Predictive Maintenance gehört zu den bekanntesten Anwendungen künstlicher Intelligenz in der Industrie. Die Idee ist bestechend: Statt Maschinen nach starren Intervallen zu warten oder erst zu reparieren, wenn sie ausfallen, erkennt ein System anhand von Sensordaten, wann eine Komponente voraussichtlich versagt. Die Instandhaltung greift genau dann ein, wenn es nötig ist.
In der Praxis ist die Bilanz gemischt. Manche Unternehmen senken Stillstandszeiten spürbar, andere investieren in Sensorik und Plattformen, ohne dass sich der Aufwand auszahlt. Der Unterschied liegt selten in der Technik, sondern in der Auswahl der richtigen Anlagen, der Datenqualität und der Einbindung in die Abläufe der Instandhaltung.
Dieser Beitrag zeigt dir, wie vorausschauende Wartung funktioniert, welche Voraussetzungen du brauchst und wie du nüchtern prüfst, ob sich der Einsatz für dein Unternehmen rechnet.
Inhaltsverzeichnis
Was ist Predictive Maintenance?
Predictive Maintenance, auf Deutsch vorausschauende Wartung, ist eine Instandhaltungsstrategie, bei der Zustandsdaten von Maschinen kontinuierlich erfasst und mit statistischen Verfahren oder KI ausgewertet werden. Ziel ist, sich anbahnende Schäden früh zu erkennen und den voraussichtlichen Ausfallzeitpunkt abzuschätzen. So lässt sich Wartung planen, bevor ein ungeplanter Stillstand entsteht.
Grundlage sind Messgrößen, die den Zustand einer Anlage widerspiegeln: Schwingungen, Temperaturen, Drücke, Stromaufnahme, Geräusche oder die Qualität von Schmierstoffen. Verändern sich diese Werte auf charakteristische Weise, deutet das auf Verschleiß oder einen beginnenden Defekt hin.
Wichtig ist die Abgrenzung zu verwandten Begriffen. Die zustandsbasierte Instandhaltung reagiert auf aktuelle Grenzwertüberschreitungen. Predictive Maintenance geht einen Schritt weiter und versucht, die weitere Entwicklung vorherzusagen. In der Praxis gehen beide Ansätze oft fließend ineinander über.
Instandhaltungsstrategien im Vergleich
Um den Nutzen einzuordnen, hilft ein Blick auf die klassischen Strategien. Die Grundbegriffe der Instandhaltung, also Inspektion, Wartung, Instandsetzung und Verbesserung, beschreibt in Deutschland die Norm DIN 31051. Jede Strategie hat ihre Berechtigung, je nach Kritikalität und Ausfallverhalten einer Anlage.
- Reaktive Instandhaltung: Repariert wird erst nach dem Ausfall. Das ist sinnvoll bei günstigen, unkritischen Komponenten, bei denen ein Ausfall kaum Folgen hat.
- Präventive Instandhaltung: Wartung erfolgt nach festen Intervallen oder Betriebsstunden. Das ist planbar, führt aber oft dazu, dass intakte Teile zu früh getauscht werden.
- Zustandsbasierte Instandhaltung: Wartung erfolgt, wenn Messwerte festgelegte Grenzen überschreiten.
- Vorausschauende Instandhaltung: Modelle prognostizieren die weitere Entwicklung und den optimalen Eingriffszeitpunkt.
Kein Unternehmen setzt nur eine Strategie ein. Erfolgreiche Instandhaltungsorganisationen kombinieren sie gezielt. Predictive Maintenance ist dabei kein Ersatz für alles andere, sondern ein Werkzeug für ausgewählte, besonders kritische Anlagen.
Wie Predictive Maintenance mit KI funktioniert
Technisch besteht ein System für vorausschauende Wartung aus mehreren Ebenen. Sensoren erfassen Messwerte direkt an der Maschine. Eine Edge- oder Cloud-Plattform sammelt, speichert und verarbeitet die Daten. Analysemodelle erkennen Muster und erzeugen Warnungen.
Am Ende steht ein Prozess, in dem Menschen diese Warnungen bewerten und Maßnahmen planen.
Datenquellen und Sensorik
Viele moderne Maschinen liefern bereits Daten über ihre Steuerung. Ältere Anlagen lassen sich mit nachrüstbaren Sensoren ausstatten. Welche Messgrößen sinnvoll sind, hängt vom Schadensbild ab.
- Schwingungen: Sie zeigen typische Schäden an Lagern, Getrieben, Unwuchten oder Fehlausrichtungen.
- Temperatur: Steigende Werte deuten auf Reibung, Überlast oder Kühlprobleme hin.
- Stromaufnahme: Veränderungen weisen auf mechanische Schwergängigkeit oder elektrische Defekte hin.
