Eine Hauptspindel fällt am Donnerstagnachmittag aus. Das Ersatzlager ist nicht auf Lager, der Servicetechniker kommt am Montag, die Linie steht vier Tage. Solche Szenarien sind der Grund, warum Predictive Maintenance seit Jahren auf jeder Digitalisierungsagenda steht. Das Versprechen: Die Maschine meldet sich, bevor sie ausfällt, und die Wartung passiert genau dann, wenn sie nötig ist. Nicht früher, nicht später.
Das Versprechen ist technisch einlösbar. Aber der Markt erzählt selten dazu, was es voraussetzt. Predictive Maintenance ist kein Sensor, den man anschraubt, und keine Software, die man installiert. Es ist ein Datenprojekt. Wer keine strukturierten, historisierten Maschinendaten und Prozessdaten hat, kauft ein Vorhersagemodell ohne Vorhersagegrundlage.
In Werksbesuchen zeigt sich das Muster immer wieder: Die Sensorik ist da, die Dashboards sind bunt, aber die Ausfallhistorie der letzten Jahre existiert nur in Instandhaltungsprotokollen auf Papier oder in Excel. Ein Modell, das Ausfälle vorhersagen soll, hat aber nie gelernt, wie ein Ausfall in den Daten aussieht. Das Projekt scheitert dann nicht an der KI, sondern an der Datenbasis.
Dieser Artikel ordnet ein, was Predictive Maintenance leistet, wie die Technik funktioniert, welche Datenvoraussetzungen erfüllt sein müssen, wie ein realistischer Einstieg aussieht und wo die wirtschaftlichen und regulatorischen Grenzen liegen.
DAS WICHTIGSTE IN KÜRZE
|
KURZ ZUSAMMENGEFASST
|
Was Predictive Maintenance ist und wovon sie sich abgrenzt
Der Begriff wird im Markt breit verwendet, oft für alles, was Sensoren und Dashboards hat. Das führt zu falschen Erwartungen. Eine saubere Abgrenzung der Wartungsstrategien schafft die Grundlage für jede Investitionsentscheidung.
Predictive Maintenance, auf Deutsch vorausschauende Wartung, prognostiziert den Ausfallzeitpunkt oder die Restlebensdauer einer Komponente auf Basis von kontinuierlich erfassten Zustandsdaten und historischen Ausfallmustern. Die Wartung erfolgt genau dann, wenn der Zustand es erfordert. Damit unterscheidet sich der Ansatz sowohl von der reaktiven Wartung (reparieren nach Ausfall) als auch von der präventiven Wartung (feste Intervalle) und geht über reines Condition Monitoring (Zustand beobachten, aber nicht prognostizieren) hinaus.
| Strategie | Auslöser der Wartung | Typische Folge | Datenbedarf |
|---|---|---|---|
| Reaktive Wartung | Ausfall ist eingetreten | Ungeplanter Stillstand, Expresslogistik für Ersatzteile, Folgeschäden an benachbarten Komponenten | Keiner |
| Präventive Wartung | Festes Intervall (Zeit oder Stückzahl) | Planbar, aber teuer: Als Faustregel werden Komponenten mit 30 bis 50% Restlebensdauer getauscht | Gering (Laufzeitzähler) |
| Condition Monitoring | Grenzwert eines Zustandssignals überschritten | Frühwarnung, aber ohne Prognose. Reaktionszeit oft kurz | Sensordaten in Echtzeit |
| Predictive Maintenance | Prognostizierter Ausfallzeitpunkt bzw. Restlebensdauer | Wartung im geplanten Fenster, Ersatzteil rechtzeitig bestellt, minimierte Stillstandszeit | Sensordaten plus historisierte Ausfallereignisse und Wartungsereignisse |
Der wirtschaftliche Hebel liegt in den Stillstandskosten. In der Automobilmontage kostet eine Stunde ungeplanter Linienstillstand typischerweise fünfstellige Beträge, in einzelnen Werken deutlich mehr. Im Maschinenbau mit verketteten Bearbeitungszentren summieren sich Stillstand, Nacharbeit und Terminverzug ähnlich schnell. Genau diese Kosten adressiert Predictive Maintenance: nicht die Wartung selbst wird billiger, sondern der ungeplante Ausfall wird seltener.
