Im Kontext von Industrie 4.0 gewinnen KI-basierte Predictive-Maintenance-Ansätze an Bedeutung, da sie auf kontinuierlich erfassten Prozessdaten beruhen und eine frühzeitige Anomalieerkennung ermöglichen. Für die Entwicklung, das Training und die Validierung solcher Verfahren werden physische Versuchs- und Simulationsumgebungen benötigt, die sowohl reproduzierbare Betriebszustände als auch gezielt herbeigeführte Fehlerszenarien abbilden. Reine Simulationen erfassen diese Aspekte jedoch nur eingeschränkt.

In diesem Beitrag wird ein miniaturisierter, sensorbasierter Werkstückträger vorgestellt, der in einer modellhaften Produktionssimulation auf einer Carrera-Slotcar-Bahn eingesetzt wird. Der Träger basiert auf einem 1:24-Slotcar und integriert eine eigens entwickelte Elektronik mit Strom-, Spannungs-, Temperatur- und Bewegungssensorik. Ziel ist die Erzeugung qualitativ hochwertiger Zeitreihendaten als Grundlage für KI-gestützte Anomalieerkennung und zustandsbasierte Wartung.

Das System unterstützt zwei Betriebsarten: einen Trainingsmodus zur gezielten Datenerfassung und Simulation von Fehlerszenarien sowie einen Betriebsmodus zur Überwachung des laufenden Betriebs. Erste Untersuchungen zeigen, dass reproduzierbare Datensätze erzeugt werden können, die sich für das Training und die Validierung von Predictive-Maintenance-Algorithmen eignen. Damit bietet das System eine flexible Plattform für Forschung, Lehre und die Entwicklung datenbasierter Instandhaltungsstrategien.