Unstrukturierte technische Texte sind eine reiche Quelle ingenieurwissenschaftlichen Wissens, die für die Datenanalyse bisher untergenutzt wird. Wartungsarbeitsaufträge (MWO), beispielsweise, enthalten wertvolle Informationen darüber, welche Arbeiten an einem Anlagenteil durchgeführt wurden und warum. Die Daten in den kurzen Textfeldern von MWO sind unstrukturiert, knapp und reich an Fachjargon, was die Lesbarkeit sowohl für Menschen als auch für Maschinen erschwert. Unsere Herausforderung besteht darin, technische Informationen effizient aus dem kurzen Textfeld von MWO zu extrahieren und diese mit strukturierten Daten wie Datum, Funktionsort, Hersteller und Modell des Anlagenteils zu kombinieren. In diesem Artikel präsentieren wir eine auf technischer Sprachverarbeitung basierende Lösung für dieses Problem. Echidna ist eine benutzerfreundliche, abfragbare Schnittstelle, die historische Anlagendaten in Form eines Wissensgraphen visualisiert. Dieser Wissensgraph wird durch MWO2KG generiert, das mithilfe von Deep Learning und annotierten Trainingsdaten automatisch Wissensgraphen aus unstrukturierten technischen Texten in Kombination mit Daten aus strukturierten Feldern erstellt. Die Tools wurden anhand von Wartungsarbeitsaufträgen und Störzeitbuchungsdaten getestet, die von Industriepartnern bereitgestellt wurden. Sie ermöglichen Ingenieuren der Zuverlässigkeit eine effiziente Suche nach Informationen in historischen Anlagendaten für die Fehlermodus- und -wirkungsanalyse, die Validierung von Wartungsstrategien sowie die Verbesserung von Prozessen. Der Quellcode für beide Tools ist auf GitHub unter der Apache 2.0-Lizenz verfügbar.