Wie Predictive Maintenance technisch funktioniert
Hinter jedem Vorhersagemodell steht dieselbe Kette: Signale erfassen, Merkmale extrahieren, Muster mit historischen Ausfällen abgleichen, Prognose ableiten. Wer diese Kette versteht, kann Anbieterversprechen realistisch bewerten.
Schritt 1: Zustandsdaten erfassen
Die Signalquellen hängen vom Verschleißmechanismus ab. Vibrationssensoren an Lagern und Spindeln, Temperaturfühler an Antrieben, Stromaufnahme an Motoren, Druckverläufe in Hydrauliksystemen, Drehmomentkurven an Schraubsystemen und Prüfständen. Für Lagerdiagnosen sind Abtastraten im Kilohertzbereich üblich, weil sich Schadensfrequenzen nur in hochaufgelösten Schwingungsspektren zeigen. Viele moderne Steuerungen und Werkzeuge liefern diese Daten bereits über OPC UA oder herstellerspezifische Telegramme, ohne dass zusätzliche Sensorik nötig ist.
Schritt 2: Merkmale und Anomalien erkennen
Aus den Rohsignalen werden Kennwerte berechnet: Effektivwerte, Spektralanteile, Kurvenformen, Trendsteigungen. Anomalieerkennung markiert Abweichungen vom eingelernten Normalzustand. Das funktioniert auch ohne Ausfallhistorie und ist deshalb oft der erste produktive Schritt, streng genommen aber noch Condition Monitoring, keine Vorhersage.
Schritt 3: Restlebensdauer prognostizieren
Die eigentliche Vorhersage entsteht, wenn das Modell aus historischen Degradationsverläufen gelernt hat, wie sich ein Signalmuster vom ersten Anzeichen bis zum Ausfall entwickelt. Die Zielgröße heißt Remaining Useful Life. Bei Wälzlagern liegt der erreichbare Prognosevorlauf typischerweise bei 2 bis 6 Wochen vor dem Ausfall, bei Werkzeugverschleiß in der Zerspanung eher bei Stunden bis Tagen. Der Vorlauf bestimmt, wie viel Planungsspielraum die Instandhaltung tatsächlich gewinnt.
Wichtig für die Einordnung: Ein verschleißendes Werkzeug produziert häufig schlechtere Teile, bevor es ausfällt. Wer Maschinenzustand und Bauteilqualität aus denselben Prozessdaten betrachtet, gewinnt doppelt.
Die Datenbasis entscheidet: Woran Predictive Maintenance Projekte in der Praxis scheitern
Die unbequeme Wahrheit zuerst: Die Modellwahl ist selten das Problem. Als Faustregel entfallen 70 bis 80% des Projektaufwands auf Datenerfassung, Datenbereinigung und Datenverknüpfung, nicht auf das Modell selbst.
Vier Muster tauchen in gescheiterten oder festgefahrenen Projekten immer wieder auf. Erstens: Es gibt keine dokumentierte Ausfallhistorie. Wartungsereignisse stehen in Papierprotokollen oder in einer Instandhaltungssoftware ohne Verbindung zu den Maschinendaten. Ein Modell kann aber nur lernen, wie ein Ausfall aussieht, wenn Ausfälle in den Daten markiert sind. Zweitens: Die Zeitstempel verschiedener Systeme sind nicht synchronisiert. Sensordaten, Steuerungsmeldungen und Wartungsaufträge lassen sich nachträglich nicht mehr eindeutig zuordnen. Drittens: Daten liegen in Insellösungen einzelner Anlagenhersteller und sind nur über proprietäre Software zugänglich. Viertens: Historische Daten wurden aus Performancegründen gelöscht, ausgerechnet die Zeiträume mit den lehrreichen Ausfallereignissen fehlen.