- Akustik und Ultraschall: Sie helfen bei Leckagen, Kavitation oder beginnenden Lagerschäden.
- Ölanalyse: Partikel und Zustand des Schmierstoffs geben Hinweise auf Verschleiß.
Ebenso wichtig wie Sensordaten sind Kontextdaten: Welches Produkt lief gerade, mit welcher Geschwindigkeit, bei welcher Last? Wann wurde zuletzt gewartet, welche Teile wurden getauscht? Ohne diese Informationen verwechseln Modelle normale Betriebswechsel leicht mit Schäden.
Analyseverfahren
Die Bandbreite der Verfahren ist groß. Oft beginnt es mit einfachen Grenzwerten und Trendanalysen, die erfahrene Instandhalterinnen und Instandhalter festlegen. KI-Verfahren ergänzen diese Basis.
Anomalieerkennung lernt das normale Verhalten einer Maschine und meldet Abweichungen. Sie braucht keine historischen Schadensfälle und eignet sich deshalb gut für den Einstieg. Überwachte Lernverfahren können dagegen bestimmte Schadensarten klassifizieren oder die verbleibende Nutzungsdauer schätzen. Dafür brauchen sie aber ausreichend dokumentierte Ausfälle, die in vielen Betrieben zum Glück selten sind.
Hybride Ansätze verbinden physikalisches Wissen über die Maschine mit datengetriebenen Modellen. Sie gelten als besonders robust, weil sie nicht allein auf Muster in den Daten angewiesen sind.
Welches Verfahren passt, hängt weniger von der Technik ab als von der Frage, die du beantworten willst. Reicht dir ein frühes Warnsignal, genügt oft eine gut eingestellte Anomalieerkennung. Willst du Ersatzteile und Personal Wochen im Voraus planen, brauchst du eine belastbare Prognose der Restlebensdauer, und damit deutlich mehr Daten und Erfahrung.
Wann sich Predictive Maintenance rechnet
Die entscheidende Frage für Entscheiderinnen und Entscheider lautet nicht, ob die Technik funktioniert, sondern ob sie sich wirtschaftlich lohnt. Die Antwort hängt stark von der einzelnen Anlage ab. Predictive Maintenance rechnet sich vor allem dort, wo ungeplante Stillstände teuer sind und sich Schäden mit ausreichendem Vorlauf ankündigen.
Gute Kandidaten erfüllen mehrere dieser Kriterien:
- Ein Ausfall stoppt eine ganze Linie oder einen Engpassprozess.
- Folgeschäden, Ausschuss oder Lieferverzug verursachen hohe Kosten.
- Ersatzteile haben lange Lieferzeiten oder sind sehr teuer.
- Das Schadensbild kündigt sich messbar an, etwa durch steigende Schwingungen.
- Sicherheits- oder Umweltrisiken machen ungeplante Ausfälle besonders kritisch.
Beispielrechnung
Beispielrechnung: Eine Engpassanlage fällt im Jahr durchschnittlich dreimal ungeplant aus, jeder Ausfall dauert acht Stunden. Kostet eine Stillstandsstunde inklusive entgangener Produktion, Überstunden und Expressteilen 5.000 Euro, entstehen jährlich 120.000 Euro Ausfallkosten. Gelingt es, zwei der drei Ausfälle in geplante, kürzere Eingriffe von je zwei Stunden umzuwandeln, sinken die Ausfallkosten deutlich.
In diesem Beispiel bleiben ein ungeplanter Ausfall mit 40.000 Euro und zwei geplante Eingriffe mit zusammen 20.000 Euro, also 60.000 Euro statt 120.000 Euro. Die Einsparung von 60.000 Euro pro Jahr stellst du den Kosten für Sensorik, Plattform, Integration, Datenanalyse und internen Aufwand gegenüber. Erst dieser Vergleich zeigt, ob sich das Projekt für diese Anlage trägt.
Die Rechnung macht deutlich: Bei einer Anlage, deren Ausfall wenig kostet, lohnt sich der Aufwand kaum. Bei Engpassmaschinen kann er sich dagegen schnell bezahlt machen. Rechne außerdem weitere Effekte ein, etwa längere Laufzeiten von Bauteilen, die nicht mehr vorsorglich getauscht werden, und eine bessere Planbarkeit von Personal und Ersatzteilen.
Typische Hürden in der Praxis
Viele Projekte für vorausschauende Wartung starten mit großen Erwartungen und bleiben dann im Pilotstadium stecken. Die Gründe ähneln sich über Branchen hinweg.
- Zu wenige Schadensfälle: Gut gewartete Anlagen fallen selten aus, Modelle haben wenig zum Lernen.
- Fehlender Kontext: Sensordaten ohne Informationen zu Produkt, Last und Wartungshistorie sind schwer zu deuten.
