vernetzte Sensorknoten und eine zentrale Datenablage, weshalb das Thema eng mit den Technologietrends Internet der Dinge (IIoT), Industrie 4.0 verknüpft ist. Ein Modell, das durch Maschinelles Lernen mit den zentral abgelegten Daten trainiert wurde, kann später auch an den dezentralen Knoten zur Datenauswertung herangezogen werden.
Im Projekt KIWA kombiniert ein Forschungsteam der Fraunhofer EMFT die Sensordaten einer Fertigungsanlage mit weiteren, externen Sensoren, um zusätzliche relevante Kennwerte wie z.B. die Vibration eines Antriebs zu generieren. Kritische Anlagenteile werden dann im Betrieb überwacht und zum Prozessablauf korreliert. Anwendungsbeispiel sind dabei Anlagen des Projektpartners Mühlbauer: Dort werden zusätzliche, externe Sensoren wie z.B. Vibrationssensoren bzw. Sensorsysteme zur genauen Messung weiterer Parameter für eine exakte Erfassung der zeitlichen Abläufe installiert, um Wartungen bzw. den Austausch von Antriebssystemen und Anlagenkomponenten der Fertigungsanlage zu prädizieren. Aus den erhobenen Daten soll auf den aktuellen Betriebszustand geschlossen und Vorhersagen zur weiteren Lebenszeit bzw. notwendigen Wartungsanforderungen gemacht werden.