Alle vier Muster haben dieselbe Ursache: Es fehlt ein durchgängiges Prozessdatenmanagement, das Maschinendaten und Prozessdaten herstellerunabhängig erfasst, mit eindeutigem Zeitbezug und Anlagenbezug historisiert und langfristig verfügbar hält. Genau diese Infrastruktur ist keine KI-Aufgabe, sondern eine Datenaufgabe, und sie zahlt sich unabhängig vom Vorhersagemodell aus: für Rückverfolgbarkeit nach IATF 16949 Kap. 8.5.2, für datengestützte Entscheidungen nach ISO 9001:2015 Kap. 9.1 und für jede spätere Analyse.
PRAXISTIPP MANUFACTURING OSDie Datenbasis für Predictive Maintenance entsteht im Prozessdatenmanagement, nicht im KI-Projekt. Manufacturing OS von CSP legt dieses Fundament:
Bei Mercedes-Benz liefert IPM die durchgängige Datenbasis der Achsmontage, mit der Schwachstellen im Prozess früh identifiziert werden, bevor daraus Ausfälle oder Qualitätsprobleme entstehen. Dieselbe Datenbasis trägt BMW und Knorr-Bremse in vergleichbaren Anwendungen. → Wie diese Datenbasis aufgebaut wird, zeigt das Whitepaper Produktionsdaten. |
WANN PREDICTIVE MAINTENANCE FUNKTIONIERT
|
Predictive Maintenance einführen: Vier Schritte für den Einstieg
Der häufigste strategische Fehler ist der flächendeckende Start. Wer 40 Anlagen gleichzeitig anbinden will, verliert sich in Schnittstellen, bevor der erste Nutzen sichtbar wird. Der belastbare Weg führt über einen fokussierten Pilot.
Schritt 1: Pilotanlage auswählen
Geeignet ist eine Anlage mit hoher Ausfallrelevanz (Engpassanlage, teure Stillstände), bekannten Verschleißmechanismen und vorhandener oder leicht nachrüstbarer Sensorik. Ein Bearbeitungszentrum mit dokumentierter Spindelhistorie ist ein besserer Pilot als eine Anlage, die nie ausfällt: Ohne Ausfallereignisse gibt es nichts zu lernen.
Schritt 2: Datenbasis aufbauen und rückwirkend sichern
Bevor ein Modell trainiert wird, müssen drei Datenströme zusammenfließen: Zustandssignale der Anlage, Prozessdaten der gefertigten Aufträge und die Instandhaltungshistorie. Alles mit synchronisierten Zeitstempeln und eindeutiger Anlagenkennung. Wo historische Daten in Altsystemen liegen, gehören sie jetzt gesichert und zugänglich gemacht, nicht gelöscht. Dieser Schritt dauert in der Praxis am längsten und entscheidet über alles Weitere.
Schritt 3: Mit Anomalieerkennung starten, dann prognostizieren
Ein realistischer Pilot beginnt mit Anomalieerkennung auf dem Normalzustand: Das liefert nach wenigen Wochen erste Frühwarnungen und baut Vertrauen auf. Die Prognose der Restlebensdauer folgt, sobald genügend dokumentierte Degradationsverläufe vorliegen. Realistischer Zeitrahmen für den gesamten Pilot: 3 bis 6 Monate, mit 1 bis 2 Anlagen.
Schritt 4: Prozesse anpassen und skalieren
Eine Prognose ohne organisatorische Konsequenz ist wertlos. Die Instandhaltung braucht definierte Reaktionswege: Wer bewertet die Meldung, wer bestellt das Ersatzteil, in welchem Wartungsfenster wird getauscht. Erst wenn dieser Kreislauf am Pilot funktioniert, lohnt der Rollout auf weitere Anlagen, priorisiert nach Stillstandskosten.
