Anlagenbauer und -betreiber sammeln eine Vielzahl von Daten ihrer Anlagen weltweit. Die Daten werden bislang nur für die rudimentäre Analyse von Anlagenproblemen genutzt, doch die Datensammler sind sich sicher: Aus den Daten lässt sich mehr machen. Moderne Big-Data-Technologien und die Verbilligung von Speicher- und Berechnungskapazitäten erlauben seit wenigen Jahren, Daten, das „Öl des 21. Jahrhunderts“, die „neue Währung“, finanziell auszuschöpfen.

Vorhandene Daten können etwa für die Berechnung einer global optimalen Fahrstrategie zu nutzen. Eine Fahrstrategie steuert mehrere Anlagen überregional in Echtzeit und balanciert ihren Betrieb mit Bedarfen, Energiekosten und verfügbaren Lieferkapazitäten aus. Alternativ kann man die vorausschauende Wartung, die den Lebenszyklus von Anlagen verlängert, implementieren. Die vorausschauende Wartung ist als „Hilfsmodell“ auch geeignet, eine global optimale Fahrstrategie um weitere Informationen zu ergänzen.

Immer wird jedoch in einem ersten Schritt die Implementierung eines Modells notwendig sein: Für die Fahrstrategie eignet sich ein Forward Model, das Anlagenverhalten simuliert, für die prädiktive Wartung ist ein Factored Probabilistic Model das Mittel der Wahl. Das neue daran: Bei beiden Modellen handelt es sich um lernende Maschinen. Sie werden schematisch modelliert, dann mit historischen Daten einer ausgewählten Anlage „beaufschlagt“ und auf das Verhalten von Anlagen trainiert. Im operativen Livebetrieb agieren sie auf Echtzeitdaten, die von Anlagen und ihren Sensoren erzeug werden. Das Lernen von Maschinen und damit die Nutzung von Massendaten ist auch der Industrie seit wenigen Jahren zugänglich, seit sich die Rechnerleistung des wissenschaftlichen Rechnens stark verbilligt hat.