- Zu viele Fehlalarme: Wenn Warnungen sich häufig als unbegründet herausstellen, ignoriert das Team sie bald.
- Insellösungen: Erkenntnisse landen nicht im Instandhaltungssystem und lösen keine Aufträge aus.
- IT- und OT-Sicherheit: Die Vernetzung von Maschinen schafft neue Angriffsflächen, die geschützt werden müssen.
Die wichtigste Erkenntnis: Predictive Maintenance ist kein reines Datenprojekt. Sie verändert die Arbeit der Instandhaltung. Ohne das Erfahrungswissen der Menschen, die die Maschinen kennen, bleiben die besten Modelle wirkungslos.
In sechs Schritten zur vorausschauenden Wartung
Ein strukturiertes Vorgehen senkt das Risiko und macht den Nutzen früh sichtbar. Die folgenden Schritte haben sich als Fahrplan bewährt.
- Kritische Anlagen identifizieren: Bewerte Maschinen nach Ausfallfolgen, Ausfallhäufigkeit und Vorwarnzeit.
- Schadensbilder verstehen: Kläre mit der Instandhaltung, welche Defekte typisch sind und wie sie sich ankündigen.
- Daten erschließen: Nutze vorhandene Steuerungsdaten, ergänze gezielt Sensoren und verknüpfe sie mit Wartungshistorie und Produktionsdaten.
- Einfach starten: Beginne mit Grenzwerten, Trends und Anomalieerkennung, bevor du komplexe Prognosemodelle baust.
- In Prozesse integrieren: Lass Warnungen direkt Prüf- oder Wartungsaufträge im Instandhaltungssystem anstoßen.
- Nutzen messen und ausweiten: Vergleiche Stillstände, Kosten und Fehlalarme mit dem Ausgangswert und übertrage erfolgreiche Lösungen auf weitere Anlagen.
Wenn du am Anfang deiner KI-Reise stehst, hilft dir unser Leitfaden zu KI im Mittelstand in sieben Schritten beim Aufsetzen der übergreifenden Struktur.
Kennzahlen: So misst du den Erfolg von Predictive Maintenance
Ohne klare Kennzahlen lässt sich der Nutzen einer vorausschauenden Wartung kaum belegen. Erhebe deshalb vor dem Start die Ausgangswerte für die ausgewählten Anlagen und vergleiche sie regelmäßig mit dem aktuellen Stand. Nur so erkennst du, ob sich die Investition in Predictive Maintenance tatsächlich auszahlt.
Diese Kennzahlen haben sich bewährt:
- Ungeplante Stillstandszeit pro Anlage und Zeitraum
- mittlere Betriebszeit zwischen Ausfällen und mittlere Reparaturdauer
- Anteil geplanter an allen Instandhaltungsaufträgen
- Anteil der Warnungen, die sich als berechtigt erweisen
- Instandhaltungskosten und Ersatzteilverbrauch je Anlage
Achte besonders auf die Qualität der Warnungen. Eine hohe Zahl an Fehlalarmen bindet Personal und untergräbt das Vertrauen. Umgekehrt zeigt jeder rechtzeitig erkannte Schaden, dass Predictive Maintenance im Alltag funktioniert. Dokumentiere solche Fälle und teile sie im Unternehmen, denn sie überzeugen oft mehr als jede Präsentation.
Organisation, Daten und Sicherheit
Vorausschauende Wartung bringt IT, Produktion und Instandhaltung an einen Tisch. Klare Verantwortlichkeiten sind entscheidend.
Wer bewertet Warnungen? Wer entscheidet über Eingriffe? Wer pflegt Modelle und Sensorik? Ohne diese Klärung versanden Warnmeldungen im Alltag.
Hilfreich ist ein kleines Kernteam, in dem Instandhaltung, Produktion und IT regelmäßig die Warnungen der Predictive Maintenance gemeinsam auswerten. So lernen die Modelle aus dem Feedback der Fachleute, und das Team gewinnt Vertrauen in die Ergebnisse.
Ebenso wichtig ist die Absicherung der vernetzten Anlagen. Maschinen, die Daten an Plattformen senden, gehören in segmentierte Netze mit kontrollierten Verbindungen. Updates, Zugriffsrechte und Fernwartungszugänge müssen geregelt sein. Branchenverbände wie der VDMA bieten Orientierung zu Themen wie Industrie 4.0 und Datenschnittstellen im Maschinenbau.
Kläre außerdem vertraglich, wem die Maschinendaten gehören und wer sie nutzen darf. Das betrifft besonders Anlagen, deren Hersteller eigene Plattformen für die Zustandsüberwachung anbieten. Bei vertraglichen und rechtlichen Fragen solltest du Fachleute einbeziehen.