„Die meisten Unternehmen wollen mit dem Modell anfangen und mit den Daten aufhören. Es funktioniert nur umgekehrt: Wer seine Prozessdaten zwei Jahre sauber historisiert hat, bekommt Predictive Maintenance fast geschenkt. Wer sie nicht hat, bekommt sie für kein Geld der Welt.“
— Amadeus, Chief Technology Evangelist, CSP
Grenzen, Kosten und Regulatorik: Eine ehrliche Einordnung
Predictive Maintenance ist kein Selbstläufer und lohnt sich nicht überall. Drei Punkte gehören vor jeder Investitionsentscheidung auf den Tisch.
Was Predictive Maintenance nicht kann: Rein zufällige Ausfälle ohne messbare Degradation, etwa spontane Elektronikdefekte, lassen sich nicht vorhersagen. Ebenso wenig ersetzt ein Modell die Instandhaltungsorganisation: Eine Prognose mit 3 Wochen Vorlauf nützt nichts, wenn das Ersatzteil 8 Wochen Lieferzeit hat. Und jedes Modell produziert Fehlalarme. In Pilotprojekten liegen anfängliche Falschalarmquoten häufig im zweistelligen Prozentbereich und sinken erst mit wachsender Datenhistorie.
| Kostenblock | Typische Größenordnung | Wovon sie abhängt |
|---|---|---|
| Sensorik nachrüsten | Typischerweise 1.500 bis 5.000 Euro je Messstelle inkl. Installation | Anzahl Messstellen, vorhandene Steuerungsdaten (OPC UA reduziert den Bedarf deutlich) |
| Datenanbindung und Infrastruktur | Projektabhängig, häufig der größte Einzelposten | Heterogenität der Anlagen, vorhandenes Prozessdatenmanagement, Altsysteme |
| Modell und Software | Lizenz oder Entwicklung, laufende Pflege einplanen | Eigenentwicklung vs. Standardsoftware, Anzahl Anlagentypen |
| Organisation | Schulung, Reaktionsprozesse, Rollen | Reifegrad der Instandhaltung |
Dem stehen die Effekte gegenüber: In Pilotprojekten sinken Wartungskosten typischerweise um 10 bis 30%, die Anlagenverfügbarkeit steigt um 5 bis 10%. Die Faustregel für die Priorisierung: Je teurer der ungeplante Stillstand einer Anlage, desto schneller amortisiert sich die Vorhersage. Bei einer Engpassanlage mit fünfstelligen Stillstandskosten pro Stunde rechnet sich der Pilot oft mit dem ersten verhinderten Ausfall.
Regulatorische Einordnung: Predictive Maintenance liefert Entscheidungsunterstützung, keine autonome Entscheidung. Der EU AI Act verlangt für KI-Systeme in kritischen Anwendungskontexten Transparenz und menschliche Aufsicht; in sicherheitskritischen Branchen sind vollautonome Freigabeentscheidungen durch KI regulatorisch nicht zulässig. Die Freigabe einer Anlage nach Wartung und die Bewertung einer Prognose bleiben menschliche Verantwortung. Die EU-Produkthaftungsrichtlinie 2024 erweitert zudem den Herstellerbegriff für KI-gestützte Entscheidungen: Wer Prognosen in Freigabeprozesse einbindet, muss nachweisen können, auf welcher Datengrundlage und mit welcher menschlichen Prüfung entschieden wurde. Auch dafür ist eine lückenlose, historisierte Datenbasis die Voraussetzung, im Sinne des risikobasierten Denkens nach ISO 9001:2015 Kap. 6.1 und der Dokumentationsanforderungen der IATF 16949 Kap. 7.5.
Häufig gestellte Fragen zu Predictive Maintenance
Was ist Predictive Maintenance?
Predictive Maintenance, auf Deutsch vorausschauende Wartung, ist eine Instandhaltungsstrategie, die den Wartungsbedarf einer Maschine oder Komponente vorhersagt, bevor ein Ausfall eintritt. Grundlage sind kontinuierlich erfasste Zustandsdaten wie Vibration, Temperatur oder Stromaufnahme, die mit historischen Ausfallmustern abgeglichen werden. Die Wartung erfolgt zustandsbasiert im geplanten Fenster statt nach festem Intervall oder erst nach dem Ausfall. Das Ziel ist eine höhere Anlagenverfügbarkeit bei gleichzeitig geringeren Wartungskosten.