Neue Geschäftsmodelle durch vorausschauende Wartung
Für Maschinenbauer ist Predictive Maintenance nicht nur ein internes Effizienzthema. Sie eröffnet neue Serviceangebote. Hersteller, die den Zustand ihrer Maschinen beim Kunden kennen, können Wartung, Ersatzteile und Verfügbarkeit als Dienstleistung anbieten.
Daraus entstehen Modelle, bei denen Kunden nicht mehr nur die Maschine kaufen, sondern für Verfügbarkeit oder Nutzung bezahlen. Wie solche Modelle funktionieren und worauf es dabei ankommt, liest du in unserem Beitrag über Pay-per-Use im Maschinenbau. Voraussetzung ist in jedem Fall eine verlässliche Zustandsüberwachung.
Auch für Betreiber kann es sich lohnen, mit Herstellern zusammenzuarbeiten. Der Hersteller kennt das Schadensverhalten seiner Maschinen über viele Installationen hinweg und kann Modelle mit deutlich mehr Erfahrungsdaten trainieren als ein einzelner Betrieb. Anwendungsnahe Forschungseinrichtungen wie die Fraunhofer-Gesellschaft unterstützen zudem Projekte, in denen Unternehmen neue Verfahren erproben.
Fazit: Predictive Maintenance gezielt statt flächendeckend
Predictive Maintenance kann ungeplante Stillstände reduzieren, Wartung planbarer machen und die Lebensdauer von Komponenten besser ausschöpfen. Sie rechnet sich aber nicht für jede Maschine. Am größten ist der Nutzen bei Engpassanlagen mit hohen Ausfallkosten und Schäden, die sich messbar ankündigen.
Starte deshalb mit einer nüchternen Analyse deiner kritischen Anlagen, rechne den Business Case konkret durch und beginne mit einfachen Verfahren. Binde die Instandhaltung von Anfang an ein, integriere Warnungen in bestehende Prozesse und miss den Erfolg konsequent. So wird vorausschauende Wartung vom Pilotprojekt zu einem festen Bestandteil deiner Instandhaltungsstrategie.
Häufige Fragen zu Predictive Maintenance
Was ist der Unterschied zwischen Predictive Maintenance und präventiver Wartung?
Präventive Wartung erfolgt nach festen Intervallen oder Betriebsstunden, unabhängig vom tatsächlichen Zustand der Maschine. Predictive Maintenance wertet dagegen laufend Zustandsdaten wie Schwingungen, Temperaturen oder Stromaufnahme aus und prognostiziert, wann ein Eingriff nötig wird. Dadurch werden Teile weder zu früh getauscht noch zu spät, und ungeplante Stillstände lassen sich besser vermeiden.
Welche Daten braucht man für Predictive Maintenance?
Benötigt werden Zustandsdaten der Maschine, etwa Schwingungen, Temperaturen, Drücke, Stromaufnahme oder Ölanalysen. Ebenso wichtig sind Kontextdaten wie gefertigtes Produkt, Last, Geschwindigkeit und die Wartungshistorie mit getauschten Teilen. Erst die Kombination ermöglicht es Modellen, normale Betriebswechsel von beginnenden Schäden zu unterscheiden und verlässliche Warnungen zu erzeugen.
Wann lohnt sich vorausschauende Wartung?
Vorausschauende Wartung lohnt sich vor allem bei Engpassanlagen, deren Ausfall eine ganze Linie stoppt, hohe Folgekosten verursacht oder lange Ersatzteillieferzeiten nach sich zieht. Zudem müssen sich Schäden messbar ankündigen. Bei günstigen, unkritischen Komponenten ist eine reaktive oder intervallbasierte Instandhaltung oft wirtschaftlicher. Eine konkrete Beispielrechnung je Anlage schafft Klarheit.
Warum scheitern Predictive-Maintenance-Projekte?
Häufige Gründe sind zu wenige dokumentierte Schadensfälle, fehlende Kontextdaten, zu viele Fehlalarme und Insellösungen ohne Anbindung an das Instandhaltungssystem. Oft wird auch das Erfahrungswissen der Instandhaltung zu wenig genutzt. Wer mit kritischen Anlagen und einfachen Verfahren startet, Warnungen in Prozesse integriert und Erfolge misst, erhöht die Erfolgschancen deutlich.
Wie starte ich mit Predictive Maintenance im Unternehmen?
Beginne mit einer Analyse deiner kritischen Anlagen nach Ausfallfolgen und Vorwarnzeit. Kläre mit der Instandhaltung typische Schadensbilder, erschließe vorhandene Steuerungsdaten und ergänze gezielt Sensoren. Starte mit Grenzwerten, Trends und Anomalieerkennung, binde Warnungen an Wartungsaufträge an und miss den Nutzen. Erfolgreiche Lösungen überträgst du anschließend auf weitere Anlagen.