Was ist der Unterschied zwischen Predictive Maintenance und Preventive Maintenance?
Preventive Maintenance (präventive Wartung) tauscht Komponenten nach festen Intervallen, etwa nach Betriebsstunden oder Stückzahlen, unabhängig vom tatsächlichen Zustand. Das ist planbar, verschwendet aber Restlebensdauer: Als Faustregel werden Komponenten mit 30 bis 50% verbleibender Lebensdauer ersetzt. Predictive Maintenance wartet dagegen zustandsbasiert: Sensordaten und Vorhersagemodelle bestimmen den optimalen Wartungszeitpunkt. Das reduziert sowohl unnötige Tauschvorgänge als auch ungeplante Ausfälle, setzt aber eine belastbare Datenbasis voraus.
Welche Daten braucht Predictive Maintenance?
Drei Datenkategorien sind erforderlich. Erstens Zustandssignale der Anlage, etwa Vibrationsspektren, Temperaturen, Stromaufnahme oder Drehmomentkurven, mit ausreichender Abtastrate. Zweitens eine dokumentierte Historie von Ausfallereignissen und Wartungsereignissen, weil das Modell nur aus markierten Ausfällen lernen kann. Drittens Kontextdaten wie Fertigungsaufträge und Parameterwechsel, um Zustandsänderungen richtig einzuordnen. Alle drei Kategorien müssen über synchronisierte Zeitstempel und eine eindeutige Anlagenkennung verknüpfbar sein. Typischerweise sind 6 bis 12 Monate Historie inklusive Ausfallereignissen nötig, bevor eine Restlebensdauerprognose belastbar wird.
Für welche Maschinen lohnt sich Predictive Maintenance?
Am besten geeignet sind Anlagen mit messbaren Verschleißmechanismen und hohen Stillstandskosten: Bearbeitungszentren mit Spindeln und Lagern, verkettete Montagelinien, Schraubsysteme, Pumpen und Hydraulikaggregate sowie Engpassanlagen, deren Ausfall die gesamte Linie stoppt. Wenig geeignet sind Anlagen mit rein zufälligen Ausfällen ohne messbare Degradation, etwa reine Elektronikdefekte, sowie unkritische Anlagen mit geringen Stillstandskosten, bei denen reaktive oder präventive Wartung wirtschaftlicher bleibt.
Was kostet die Einführung von Predictive Maintenance?
Die Kosten setzen sich aus Sensorik, Datenanbindung, Software und organisatorischer Einführung zusammen. Für die Nachrüstung von Sensorik gilt als Größenordnung typischerweise 1.500 bis 5.000 Euro je Messstelle inklusive Installation; liefern Steuerungen die Daten bereits über OPC UA, sinkt dieser Posten deutlich. Der größte Einzelposten ist in vielen Projekten die Datenanbindung und Datenbereinigung, auf die als Faustregel 70 bis 80% des Projektaufwands entfallen. Ein Pilot mit 1 bis 2 Anlagen ist in 3 bis 6 Monaten realistisch umsetzbar und amortisiert sich bei Engpassanlagen häufig mit dem ersten verhinderten Stillstand.
Was ist der Unterschied zwischen Predictive Maintenance und Predictive Quality?
Predictive Maintenance betrachtet die Maschine und sagt voraus, wann eine Komponente gewartet werden muss, um einen Ausfall zu verhindern. Predictive Quality betrachtet das Produkt und sagt voraus, ob ein Bauteil die Qualitätsanforderungen erfüllen wird, noch während es gefertigt wird. Beide Ansätze nutzen weitgehend dieselben Prozessdaten, verfolgen aber unterschiedliche Zielgrößen: Anlagenverfügbarkeit auf der einen, Ausschussreduktion auf der anderen Seite. In der Praxis ergänzen sie sich, weil ein verschleißendes Werkzeug oft schlechtere Teile produziert, bevor es ausfällt.
